干湿闭环，链路已通：欧世盛在催化、制药、新材料等场景落地交付

AI4S Dry-Wet Lab ClosedLoop

干湿闭环，链路已通

欧世盛在催化、制药、新材料等场景落地交付

近年来，AI4S 领域的研究焦点长期集中于各类大模型的开发与优化，此类大模型推动人工智能在化学领域的上游能力实现持续提升：逆合成规划、性质预测、条件筛选的精度与速度不断提升，成果接连涌现，看似已在业内形成主流认知：当模型能力达到足够强度后，可显著加快科学发现的进程。

但从完整研究链路视角出发，一个AI4S项目从提出研究构想到得到可复现的研究结论，需依次完成四个层级的六个核心环节：算力层的算力调度、数据层的数据收集清洗、模型层的训练与推理筛选、实验层的实验验证，最终由实验层产出的观测数据反向回流至模型体系。在上述环节中，前四个步骤属于「干实验」范畴，第五步为「湿实验」，第六个环节决定整个系统能否实现自迭代更新。该循环过程即为学界普遍提及的AI4S干湿实验闭环。

综上，现有技术迭代所提升的，本质上仅为体系上游的「干实验」能力。行业内普遍存在几类认知偏差：将算力体量视作核心壁垒，已然成为伪命题；将模型性能直接等价于商业化竞争力，相关优势会随开源生态的快速迭代迅速衰减；把公开数据集及历史实验数据的样本规模等同于核心数据资产，只会喂给 AI 一套"成功路径的幻觉"，却在真实化学场景的验证中无法落地。业界对实验层价值的习惯性忽视，往往源于一种简化认知：认为依托实验机器人及自动化装置便可快速稳定获取真实实验数据。但现实中，物理实验的数据产出速率，远无法匹配模型持续训练的需求；理想形态下的实验层落地，仍存在大量亟待攻克的关键断点。

断点溯源：干湿闭环，究竟难在哪？

那么，干湿闭环，难点究竟在哪？我们用一张图厘清问题

【图1 | 干湿闭环系统地图】

从行业视角看，AI4S 闭环跑通的前三个层级目前已基本具备，且很难构成核心壁垒。

算力调度模式轻量化转型：本地推理 + 云端按需调用的混合方案，正在逐步替代传统全时段高性能集群的重资产部署，优化算力投入的成本结构。算力层的竞争已经结束，它已逐渐弱化为纯粹的成本项——比拼的是投入，而非核心能力的壁垒。

数据准备环节实现 Agent 化提效：数据清洗、谱图解析、图像识别、参数寻优、数据标注等重复性工作，可交由智能 Agent 自主完成，把数据准备从分散在各处的游离历史数据加速为可建模的产能。

模型训练底座门槛持续降低：伴随大模型快速迭代，开源基座、领域专用数据库与配套工具链日趋成熟，AI4S 项目可直接复用成熟模型能力，大幅缩减从零开发的成本。这就意味着模型层正从「从零起建」转向「细分领域适配与工程调校」的训练项——模型不再是核心优势，它需要海量真实数据的训练，才能适配各类反应体系，从而支撑闭环迭代：模型推理、候选分子 / 材料筛选、结果可信度评估自动化，快速产出可交由实验验证的候选方案，打通从预测到实验的链路。

干端（算力、数据、模型、推理）能力已逐步就绪，但模型给出的最优条件窗口，常落在湿端设备的物理能力边界之外。真实实验室要稳定跑通这条回路，瓶颈不在前三层，而在第四层——实验层。欲打通闭环，须同时攻克三大核心断点。

断点一：执行断点。AI 输出的往往是「在 80 ℃、10 MPa 环境下，连续评价催化剂 」这类自然语言描述的抽象指令，而实验设备无法直接解析自然语言。指令和设备动作之间，必须依靠人工操作，只要人工介入这一环，自动化闭环就会在此中断。

断点二：协议断点。一套完整实验通常包含配料、反应、后处理、检测等多个环节，需要联动多台设备。不同厂商的设备，通信协议与数据格式常出现互不兼容的情况。设备之间无法互联互通，实验流程就无法自动接续，原始测量数据也会在接口处丢失。

