第52章 机器人探索及其既定问题空间

52.1 什么被自动化了

数据库将结构、性质和来源连接成可调用记录，机器人进一步把记录连接到装置。两者之间却不是一个自动成立的等号。能写出配方，不等于能分配原料；能完成加热，不等于获得目标物；能产生一组数据，也不等于已作出可靠解释。本章将这些连接拆开，讨论自动研究实际扩大了什么能力。

伯格等人2020年的移动机器人研究，是一个边界较清楚的起点。系统在八天内完成688次实验，在十变量空间中以批次贝叶斯搜索改进光催化析氢配方。[C52-01] 这个结果首先说明，一组候选选择与实验动作可以持续衔接，并获得更好的测量表现。它没有直接说明机器独立提出了最初科学目标，也不等于已证明完整水分解或实际能源应用。

从功能上看，移动、操作、测量与选择各有自主程度。机器人能够在不同工作站之间转移样品，说明它承担了空间组织；能够调用配料与测量流程，说明它承担了操作组织；根据已有结果安排下一批候选，才说明数据进入了后续决定。将三者一律写作“机器人做实验”，会掩盖系统真正完成的连接。

目标与假说仍有来源。该研究以预先选定的聚合物光催化剂和组分为基础，探索若干关于酸度、离子强度及其他添加因素的假说。[C52-01] 自动选择可以反驳人的某些预期，而整个问题空间仍由人构造。这两点可以同时成立：既承认算法在搜索中的主动作用，也不把实验前的构思与装置建设从故事中删除。

测量环节同样需要明确对象。析氢表现是一项规定条件下的功能结果，不能直接等同催化剂分子本征活性。若总催化剂量、光吸收或添加物共同变化，配方总输出的提高可能来自多种因素。优化任务可以合理地追求总输出，但机制解释需要进一步分辨。机器找到高值，与研究者知道高值为什么出现，是不同成果。

自主还受停止与异常处理规则限制。一套流程可以在正常样品范围内持续运行，但遇到黏稠、沉淀、无法定位或仪器无响应时，需要知道哪些情况可重试、哪些须中断。这样的规则不是化学发现之外的杂务。若异常被错误地写成低性能结果，后续搜索会学习一个本来不存在的化学差异。

因此，评价系统时应区分执行日志与科学记录。日志可以证明某条命令发出、某个传感器返回状态；科学记录还须证明实际投入、处理与测量之间对应。完成指令不是完成反应，完成反应也不是完成确认。越是连续自动运行，这些对应越需要被保留，因为人工无法在事后凭记忆补回每个步骤。

伯格案例中值得保留的连接，是候选选择能够接到连续实验，实验结果又能返回下一批选择。追查这条连接，应分别查看配方如何进入动作、测量何时完成、哪批结果可供下一次选点使用。这样可以辨认系统已承担的决策，同时把初始目标、变量范围和解释任务留在各自环节；自主程度便有了可比较的内容。

52.2 搜索空间的规定

十个变量并不等于十个可以任意组合的实数。原研究中的空间受到固定液体体积、顶空气体分析及分配分辨率的约束。[C52-01] 因而某个数学坐标能被提出，不等于装置能执行；某个组合能被装置执行，也不等于化学上适合进行。搜索空间是化学设想与工程能力相交的结果。

变量选择首先决定哪些解释有机会被检验。如果把某种添加剂列入，算法可以发现其有益或有害；没有列入的组分则不能由这次搜索直接获得判断。某个变量始终取固定值时，结果的适用范围也随之固定。搜索很密集，并不会自动消除未变化条件的限制；密度与覆盖范围不是同一指标。

范围选择又决定“最优”的含义。一个配方在允许的上下限内表现最好，可能只是靠近边界；边界之外是否更好，仍待新实验。若扩大范围同时改变黏度、溶解或测量条件，原目标函数甚至可能不再可直接比较。将局部最优称为全局最佳，需要明确“全局”究竟覆盖哪一个被允许的集合。

