近日，MIT材料科學(xué)與工程系李巨、Tonio Buonassisi、任之初等人在Nature Reviews Materials的Comment欄目發(fā)表題為“Autonomous experiments using active learning and AI”的文章，介紹了由主動(dòng)學(xué)習(xí)和AI驅(qū)動(dòng)的智能自主實(shí)驗(yàn)。

主動(dòng)學(xué)習(xí)和自動(dòng)化并不能讓人類輕松地?cái)[脫實(shí)驗(yàn)室的工作。在它們對(duì)新材料研究產(chǎn)生實(shí)質(zhì)性的影響之前，我們必須非常仔細(xì)地部署人工智能系統(tǒng)，確保它們能夠穩(wěn)定地運(yùn)行，并且能夠應(yīng)對(duì)各種偏差，包括隨機(jī)噪聲（stochastic errors）和因人類對(duì)所研究的問題認(rèn)知不足而導(dǎo)致的認(rèn)知性偏差（epistemic errors）。如今，隨著自動(dòng)化和AI逐漸普及，我們需要認(rèn)真考慮自主實(shí)驗(yàn)室的可重復(fù)性、可重配置性和實(shí)驗(yàn)互通性這些關(guān)鍵因素。

探索新材料是一個(gè)勞動(dòng)密集型過程。愛迪生為了發(fā)明白熾燈泡，測(cè)試了數(shù)千種燈絲�，F(xiàn)如今，便宜的自動(dòng)化設(shè)備讓結(jié)合機(jī)器人和主動(dòng)學(xué)習(xí)算法的新研究方法成為可能。雖然在預(yù)算和空間有限的情況下，構(gòu)建完全自動(dòng)化的實(shí)驗(yàn)平臺(tái)是非常具有挑戰(zhàn)性的，但是在半自動(dòng)化的工作流上也可以取得不錯(cuò)的進(jìn)展。例如，在儀器之間完全可以保留傳統(tǒng)的手動(dòng)轉(zhuǎn)移樣品，并不一定要使用機(jī)械臂或者是傳送帶之類的自動(dòng)化。只要實(shí)驗(yàn)結(jié)果高度可重復(fù)，即使使用一些基本的機(jī)器學(xué)習(xí)方法，比如高斯過程回歸和貝葉斯優(yōu)化，就已經(jīng)能很好地解決許多材料優(yōu)化問題。

就像把孩子養(yǎng)大需要幾十年時(shí)間，并且在這過程中需要教他們各種各樣的東西一樣，人們不應(yīng)該期望在知識(shí)基礎(chǔ)比較有限的情況下，由主動(dòng)學(xué)習(xí)（active learning）驅(qū)動(dòng)的實(shí)驗(yàn)一開始就非常有效。這個(gè)學(xué)習(xí)過程在開始時(shí)往往是非常脆弱的。教一個(gè)小孩子走路需要很多手把手的引導(dǎo)，同樣地，驅(qū)動(dòng)實(shí)驗(yàn)的人工智能在一開始也需要很多指導(dǎo)，即使其調(diào)用的自動(dòng)化平臺(tái)看似十分“穩(wěn)定高效”。

01 認(rèn)知性偏差的挑戰(zhàn)

能夠獲得長(zhǎng)期可復(fù)現(xiàn)的數(shù)據(jù)集是自動(dòng)化平臺(tái)有能力開展主動(dòng)學(xué)習(xí)的衡量標(biāo)準(zhǔn)。當(dāng)一個(gè)實(shí)驗(yàn)重復(fù)兩次產(chǎn)生不同的結(jié)果時(shí)，差異主要來自兩個(gè)方面：偶然性偏差和認(rèn)知性偏差。偶然性偏差源于隨機(jī)性，可以通過提升自動(dòng)化占比和在模型中引入高斯過程噪聲核來有效緩解，因此相對(duì)容易處理。相比之下，認(rèn)知性偏差則可能會(huì)影響自主化實(shí)驗(yàn)的成功，尤其是在主動(dòng)學(xué)習(xí)算法還未經(jīng)過優(yōu)化調(diào)整的情況下。認(rèn)知性誤差，從本質(zhì)上講，就是由于我們科研工作者的“知識(shí)偏見”——我們認(rèn)為一些變量在多次試驗(yàn)中是恒定的，但實(shí)際上它們?cè)凇扒那摹钡刈兓��?