断点三：数据断点。实验过程中产生的实测数据产生断点，难以回流。该断点包含三重缺陷：纯净数据缺失——高质量、条件信息完整、可复现的实测数据供给不足，模型难以提炼可靠物理化学规律；负样本缺失——数据集分布倾斜，模型只学习成功的反应路径，无法预判失效场景，容易输出无法落地的候选方案；标记不统一、血缘不匹配——不同批次、不同操作人员的标签与参数标准不一致，实验条件和结果之间的对应关系失效，数据溯源链路断裂，筛选体系与制备体系之间由此形成数据孤岛。如果没有可以持续回流的高质量实测数据，AI 就无法获得真实世界反馈，闭环只能完成一半。

更深层来看，三大断点互为因果。因此，干湿闭环不是单点技术优化问题，而是需要硬件与软件协同重构的系统工程。

「化学积木」弥合断层：标准化功能单元搭出场景化平台

通过上述论证，四层架构中，实验层是落地难度最高的一环。该层级大量核心组件需要从零开展定制化研发，具备投入规模大、研发周期长、标准化难度高的特征。即便全部核心硬件组件研制完成，也仅仅只是基础；连续反应系统是强耦合的动态体系，单条产品线的调试打通通常仍以年为单位，在持续迭代过程中沉淀的工艺 Know-how 与工程经验，无法通过简单的自动化堆砌而达成。

欧世盛的思路是搭建完备的「化学积木」体系：提供精密配料、控温反应、固液分离、样品采集、在线分析等标准化功能模块。每一块「积木」在机械接口、电气接口、通信协议与数据格式四个层面遵循统一规范，因此可以按不同研发场景组合为完整的应用平台。

该体系历经十余年的持续迭代与技术积累，完成了从功能模块到集成单元、从集成单元到完整平台，最终构建成全流程自驱动实验室的发展历程；截至当前，已积累形成近百种标准化硬件构件，覆盖高/低温、高压、强腐蚀、光电等外部能量场，实现各场景应用平台的快速标准化交付。反应类型上，从过渡金属催化偶联（Suzuki、Heck、Negishi）、氧化还原、亲核取代与缩合、环化加成，到低温金属有机反应（锂化、格氏、锌化）、光化学与电化学合成，再到低聚酰胺、聚醚类聚合；能源与催化方向上，加氢、选择性氧化、烃类裂解、异构化、重整与费托合成、二氧化碳转化等类型。适用边界可以明确表述为：除高分子高粘度体系、氟化工与氟化氢相关工艺等当前尚不适用外，95%的反应类型均可通过对应平台承接。

【图2 | 欧世盛化学积木】

闭环的「大脑」：三层软件架构，让积木可被智能调用

在「化学积木」完备的前提下，软件是实现 AI 关联与智能实验的关键枢纽，也是整套体系的「核心大脑」。它承担五项职能：

设备控制。统一调度接入体系的所有硬件积木，将跨设备、跨单元的复杂流程编排为一条可自动执行的工艺流。

协议打通。在通信协议与数据格式层面屏蔽设备差异，使所有积木遵循同一套语言——这是积木能够自由组合的技术前提。

数据上传 AI。实验的设定值与实测值被自动关联、结构化归档，可直接上传至 AI 模型，全程无需人工转录。

标记与分类。数据在进入模型之前即携带完整的工艺背景（投料、条件、过程、结果），被自动标记与分类，成为可建模的数据资产，而非孤立的数字。

AI 指令分解与执行。AI 输出的抽象指令——例如一组候选反应条件——被自动分解为各设备的可执行参数序列并下发，执行结果再回流 AI。

【图3 | AI4S平台架构】

从架构看，这是一套三层体系：向上承接模型层——通用大模型、垂类领域模型与工具类、计算类模型，由科研智能助手 Ora 统一调用各类 Agent 与技能，将算法建议转化为设备可执行的实验任务；向下贯通硬件层——对配料、合成制备、在线检测、后处理、物料管理、分析表征、转运各环节实施编排、控制与记录；横向沉淀数据层——从实验规划、实验执行到检测评价，全流程数据以统一元数据规范归档，积木被智能调用。至此，闭环的完整回路得以接通。

不是蓝图：干湿闭环正在真实实验室里运行

这套体系并非规划中的蓝图，而是欧世盛已在高校、科研院所与产业一线运行的现实。欧世盛闭环式合成设备已完成多赛道商业化落地，覆盖制药、精细化工、催化剂、新能源、半导体、国防安全方向等核心领域。