可执行性还具有时间结构。两个配方使用相同总量，但加入次序、混合等待与样品存放时间不同，可能得到不同状态。若系统只保存最终组分而丢掉操作序列，所谓同一配方会包含多个实验。机器人有能力精确重复次序，却仍需研究者决定哪些次序需要变化、哪些必须保持，才能把重复性转成可解释性。

设备约束也会塑造可见化学。适于自动分配的溶液、能在空气中处理的粉体和可快速测量的输出，较容易进入早期流程。这个偏向可以是合理工程选择，但不能当作自然界可研究对象的完整边界。没有被平台处理的材料，可能只是接口尚不支持，并非没有价值或无法合成。

在比较机器人与人工时，尤其要对齐这一空间。如果机器被允许连续运行，而人工只按白天工作计算，比较主要说明运行组织的差别；若机器还使用更强的选点策略，收益便混入算法因素。不同收益都值得报告，但需要分开，才能知道改善究竟来自持续执行、批次并行还是更少无效尝试。

算法在探索与利用之间取舍，也不是脱离化学的纯形式动作。若测量很昂贵，试探未知区域的成本较高；若装置漂移明显，重复基准点可能比再试一个新候选更有价值。选择下一次实验时，需要考虑数据的可信度，而不仅是预测均值有多高。一个高分候选若对应最大的不确定性，可能是发现机会，也可能是模型缺乏依据。

原研究在搜索期间反复测量基准配方，用以检查长期实验稳定性。[C52-01] 这提醒我们，机器学习所依赖的“已有结果”并非天然同质。如果光源、原料批次或分析响应随时间变化，算法可能把时间趋势误当作配方效应。基准重复、顺序安排与校准记录，是把持续运行转换为可信比较的必要部分。

批次实验还带来一个特有问题：同一批中的候选在提交时共享旧信息，只有测量完成后才能统一更新。增加批次规模可以提高装置利用率，却可能推迟纠正错误方向的时点。若某组配方都依赖一个尚未验证的假设，整批执行就可能同时承受该假设的风险。因此，运行速度与学习速度不能简单用同一计数表示，需要查看信息何时真正返回选择环节。

此外，复测与探索之间存在资源竞争。只重复最高分配方，可以更准确估计它的表现，却可能错过其他区域；只测新配方，则可能把一次偶然高值当作最优。一个可信的搜索报告应说明最终候选是否在独立制备、相同测量条件下保持优势。选择阶段已经用过的数据可以支持寻找方向，但确认阶段最好再承担新的检验，避免只报告被挑选出来的有利波动。

能够删去表现不佳组分，也不等于已经重构对象。若所有选择仍使用原来的变量、范围与性能判据，主要变化发生在空间内的搜索。若实验促使研究者新增状态变量、改变可接受样品或修订测量终点，才出现空间构成规则的改变。两者都可以创新，但其证据不能互相替代。

52.3 失败如何决定下一步

固态合成使失败的承接更加突出。A-Lab将候选材料、合成配方、粉体操作及X射线衍射分析接在一起，并以已有结果调整后续路线。[C52-02] 本章采用2026年更正后的论文状态，集中讨论工作链；关于相确认、新颖性及更正责任，留待第五十四章完整审查，以免把一次案例重复写成多次独立证明。

失败首先需要定位。原料未按计划进入容器，是执行失败；样品形成了明确的其他相，是目标失败但可能提供路线信息；衍射资料不能区分候选，是鉴定未决。三类结果都可能没有达到目标，却不能给学习器同一标签。只有把失败所在的连接辨清，下一步改变才有方向。

A-Lab的路线更新利用观测到的中间产物及计算的反应驱动力，避免重复进入不利路径。[C52-02] 这说明负结果可以不是一个孤立的零：它能限制某些前驱体组合的后续可能。但限制依赖对中间产物的判断，若这一判断错误，节省实验的规则就可能排除本来有希望的路线。

因此，主动学习需要同时携带结果与结果可信度。能够明确识别的中间相，与若干可能解释中的一个，不应承担同样强的排除作用。对于未决结果，合理动作可能是补充表征、重复样品或暂缓某项推断，而不是立即换一组前驱体。选择实验与选择如何确认实验，可以共同进入决策问题。

