銷售咨詢熱線：
400-875-1717轉819
近年來，AI4S 領域的研究焦點長期集中于各類大模型的開發與優化，此類大模型推動人工智能在化學領域的上游能力實現持續提升：逆合成規劃、性質預測、條件篩選的精度與速度不斷提升，成果接連涌現，看似已在業內形成主流認知：當模型能力達到足夠強度后，可顯著加快科學發現的進程。
但從完整研究鏈路視角出發，一個AI4S項目從提出研究構想到得到可復現的研究結論，需依次完成四個層級的六個核心環節：算力層的算力調度、數據層的數據收集清洗、模型層的訓練與推理篩選、實驗層的實驗驗證，最終由實驗層產出的觀測數據反向回流至模型體系。在上述環節中，前四個步驟屬于「干實驗」范疇，第五步為「濕實驗」，第六個環節決定整個系統能否實現自迭代更新。該循環過程即為學界普遍提及的AI4S干濕實驗閉環。
綜上，現有技術迭代所提升的，本質上僅為體系上游的「干實驗」能力。行業內普遍存在幾類認知偏差：將算力體量視作核心壁壘，已然成為偽命題；將模型性能直接等價于商業化競爭力，相關優勢會隨開源生態的快速迭代迅速衰減；把公開數據集及歷史實驗數據的樣本規模等同于核心數據資產，只會喂給 AI 一套"成功路徑的幻覺"，卻在真實化學場景的驗證中無法落地。業界對實驗層價值的習慣性忽視，往往源于一種簡化認知：認為依托實驗機器人及自動化裝置便可快速穩定獲取真實實驗數據。但現實中，物理實驗的數據產出速率，遠無法匹配模型持續訓練的需求；理想形態下的實驗層落地，仍存在大量亟待攻克的關鍵斷點。
斷點溯源：干濕閉環，究竟難在哪？
那么，干濕閉環，難點究竟在哪？我們用一張圖
從行業視角看，AI4S 閉環跑通的前三個層級目前已基本具備，且很難構成核心壁壘。
算力調度模式輕量化轉型：本地推理 + 云端按需調用的混合方案，正在逐步替代傳統全時段高性能集群的重資產部署，優化算力投入的成本結構。算力層的競爭已經結束，它已逐漸弱化為純粹的成本項——比拼的是投入，而非核心能力的壁壘。
數據準備環節實現 Agent 化提效：數據清洗、譜圖解析、圖像識別、參數尋優、數據標注等重復性工作，可交由智能 Agent 自主完成，把數據準備從分散在各處的游離歷史數據加速為可建模的產能。
模型訓練底座門檻持續降低：伴隨大模型快速迭代，開源基座、領域專用數據庫與配套工具鏈日趨成熟，AI4S 項目可直接復用成熟模型能力，大幅縮減從零開發的成本。這就意味著模型層正從「從零起建」轉向「細分領域適配與工程調校」的訓練項——模型不再是核心優勢，它需要海量真實數據的訓練，才能適配各類反應體系，從而支撐閉環迭代：模型推理、候選分子 / 材料篩選、結果可信度評估自動化，快速產出可交由實驗驗證的候選方案，打通從預測到實驗的鏈路。
干端（算力、數據、模型、推理）能力已逐步就緒，但模型給出的條件窗口，常落在濕端設備的物理能力邊界之外。真實實驗室要穩定跑通這條回路，瓶頸不在前三層，而在第四層——實驗層。欲打通閉環，須同時攻克三大核心斷點。
斷點一：執行斷點。AI 輸出的往往是「在 80 ℃、10 MPa 環境下，連續評價催化劑 」這類自然語言描述的抽象指令，而實驗設備無法直接解析自然語言。指令和設備動作之間，必須依靠人工操作，只要人工介入這一環，自動化閉環就會在此中斷。
斷點二：協議斷點。一套完整實驗通常包含配料、反應、后處理、檢測等多個環節，需要聯動多臺設備。不同廠商的設備，通信協議與數據格式常出現互不兼容的情況。設備之間無法互聯互通，實驗流程就無法自動接續，原始測量數據也會在接口處丟失。
