当前位置:首页 > 科研成果库

人工智能辅助创新:卡住我们的从来不是点子,是验证太贵

2026-11-18 12:59:55小研科研成果库8

去年秋天,我在江北一家做特种胶黏剂的小厂待了两天。车间里那股氨味到现在还记得,混料间一台老搅拌机嗡嗡转。带我的是个五十来岁的老师傅,姓陈,手背上全是烫出来的旧疤。他说调一个耐高温配方,正常得走小试中试,一轮三个月。三个月,还得运气好。

后来他们上了套东西。不是什么大模型,就是一个带约束的贝叶斯优化脚本,配一台能自动称量、自动测粘度的实验台。陈师傅一开始特别不屑,说机器懂个屁的胶。

第四周,脚本给的配方他看都没看懂,两个组分的比例在他三十年经验里属于“乱来”。他骂骂咧咧地做了,结果玻璃化转变温度比他自己调的那版高了十几度。

我问他服不服。他嘬了口烟,说,服一半。因为它不懂为什么。

创新真正的成本,藏在“验证”这两个字里

我们平时聊创新,总喜欢聊灵感、聊灵光一现。扯淡。真的做过研发的人都知道,点子从来不缺,纸上画一画,谁都能蹦出七八个想法。真正把你拖死的是验证:一次实验要多少钱、多少时间、多少人盯着。

这里有个特别朴素的估算。假设一个配方有十个组分,每个组分的比例只取一百个档位——听着不多吧?那组合空间就是一百的十次方,写成数字是1后面二十个零。宇宙里的星星加起来也没这么多。你拿人肉去试,试到地球毁灭都试不完一小角。

所以问题的本质变了。它不再是“我能不能想到好方案”,而是“在有限次实验的预算下,我怎么能更快地逼近那个好方案”。

这就是人工智能辅助创新真正发力的地方。它干的第一件事,不是替你产生灵感,是替你省钱。

材料实验室自动配方称量实验台机械臂材料实验室自动配方称量实验台机械臂

具体怎么省?说一下那套脚本的逻辑,其实不复杂。你先随便做十来个实验,哪怕瞎做也行。模型拿到这十几个点,拟合出一张“地形图”——哪些区域看起来有戏,哪些明显是坑。注意,这张图是猜的,准确度有限。然后它不急着去图上的最高点,而是算一个叫“采集函数”的东西,专门挑那种“要么很可能是好的,要么我特别没把握”的点让你去试。

这俩动机是打架的。一个叫利用,一个叫探索。前者是赶紧去挖已知的好矿,后者是冒点险去没人去过的地方看看。采集函数干的就是在这两者之间找平衡。

我常拿大雾天爬山打比方。你在一座看不见顶的山里,能见度二十米。你不可能直接看到峰顶在哪,只能走一步、测一下脚下高度、更新一下脑子里那张地图,再决定下一步往哪迈。走得越多,地图越准。贝叶斯优化的精髓就是:每一轮实验的信息量,都被榨干了用。传统的正交实验或者单因素轮换,试完一个点,这个点得到的信息基本就扔了。

这里插一句,很多人以为这套东西要大数据,要几千几万条记录。恰恰相反。它最强的时候,是数据少到可怜的时候——十几个点就能起步。但代价也很直接:你的先验假设得靠谱,模型得选对。如果物理规律本身不光滑、一锅胶里冒出一堆离散的相变,那高斯过程那张光滑的曲面就彻底骗了你。

生成模型那一半,是完全另一码事

上面说的这类是“搜索型”的:候选空间已经给定,模型负责高效地翻找。还有一类是“生成型”的,模型直接给你造出新东西。蛋白质设计就是典型。自然界里存在的蛋白质序列,跟所有理论上可能的序列比起来,少得跟没有一样。扩散模型干的事,是从噪声里一步步“去噪”出一段能折叠成特定形状的氨基酸链。

这两类的脾气完全不同。搜索型靠的是评价函数,它关心“这个有多好”;生成型靠的是分布,它关心“这个像不像真的、合不合理”。

蛋白质扩散生成模型去噪折叠过程示意图蛋白质扩散生成模型去噪折叠过程示意图

麻烦也在这儿。生成模型最容易犯的错,是给你一堆“看起来很美”的东西。它学会了训练数据里的审美,于是产出的分子、序列、结构,全都长得规规矩矩、似曾相识。你想要的是惊喜,它给你的是平均值。