某次失败只支持有条件的结论。给定前驱体、时间和温度没有取得目标，不意味着目标不存在；在特定设备范围内找不到成功路线，也不意味着所有合成方法无效。这个区别在固态材料中尤其重要，因为动力学与过程历史会影响能否接近某个状态。数据库预测的稳定性与实验可达性，分别承担不同的判断。

该论文也报告了通过额外人工再研磨与加热取得进一步结果的情况。[C52-02] 本章只用它说明一种边界：平台原有动作集合之外的操作，可能改变失败结论。不能把人工补做的成功回填为原自主流程已经实现的能力；同样，也不能因原流程受限，就断言它此前积累的数据没有价值。

一个失败被系统利用，至少有两种方式。它可以降低某个候选的优先级，也可以改变整个路线选择的依据。前者通常保持原对象与目标，后者可能引入新的中间状态分类或操作环节。要证明后者发生，需要查看版本、规则或工作流的实际变化，而不只是看到下一次配方与上一次不同。

还存在没有产生有效知识增量的失败。测量文件损坏、样品标识丢失或传输错误，可能只说明需要重新执行；它们不一定约束任何化学假说。报告失败总数时，应当把这部分分开。否则大量操作异常会被包装成积极探索，或者被算法误解为某类材料普遍低效。

失败数据库也不天然无偏。被尝试的候选已经经过人和模型筛选，缺少的区域可能从未有机会产生结果。由这些记录训练后续预测器，需要知道它们来自何种选点策略。把主动搜索获得的样本当作随机代表全部化学空间，可能夸大某些规律的普遍性。历史路径在这里直接进入统计问题。

2026年更正要求重新检查结果计数及其鉴定依据。[C52-03] 因而，追踪一次失败怎样影响下一步时，应同时保存当时采用的相标签与后来复核的标签。这样才能区分：系统是否正确使用了当时信息，以及那份信息后来是否仍获支持。运行中的学习链可以据实重建，事后的改判则另列为待传播的修订。

52.4 自动化成果的三个层级

现在可以区分三个层级。第一是效率：在同样任务与质量要求下，能否以更少时间、人力或实验取得结果。第二是行动范围：是否使过去难以持续执行的多变量研究成为日常操作。第三是对象重构：是否改变了被研究对象的定义、性质尺度或允许进入比较的判据。前两层成功并不自动推出第三层。

伯格等人的实验提供了连续执行与搜索改进的实际证据，A-Lab则显示固态合成中候选、操作、表征和路线选择的连接。它们的成功首先应归于具体工程、算法与化学设计。SDE不能把贝叶斯优化和主动学习已有的成果重新署名。发生分析可提出的附加问题，是这些能力何时进一步改变了问题空间的构造。

效率比较需要明确预算。相同实验次数适于比较选点能力，相同墙钟时间适于比较整体周转，相同人工投入则涉及设置、维护与干预。三个预算回答不同问题。若只用最有利的分母，容易把设备开发成本与后续运行收益混在一起；若把一次性开发成本全部压在首轮实验，又可能低估可重复使用的能力。

一个公平的后续比较可以设置三种策略：预定实验设计、使用同样历史资料的人工选点，以及自动选点。原料集合、测量协议、终止条件和外部验证保持一致，并记录运行异常与人工介入。这样能够分别观察算法是否提高每次实验的信息收益，以及自动执行是否提高单位时间的完成量。本章没有执行这项比较，不能报告胜负。

评估行动范围时，也不应只数变量。有些新增变量很容易操作，有些则需要新型容器、不同气氛或延长表征。平台能够支持多少不同操作类型、能否在改变样品状态后维持标识与测量对应，比一个维数更能说明能力边界。所谓通用性，应由跨任务迁移的实际记录支持。

对象重构的证据门槛更高。假如长期运行发现原来按最终组成归并的样品表现不同，进一步证实制备历史不可忽略，并据此修改记录与分类，那么自动研究就参与了新的对象判据形成。若只有更高的同类性能，结论停在优化层即可。不能因为系统输出令人意外，就自动称为创造了一种新的化学对象。

