当算法敲开实验室门：人机协同研发的破局与边界

上个月赶去南京参加0923的产学研对接会，蹲在新材料展区看了一个多小时，亲眼见团队负责人翻出半年前的项目进度表——原本预计十八个月才能完成的高温合金配方筛选，四十天就出了三个合格候选。当时惊得我手里的冰咖啡都放温了。

拆掉分工的围墙

很长一段时间里，行业默认的规则是人干创意，机器干计算。人圈定方向，机器做重复运算出结果。这套逻辑跑了很多年，直到最近一两年，越来越多跑通的项目把它推翻了。

我认识一个做抗肿瘤药物研发的课题组，两年前按照老思路，由资深教授圈定十个可能的靶点，再用模型做验证筛，算了快两年，连个能进细胞实验的候选都没有。后来组里一个年轻博士换了玩法：不给机器设任何预设范围，让它全基因组扫可能的结合位点，再把所有靶点按照结合能力排序，最后排到前三的靶点，全是领域里没人研究过的冷方向。现在其中一个已经进了临床前验证，进度比同方向的团队快了至少两年。

本质上，这是分工的重构：机器负责跳出人类的经验盲区，找那些我们不敢想、想不到的方向，人负责卡边界、做验证，把机器天马行空的结果落到地上。

这件事说起来简单，真做的时候，九成团队第一步就走错了。

被跨过的默会知识鸿沟

很多团队掏大价钱买算力、训大模型，把攒了十几年的实验数据一股脑喂进去，最后出来的结果根本没法用。问题出在哪？不是算力不够，是你的数据里，缺了研发里最值钱的那部分东西。

前阵子听南京江北新区一个芯片设计团队的负责人吐槽，他们去年花了近三百万搭了协同研发系统，跑出来的前端布线方案，理论上芯片利用率比人设计的还高两个百分点，结果流片出来，良品率连百分之三十都达不到。干了三十年设计的总工拿过去看了五分钟，就指出问题：机器根本没考虑到这条产线做14nm工艺时，温湿度波动带来的晶格应力偏差，这个偏差每个厂都不一样，只会写在工艺部的内部笔记里，根本没人整理进训练数据集。

这就是最容易被忽略的问题：研发里大量的核心经验是默会知识。那些做了几十年的老研发人员，能靠感觉说出“这个配比不对，上次出问题就是这个味儿”，这种没法量化的经验，才是帮研发踩刹车的关键。机器学不到，就永远出不了能用的结果。

要填这个坑，核心是做认知对齐——不是把人的结果转换成数据给机器，是把机器的输出转换成研发人员能读懂的逻辑，让人和机器能互相读懂对方的思考。很多团队搞反了，逼着人去适配机器的逻辑，最后自然跑不通。

落地要找小切口，别贪大

说实话，现在这个领域泡沫不少。张嘴就是全流程替代，闭嘴就是颠覆研发，一堆蹭概念的项目拿着融资烧钱，最后连个能用的小样都拿不出来。

我见过跑通的项目，全都是从小切口切进去，没有上来就搞全流程替换的。比如做新材料的，先让机器干配方筛选，人干最终验证；做药物的，先让机器干靶点预筛，人干后续实验；做芯片的，先让机器干初步布线，人做最终优化。先把研发人员从最耗时间、最重复的劳动里解放出来，再慢慢扩范围，这才是走得通的路。

也要说清楚边界，什么时候绝对不能把决策权扔给机器？涉及合规、伦理、方向判断的地方，必须人卡最后一关。我听过一个例子，某团队用机器找新的化工合成路径，机器跑出来的方案转化率比现有方法高整整二十个百分点，结果最后审核的时候才发现，整个路径核心溶剂是一类致癌物，根本过不了环保审批，机器的训练集里根本没加合规限制，白忙活了三个多月。

不过话说回来，泡沫归泡沫，方向本身没错。它不是要替代谁，是帮研发把原来跨不过去的门槛给垫低了。原来一个课题组一年只能试十几个配方，现在机器能帮你试几千个，研发人员不用天天守着反应釜记数据，能腾出时间想真正重要的科学问题。

上次在南京展馆，那个新材料团队的负责人说了一句话，我记得特别清楚：原来我们这行，拼的是谁能熬得住十年试错，现在拼的是谁能想清楚，到底让人和机器各站什么位置。对吧？