斷點三：數據斷點。實驗過程中產生的實測數據產生斷點，難以回流。該斷點包含三重缺陷：純凈數據缺失——高質量、條件信息完整、可復現的實測數據供給不足。模型難以提煉可靠物理化學規律；負樣本缺失——數據集分布傾斜，模型只學習成功的反應路徑，無法預判失效場景，容易輸出無法落地的候選方案；標記不統一、血緣不匹配——不同批次、不同操作人員的標簽與參數標準不一致，實驗條件和結果之間的對應關系失效，數據溯源鏈路斷裂，篩選體系與制備體系之間由此形成數據孤島。如果沒有可以持續回流的高質量實測數據，AI 就無法獲得真實世界反饋，閉環只能完成一半。
更深層來看，三大斷點互為因果。因此，干濕閉環不是單點技術優化問題，而是需要硬件與軟件協同重構的系統工程。
「化學積木」彌合斷層：標準化功能單元搭出場景化平臺
通過上述論證，四層架構中，實驗層是落地難度最高的一環。該層級大量核心組件需要從零開展定制化研發，具備投入規模大、研發周期長、標準化難度高的特征。即便全部核心硬件組件研制完成，也僅僅只是基礎；連續反應系統是強耦合的動態體系，單條產品線的調試打通通常仍以年為單位，在持續迭代過程中沉淀的工藝 Know-how 與工程經驗，無法通過簡單的自動化堆砌而達成。
歐世盛的思路是搭建完備的「化學積木」體系：提供精密配料、控溫反應、固液分離、樣品采集、在線分析等標準化功能模塊。每一塊「積木」在機械接口、電氣接口、通信協議與數據格式四個層面遵循統一規范，因此可以按不同研發場景組合為完整的應用平臺。
該體系歷經十余年的持續迭代與技術積累，完成了從功能模塊到集成單元、從集成單元到完整平臺，最終構建成全流程自驅動實驗室的發展歷程；截至當前，已積累形成近百種標準化硬件構件，覆蓋高/低溫、高壓、強腐蝕、光電等外部能量場，實現各場景應用平臺的快速標準化交付。反應類型上，從過渡金屬催化偶聯（Suzuki、Heck、Negishi）、氧化還原、親核取代與縮合、環化加成，到低溫金屬有機反應（鋰化、格氏、鋅化）、光化學與電化學合成，再到低聚酰胺、聚醚類聚合；能源與催化方向上，加氫、選擇性氧化、烴類裂解、異構化、重整與費托合成、二氧化碳轉化等類型。適用邊界可以明確表述為：除高分子高粘度體系、氟化工等相關工藝等當前尚不適用外，95%的反應類型均可通過對應平臺承接。
閉環的「大腦」：三層軟件架構，讓積木可被智能調用
在「化學積木」完備的前提下，軟件是實現 AI 關聯與智能實驗的關鍵樞紐，也是整套體系的「核心大腦」。它承擔五項職能：
設備控制。統一調度接入體系的所有硬件積木，將跨設備、跨單元的復雜流程編排為一條可自動執行的工藝流。
協議打通。在通信協議與數據格式層面屏蔽設備差異，使所有積木遵循同一套語言——這是積木能夠自由組合的技術前提。
數據上傳 AI。實驗的設定值與實測值被自動關聯、結構化歸檔，可直接上傳至 AI 模型，全程無需人工轉錄。
標記與分類。數據在進入模型之前即攜帶完整的工藝背景（投料、條件、過程、結果），被自動標記與分類，成為可建模的數據資產，而非孤立的數字。
AI 指令分解與執行。AI 輸出的抽象指令——例如一組候選反應條件——被自動分解為各設備的可執行參數序列并下發，執行結果再回流 AI。
從架構看，這是一套三層體系：向上承接模型層——通用大模型、垂類領域模型與工具類、計算類模型，由科研智能助手 Ora 統一調用各類 Agent 與技能，將算法建議轉化為設備可執行的實驗任務；向下貫通硬件層——對配料、合成制備、在線檢測、后處理、物料管理、分析表征、轉運各環節實施編排、控制與記錄；橫向沉淀數據層——從實驗規劃、實驗執行到檢測評價，全流程數據以統一元數據規范歸檔，積木被智能調用。至此，閉環的完整回路得以接通。
不是藍圖：干濕閉環正在真實實驗室里運行
這套體系并非規劃中的藍圖，而是歐世盛已在高校、科研院所與產業一線運行的現實。歐世盛閉環式合成設備已完成多賽道商業化落地，覆蓋制藥、精細化工、催化劑、新能源、半導體、國防安全方向等核心領域。