这就引出一个挺反直觉的观察:让模型一味追求“合理”,恰恰会扼杀创新。很多突破性的分子或者结构,在当时的认知里都是“不合理”的。所以真正做设计的人,会在采样的时候故意留一点温度,故意让它稍微“跑偏”一点,然后再用物理模拟去筛。

生成和筛选,得配合着来。单靠任何一边都是瘸的。

我见过最容易踩的三个坑

说点扫兴的。

坑一,评价函数写错了,后面全白搭。这是最常见也最致命的一种。你嘴上说要耐高温,实际代码里优化的是某个温度点下的模量,模型就会精准地把你带到一个模量爆表、但一遇热就软掉的鬼地方。指标和真目标脱钩,模型越聪明,跑得越偏。这就是所谓的“一旦某个指标变成目标,它就不再是好指标”。做研发的都知道,很多性能指标之间是互相打架的,你把一个拎出来当靶子,别的就塌了。所以评价函数往往得是一个多目标的东西,还得带一堆硬约束,写起来相当啰嗦。

坑二,数据分布太窄,模型只会原地打转。你厂里过去十年都是那几条工艺路线,数据全挤在一小块区域。模型学完之后,给你推荐的“新方案”,全都在老方案的裙边附近晃。它不敢往远处跳,因为远处它一无所知。想让它真的跳出框,要么你主动喂一些刻意离谱的实验点进去,要么换一种探索策略。指望它自己开悟,很难。

坑三,也是最隐蔽的一条:人会把模型当预言机。点一下按钮,等它吐一个“最优解”,然后照着做。这么用,你很快就会发现效果一般。真正跑得好的团队,是把模型当探针——它给的每一个推荐,背后都带着一个“为什么是这个”,那个理由本身才是最有价值的产出。它会告诉你,它其实对某个变量的作用方向完全没把握,或者它觉得两个变量之间存在一个它没见过的强耦合。这些信息,比那个配方数字值钱多了。

贝叶斯优化代理模型采集函数迭代采样流程图贝叶斯优化代理模型采集函数迭代采样流程图

那条线划在哪儿

那条线划在哪儿那条线划在哪儿

我自己的判断标准特别简单粗暴:看验证一次要多少钱。

验证便宜的地方——跑一段代码、算一个仿真、做个几小时的实验——AI辅助创新简直是降维打击。它能一天迭代上千轮,把人类几十年的经验空间一天翻完。芯片的布局布线、算法的超参、催化剂的初筛,都是这个逻辑。

验证昂贵的地方,比如电池要做几百次循环充放、新药要过临床,AI的角色立刻变了。它不能替你砍掉验证,只能帮你把有限的实验名额花在刀刃上。从“帮你找答案”退回到“帮你排优先级”。这个退步听着不大,实际价值天差地别,很多宣传里故意把这两件事混着说。

还有一层边界,比成本更根本:谁来定义问题。模型能在一个给定的目标函数上翻山越岭,但它不会告诉你这山是不是你真正想爬的那座。你把问题问错,它只会更快地给你一个错误的答案。陈师傅那句“它不懂为什么”,戳的就是这个地方。他三十年积累的手感里,藏着很多还没被写进任何目标函数的约束——什么情况下会析出、什么批次原料有猫腻、什么工艺窗口一到夏天就漂移。这些隐性知识,模型拿不到,因为它没被写下来过。

所以我现在越来越觉得,人工智能辅助创新这件事,真正的门槛不在算法,在于你有没有能力把你脑子里的隐性判断,逼成一条条能写下来的目标、约束和先验。这个过程极其痛苦,比调模型本身痛苦十倍。

但恰恰是这个被逼着写清楚的过程,往往就是创新真正发生的地方。

陈师傅最后跟我说,他现在每周会花半天时间,把那些“凭感觉”的判断一条条记下来。写得很糙,错别字一堆。他说,先记着,谁知道哪天用得上。

我觉得这可能是他这辈子做过的最聪明的一件事。