小分子制药与有机合成方向

毫克级高通量全自动合成工作站。24通道并行反应，正压膜固液分离，Rf值判定，平行浓缩，产物确认，喷码扫码——配料、反应、分离、纯化、浓缩、收装全流程无人值守，自动输出结构化报告。

克级高通量合成工作站。无需重新摸索工艺参数即可实现毫克级筛选结果的线性放大，全流程覆盖配液反应、萃取过滤、干燥刮料、柱层析、浓缩、称重与NMR前处理，各工序灵活可调，支持非线性流转与中途折返，可随时返回中间环节迭代优化，显著缩短从合成到合格样品交付的周期。

小分子合成平台。将配料合成与后处理拆分为两套独立自动化工作站，实现无水无氧环境下的高通量平行合成与连续化样品后处理，支撑大量小分子候选化合物快速制备。

材料科学方向

低聚材料合成平台。多种粘度体系下配料、抽滤、离心、浓缩与在线检测一体化集成，面向光电显示材料、光刻胶、树脂与改性聚合物。

高通量光化学惰性氛围合成系统。串联双手套箱架构，多种光源灵活切换，配液、反应、取样全程置于惰性氛围内贯通运行；服务于药物中间体、精细化工与医药骨架分子、有机光电材料的合成。

电化学合成平台。以电子转移为媒介、在电场驱动下实现温和条件的高效转化，面向燃料电池、纳米材料、二维材料与电化学水处理。

钙钛矿合成平台。覆盖溶胶凝胶与共沉淀制备、老化、干燥、焙烧与光催化性能评价全流程，面向钙钛矿、碳基复合材料与纳米光催化材料。

能源与催化方向

催化剂合成无人实验室。从浸渍法、共沉淀法制备催化剂到性能评价与在线分析，全流程无人化。其中全自动催化剂评价装置填补了国内该领域的技术空白，实现了高端装备的国产化替代。

国防与安全方向

含能材料连续硝化平台。原位混酸配料、微反应连续硝化、在线淬灭、油水自动分离与洗涤全流程连续化，以连续流方式实现高危硝化反应的本质安全。

目前服务的头部客户涵盖药明康德、康龙化成等医药 CXO 龙头，京东方等半导体显示企业，巴斯夫、赢创等国际化工巨头，以及国内石油石化系统等能源化工机构，充分印证高通量合成方案跨行业的普适价值。

同血缘数据：闭环沉淀的不只是实验结果，更是资产

【图4 | 自动化平台的价值转化逻辑】

前文提到了，AI 需要的是同血缘的高质量数据：纯净、包含负样本、连续可溯源。由上述干湿闭环实验运行产出的数据，完美的提供AI所需的高质量同血缘数据：全流程在同一平台内完成，消除人工操作引入的系统误差；包括失败实验在内的全部数据被自动归集——负样本不再流失，模型不仅学习可行路径，也能学习失效边界；实验工况与原始谱图自动绑定，形成完整血缘，避免人工转录造成的数据混乱。

更关键的是，由于所有平台运行在同一软件架构与同一数据规范之上，不同场景、不同设备产生的实验数据天然同构：同一套字段、同一套工艺背景标注、同一套血缘关系。这意味着数据可以跨平台汇聚、横向比较、合并建模——每多落地一个平台、每多运行一次实验，数据资产就增厚一分。先前形成的数据孤岛也随之被打通。闭环不仅解决单次研发的问题，更在沉淀一种随时间增值的科研基础设施。

展望：把干湿闭环部署到更多科研一线

AI4S 走到今天，上游三层架构的迭代的速度已足够快，真正决定这条赛道奔跑速度的是实验层。设备能否支持程序化调用、过程数据能否满足标准化要求并完成完整采集、所得数据能否为上游人工智能模型所用，以及实验结果能否对人工智能模型形成反向反馈，自动驱动下一阶段的决策优化，最终实现从单一独立设备到AI科学系统中。

欧世盛目前已在该赛道竞争中取得领先。下一步，欧世盛将把这套干湿闭环能力部署到更多高校、科研院所与企业的研发一线，推动化学研发新范式。

站在化学研发的行业视角来看，AI4S 正在重塑实验研发模式，而配套国产智能装备的成熟，让这套新研发范式有了落地载体。在这条赛道上，软硬件一体化的完整闭环仍是稀缺能力 —— 而欧世盛已经跑通了这一闭环。

立即扫码