小分子制藥與有機合成方向
毫克級高通量全自動合成工作站。24通道并行反應，正壓膜固液分離，Rf值判定，平行濃縮，產物確認，噴碼掃碼——配料、反應、分離、純化、濃縮、收裝全流程無人值守，自動輸出結構化報告。
克級高通量合成工作站。無需重新摸索工藝參數即可實現毫克級篩選結果的線性放大，全流程覆蓋配液反應、萃取過濾、干燥刮料、柱層析、濃縮、稱重與NMR前處理，各工序靈活可調，支持非線性流轉與中途折返，可隨時返回中間環節迭代優化，顯著縮短從合成到合格樣品交付的周期。
小分子合成平臺。將配料合成與后處理拆分為兩套獨立自動化工作站，實現無水無氧環境下的高通量平行合成與連續化樣品后處理，支撐大量小分子候選化合物快速制備。
材料科學方向
低聚材料合成平臺。多種粘度體系下配料、抽濾、離心、濃縮與在線檢測一體化集成，面向光電顯示材料、光刻膠、樹脂與改性聚合物。
高通量光化學惰性氛圍合成系統。串聯雙手套箱架構，多種光源靈活切換，配液、反應、取樣全程置于惰性氛圍內貫通運行；服務于藥物中間體、精細化工與醫藥骨架分子、有機光電材料的合成。
電化學合成平臺。以電子轉移為媒介、在電場驅動下實現溫和條件的高效轉化，面向燃料電池、納米材料、二維材料與電化學水處理。
鈣鈦礦合成平臺。覆蓋溶膠凝膠與共沉淀制備、老化、干燥、焙燒與光催化性能評價全流程，面向鈣鈦礦、碳基復合材料與納米光催化材料。
能源與催化方向
催化劑合成無人實驗室。從浸漬法、共沉淀法制備催化劑到性能評價與在線分析，全流程無人化。其中全自動催化劑評價裝置為國產化應用提供了可行方案，實現了裝備的國產化替代。
國防與安全方向
含能材料連續硝化平臺。原位混酸配料、微反應連續硝化、在線淬滅、油水自動分離與洗滌全流程連續化，以連續流方式實現高危硝化反應的本質安全。
目前服務的頭部客戶涵蓋藥明康德、康龍化成等醫藥 CXO 龍頭，京東方等半導體顯示企業，巴斯夫、贏創等國際化工企業，以及國內石油石化系統等能源化工機構，充分印證高通量合成方案跨行業的普適價值。
同血緣數據：閉環沉淀的不只是實驗結果，更是資產
前文提到了，AI 需要的是同血緣的高質量數據：純凈、包含負樣本、連續可溯源。由上述干濕閉環實驗運行產出的數據，提供AI所需的高質量同血緣數據：全流程在同一平臺內完成，消除人工操作引入的系統誤差；包括失敗實驗在內的全部數據被自動歸集——負樣本不再流失，模型不僅學習可行路徑，也能學習失效邊界；實驗工況與原始譜圖自動綁定，形成完整血緣，避免人工轉錄造成的數據混亂。
更關鍵的是，由于所有平臺運行在同一軟件架構與同一數據規范之上，不同場景、不同設備產生的實驗數據天然同構：同一套字段、同一套工藝背景標注、同一套血緣關系。這意味著數據可以跨平臺匯聚、橫向比較、合并建模——每多落地一個平臺、每多運行一次實驗，數據資產就增厚一分。先前形成的數據孤島也隨之被打通。閉環不僅解決單次研發的問題，更在沉淀一種隨時間增值的科研基礎設施。
展望：把干濕閉環部署到更多科研一線
AI4S 走到今天，上游三層架構的迭代的速度已足夠快，真正決定這條賽道奔跑速度的是實驗層。設備能否支持程序化調用、過程數據能否滿足標準化要求并完成完整采集、所得數據能否為上游人工智能模型所用，以及實驗結果能否對人工智能模型形成反向反饋，自動驅動下一階段的決策優化，最終實現從單一獨立設備到AI科學系統中。
歐世盛目前已在該賽道形成先發優勢。下一步，歐世盛將把這套干濕閉環能力部署到更多高校、科研院所與企業的研發一線，推動化學研發新范式。
站在化學研發的行業視角來看，AI4S 正在重塑實驗研發模式，而配套國產智能裝備的成熟，讓這套新研發范式有了落地載體。在這條賽道上，軟硬件一體化的完整閉環仍是稀缺能力 —— 而歐世盛已經跑通了這一閉環。