以我們實(shí)驗(yàn)室的自動(dòng)化滴涂碳基底樣品過程為例，有段時(shí)間我們發(fā)現(xiàn)即便是重復(fù)同樣的實(shí)驗(yàn)，樣品的性能差異也很大。直到有一天，我們注意到碳基底可能是各向異性的，也就是說我們切割它的方式（從市場(chǎng)上買來的片狀切成條狀）是一個(gè)重要的變量，直接決定了滴涂后樣品擴(kuò)散的方向和最終面積。而在此之前，我們一直很自信地默認(rèn)這個(gè)基底是各向同性的。諸如此類的知識(shí)偏見，很可能將直接導(dǎo)致整個(gè)機(jī)器學(xué)習(xí)項(xiàng)目失敗。

為什么可復(fù)現(xiàn)性對(duì)主動(dòng)學(xué)習(xí)特別關(guān)鍵？手動(dòng)實(shí)驗(yàn)不也面臨這個(gè)問題嗎？答案是肯定的，但人類的經(jīng)驗(yàn)和靈活性大大緩解了這個(gè)問題。想象一個(gè)學(xué)生發(fā)現(xiàn)了一種合成方法，重復(fù)了10次，其中2次得到了非常令人興奮的結(jié)果。學(xué)生會(huì)怎么做？誤差區(qū)間太大，無法發(fā)表，所以學(xué)生和導(dǎo)師會(huì)討論、調(diào)整設(shè)置，最終找出統(tǒng)計(jì)異常背后的原因（例如，中間反應(yīng)產(chǎn)品的外來水分含量）。

統(tǒng)計(jì)上的異常源于我們沒能找齊決定了實(shí)驗(yàn)結(jié)果的變量全集。如果我們選擇忽略而不是去深入調(diào)查和試圖理解我們漏了哪個(gè)隱藏變量，其結(jié)果就是，我們發(fā)現(xiàn)自己的實(shí)驗(yàn)難以復(fù)現(xiàn)�！蹲匀弧冯s志的一項(xiàng)調(diào)查顯示，文獻(xiàn)中不可復(fù)現(xiàn)性的主要原因是選擇性報(bào)告，其本質(zhì)也是類似的——文獻(xiàn)只披露了實(shí)驗(yàn)變量全集的一個(gè)子集（也許作者自身也未意識(shí)到）。如果我們還沒搞清楚誤差來源就輕率地啟動(dòng)一個(gè)主動(dòng)學(xué)習(xí)項(xiàng)目，這可能會(huì)浪費(fèi)大量時(shí)間和金錢。算法會(huì)錯(cuò)誤地將特殊的噪聲視為信號(hào)，從而給出糟糕的建議，正所謂“garbage in, garbage out”。

另一方面，如果我們仔細(xì)地去排除認(rèn)知性偏差，找出隱藏變量，可能會(huì)有意想不到的科學(xué)發(fā)現(xiàn)，就像青霉素是由于意外真菌污染而未能培養(yǎng)細(xì)菌培養(yǎng)物所發(fā)現(xiàn)的。人類非常擅長(zhǎng)扭轉(zhuǎn)“實(shí)驗(yàn)失敗”，因?yàn)槲覀冇兄�出色的因果推理能力（用福爾摩斯的話說，“一旦排除了所有可能性，無論剩下的是多么看似不現(xiàn)實(shí)的推論，必定就是事實(shí)”）�？上У氖�，樸素的主動(dòng)學(xué)習(xí)方法并做不到這些，因?yàn)樗鼈儽辉O(shè)定了過于簡(jiǎn)化的世界觀，而且沒有太多先驗(yàn)的物理知識(shí)。

與傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)不同，大型語言模型如ChatGPT能生成科學(xué)上合理的猜想。未來，我們有望利用更先進(jìn)和全面的自主實(shí)驗(yàn)室來驗(yàn)證這些由大模型生成的假說。比如，我們可以在受控的氣氛反應(yīng)室內(nèi)自動(dòng)重復(fù)合成程序，以探究實(shí)驗(yàn)結(jié)果對(duì)不同氣體分壓的依賴性。隨著自動(dòng)實(shí)驗(yàn)引入計(jì)算機(jī)視覺（在某些方面已超過人類視覺），以及借助于龐大的先驗(yàn)知識(shí)庫(kù)，AI系統(tǒng)將能更精確地跟蹤實(shí)驗(yàn)室條件（例如濕度、背景輻射、前體材料的紋理和不均勻性）。因此，隨著AI系統(tǒng)逐漸整合多模態(tài)傳感器，弄清認(rèn)知誤差的可能原因并針對(duì)性地調(diào)整工作流程只是時(shí)間問題。大型語言模型結(jié)合具有通用感覺運(yùn)動(dòng)功能的強(qiáng)化學(xué)習(xí)，以及下文所述的“新控制論”，很可能是實(shí)驗(yàn)室自動(dòng)化革命的下一個(gè)步驟。

02 AI驅(qū)動(dòng)的自主實(shí)驗(yàn)室網(wǎng)絡(luò)

隨著AI系統(tǒng)變得更加復(fù)雜和強(qiáng)大，預(yù)算和空間的限制，模塊化的云實(shí)驗(yàn)室設(shè)施將變得有必要。這類新型實(shí)驗(yàn)室不僅需要能重新編譯和鏈接各種實(shí)驗(yàn)設(shè)備，還需要確保多個(gè)自動(dòng)實(shí)驗(yàn)室之間的互通性。一個(gè)包括實(shí)驗(yàn)和理論兩個(gè)方面的龐大的AI網(wǎng)絡(luò)將被建立，以實(shí)現(xiàn)實(shí)驗(yàn)室級(jí)的勞動(dòng)分工、規(guī)模經(jīng)濟(jì)和互相制衡。例如，當(dāng)某個(gè)AI實(shí)驗(yàn)室制備出了具有突破性性能的樣品后，AI網(wǎng)絡(luò)會(huì)負(fù)責(zé)將（i）該制備方案發(fā)送至負(fù)責(zé)理論研究的AI實(shí)驗(yàn)室進(jìn)行分析，（ii）在該實(shí)驗(yàn)室本地復(fù)制多份物理樣品并傳送至多個(gè)專門負(fù)責(zé)測(cè)試的AI實(shí)驗(yàn)室，（iii）制備方案本身分發(fā)至負(fù)責(zé)制備同類型材料的AI實(shí)驗(yàn)室以進(jìn)行對(duì)抗性的復(fù)現(xiàn)測(cè)試。

今天的材料合成、表征和性能測(cè)試的設(shè)備主要是為人類用戶設(shè)計(jì)的。未來，自主實(shí)驗(yàn)室每臺(tái)設(shè)備都需要具有兩個(gè)接口，一個(gè)主接口服務(wù)于物聯(lián)網(wǎng)上的AI系統(tǒng)，另一個(gè)用于人類操作。每個(gè)設(shè)備模塊將更像是軟件庫(kù)中的子程序，其物理樣品輸入/輸出規(guī)范將被明確且嚴(yán)格地定義。設(shè)備鏈將具備快速和自動(dòng)的重配置能力，以滿足不同科研項(xiàng)目的需求。值得注意的是，重新配置并不意味著需要將設(shè)備物理移動(dòng)以組成一條流水線，因?yàn)檩喪綑C(jī)器人和小型無人機(jī)將負(fù)責(zé)模塊之間的樣品傳送。