这一分层也保护真实的新颖性。一个并不改变身份判据的优化结果，仍可能大幅改善可用材料；一个没有提高最高性能的规范修订，也可能防止未来大量错误。两类价值可以并存，不需要互相冒充。思想史的责任是说明变化发生在哪里，而不是把所有成功都提升到同一宏大层级。

对于不同实验室的迁移，还需区分复制控制程序与复制实验条件。同样的指令在不同分配器、光源或炉体中可能对应不同实际过程，接口名称一致并不能保证物理输入一致。迁移验证应先检查原来的参考样品是否重现，再讨论优化配方是否仍然较好。若参考关系已经改变，就应把新平台视作需要重新校准的研究场所，而不是默认旧模型可以直接接管。

对自主程度的报告也应标明时间位置。某个流程在运行开始前由人设定，在运行中自动选择，在运行后由人解释，这是一种清楚而有价值的分工。若事后加入的解释或人工修复被写成系统运行时已有的判断，就会改变读者对能力的认识。保留各阶段是谁、依据什么完成决定，能够使未来平台在同一尺度上比较。

可接续性是三个层级共同需要的条件。其他人至少应能知道使用了哪些目标、数据版本、原料范围与停止规则，哪些结果经过复核，哪些仍未决。公开代码可以帮助重现算法，公开装置说明可以帮助重建操作，但样品与测量证据仍需要各自的位置。一个链接不能替代整条链。

自动化的长期影响还取决于失败能否越过单个平台。如果异常只被内部程序用于降低分数，外部研究者便无法判断它是化学限制还是设备限制。适当表达原因，可以使后来者在新仪器或新路线下重新尝试。保存未成功的条件，不是为每次失败树碑，而是避免把局部边界固定成普遍不可能。

在人机协作中，目标构造、选点和结果审查可以分由不同环节承担。有效接口应让复核者看见一次选点依据哪些已完成测量，哪些结果因异常而未被使用，以及人工干预从何时改变了候选范围。连续运行的优势由此可以与判断责任接合；后来者也能辨认应复用的是控制流程、优化策略，还是已经验证的化学关系。

下一章将进一步移向实验之前的候选生成。生成模型可以提出大量结构，逆合成程序可以为部分结构找到路线，但它们是否进入机器的动作范围，仍需经过原料、条件与确认的连续检查。本章所区分的空间内搜索与空间构造，将在那里变成更具体的问题：谁规定了“可合成”，又如何让真实失败返回这个判断？

本章来源与核验边界

[C52-01] Benjamin Burger等，A mobile robotic chemist，Nature 583，237—241，2020，DOI：10.1038/s41586-020-2442-2。实际下载并核读作者接受稿前四页的目标、工作流、假说、空间约束与基准重复：https://strathprints.strath.ac.uk/74759/1/Burger_etal_Nature_2020_A_mobile_robotic.pdf 。出版社摘要与元数据：https://www.nature.com/articles/s41586-020-2442-2 。未重跑优化器；未把作者的人工作业时间估计写成随机对照结果。

[C52-02] Nathan J. Szymanski等，An autonomous laboratory for the accelerated synthesis of inorganic materials，Nature 624，86—91，2023，DOI：10.1038/s41586-023-06734-w。2026年10月16日核读更正后网页的主文、工作链、主动学习与失败模式段落：https://www.nature.com/articles/s41586-023-06734-w 。标题、目标数及成功状态以此版本为准，本章不再逐项展开计数争议。

[C52-03] 同作者，Author Correction，2026年1月19日，DOI：10.1038/s41586-025-09992-y。核验官方更正元数据与公开原文索引，并与更正后主文对读：https://www.nature.com/articles/s41586-025-09992-y ；https://escholarship.org/uc/item/4kb4s6pg 。更正PDF直接访问受限，具体鉴定责任由第54章详论。

本章没有操作机器人或重分析衍射数据。三层成果、等预算比较及日志要求为本书分析或明确的后续方案，不作为原论文已经完成的额外实验。