雖然自主材料研究實(shí)驗(yàn)室的概念早在1950年代就已經(jīng)出現(xiàn)，但至今成功的案例仍然較少。目前在學(xué)術(shù)界，實(shí)驗(yàn)室大多還是以人為核心，且每個(gè)實(shí)驗(yàn)室的建設(shè)預(yù)算僅限于幾百萬美元或更少。這通常意味著單個(gè)實(shí)驗(yàn)室只有自家“一招鮮”或“幾招鮮”的手段，這使得它們?cè)谧R(shí)別認(rèn)知誤差或迅速適應(yīng)工作流變化方面表現(xiàn)不佳。當(dāng)懷疑有些不尋常的情況發(fā)生時(shí)，人類研究員會(huì)向校園內(nèi)從事不同領(lǐng)域的同事尋求幫助，請(qǐng)他們進(jìn)行補(bǔ)充測(cè)量。這種靈活性在科研探索過程中是非常重要的，反觀我們今天的以機(jī)器和AI為核心的自主實(shí)驗(yàn)室案例，由于規(guī)模太小，還無法做到類似的靈活性。

為了解決這個(gè)問題，不同的自主實(shí)驗(yàn)室需要實(shí)現(xiàn)更好的協(xié)同工作。例如，讓AI有能力將一個(gè)物理樣品及其對(duì)應(yīng)的元數(shù)據(jù)從一個(gè)實(shí)驗(yàn)室傳送到另一個(gè)實(shí)驗(yàn)室。這樣的任務(wù)需要我們建立標(biāo)準(zhǔn)化的數(shù)據(jù)和樣品傳輸協(xié)議，比如規(guī)定用于傳輸液體、粉末、凝膠、顆粒和單晶材料的膠囊，它們需要與易于稱重、尺寸測(cè)量以及光學(xué)和化學(xué)表征設(shè)備相兼容，還需要能有效防止外界污染。此外，我們可能還需要重新考量設(shè)計(jì)建筑和基礎(chǔ)設(shè)施，例如無人或者是機(jī)器人和人類研究人員共同工作的全新的建筑架構(gòu)。

AI時(shí)代已經(jīng)來臨。為了在實(shí)驗(yàn)研究和材料發(fā)現(xiàn)中充分釋放AI的潛力，為硅基智慧提供“手”（材料合成加工/樣品轉(zhuǎn)移/設(shè)備模塊重組）和“眼睛”（材料表征/多模態(tài)感測(cè)）至關(guān)重要。建立一個(gè)穩(wěn)健的AI對(duì)于現(xiàn)實(shí)世界的感知反饋系統(tǒng)絕非易事。但是，隨著AI實(shí)驗(yàn)室的正確配置和相互鏈接（核心是標(biāo)準(zhǔn)化接口和模塊化設(shè)備），以及全球廣泛共享的專業(yè)知識(shí)，強(qiáng)大的AI自主實(shí)驗(yàn)室可能會(huì)徹底改變材料研究。

未來云端實(shí)驗(yàn)室可以被建設(shè)在太陽(yáng)能/風(fēng)能充足的荒漠中，科研人員可以從全世界任意一個(gè)地方控制云端實(shí)驗(yàn)室。園區(qū)內(nèi)的兩大主體——數(shù)據(jù)流和物質(zhì)流，將分別由互聯(lián)的AI網(wǎng)絡(luò)和機(jī)器人網(wǎng)絡(luò)負(fù)責(zé)運(yùn)載。（本圖由MidJourney + Adobe Firefly生成）

云端實(shí)驗(yàn)室內(nèi)部由一個(gè)個(gè)的模塊組成。每一個(gè)模塊就像一個(gè)代碼中的函數(shù)，有著清楚的輸入輸出規(guī)范，例如輸入的材料樣品必須符合某個(gè)標(biāo)準(zhǔn)化的尺寸/形態(tài)。不同模塊之間由輪式機(jī)器人或小型無人機(jī)進(jìn)行樣品傳送。