如今AI化學領域，論述往往聚焦于模型架構、算法創新與預測準確率。各類大模型不斷刷新預測指標，逆合成、反應產率預測的演示效果亮眼。但行業里一直存在一個尷尬現實：論文里效果好的模型，落地到實驗室做濕實驗，常常無法復現。業界常將落地失敗歸因于算法能力不足，但真相是：預測結果看著正確，不等于實驗就真的能做出來。制約 AI 化學發展的核心瓶頸，往往不是模型架構，而是最基礎的問題 —— 我們的實驗數據從哪里來，數據本身是否可信。

瓶頸1 數據供給缺陷——實驗執行是AI 化學最薄弱的環節

在“設計—合成—表征—優化"的研究閉環中，真正生產“真實數據"的環節是執行。多數關于 AI 化學的討論將模型置于主角地位，將執行視為機械、低附加值的重復環節；但事實上，自動化并非 AI 的配角，而是 AI 化學能否成立的前提條件。

自動化高通量執行與 AI 的關系，可概括為：高通量平臺提供產能即數據供給，AI 提供決策；產能是決策得以成立的基礎。自動化高通量實驗產出更高質量的數據，供給 AI 模型，使其作出更可靠的解讀與決策；缺乏自動化高通量執行，AI 便無實驗可供學習，閉環將在執行環節中斷。

【三層架構示意圖】

該框架揭示：能否從部署層邁向發現層，并不僅僅取決于發現層模型之強弱，更多在于是否具備將實驗標準化、自動化、可重復地實施的能力，但目前市場上多數面向反應預測的AI產品集中在部署層，執行層缺失，讓發現層無從施展。

瓶頸2 數據原生缺陷：選擇性報道與負數據缺失帶來模型幻覺

現實中的矛盾在于，學界往往將“具備預測能力"等同于“掌握化學實踐"。模型在測試集上追求指標優化，并不保證其在真實實驗室中產出可復現的結果。現有可獲取的大規模數據，大量源自經過發表篩選的樣本——這折射出化學文獻中長期存在的選擇性報道偏差：僅報道高收率結果，而將因操作標定、過程控制差異而產生的低產率與失敗樣本（即“負數據"）排除于訓練集之外。若將此類篩選后的語料作為訓練集，模型習得的將是一種被修飾過的“現實"，進而產生看似合理卻無法復現的結論，即所謂幻覺。

這正解釋了為何不少化學大模型“表述嚴謹而實踐失靈"：其推理能力未必不足，而是其所依賴的“事實"本身即經過篩選。因此瓶頸不僅是數據規模，更是數據質量——質量取決于執行環節的可靠性實證研究，為此提供了量化證據：當從訓練集中剔除低收率樣本時，產率預測模型的誤差上升超過 50%；而人為引入實驗誤差（如收率波動）對模型性能的影響卻小于 10%。該結果表明，相較于實驗噪聲，選擇性報道造成的“負數據缺失"對模型可信度的損害更為根本。換言之，與其從結構混亂的電子實驗記錄（ELN）中勉強挖掘，不如以高通量實驗（HTE）自主生成干凈、標準化的數據。

首先，我們要澄清一個客觀事實：自驅動實驗室（SDL）不是 AI 產物，自動化覆蓋能力才是現實約束。回顧技術演進史，有助于厘清SDL的源流。自上世紀中葉自動分析儀問世，到微處理器進入實驗室、開源編排軟件協調機器人與 AI、云實驗室將“遠程實驗"變為現實，再到近年來以數字孿生在物理執行前先行虛擬驗證——SDL 本質上是實驗室自動化數十年積累的延續，與前端數據科學的結合，并非由 AI 浪潮憑空催生的新概念

然而，化學 SDL 的覆蓋始終有限。化學體系種類繁多、條件千差萬別，化學空間極其廣闊而難以窮舉，但訓練數據永遠偏倚且稀疏。模型所學本質上是訓練分布的統計規律，難以泛化至未覆蓋的物理化學機制；任何一套自動化平臺覆蓋的都只是局部反應空間。這反過來點明今日真正的瓶頸：制約 AI 化學的，往往不是“AI 不夠強"，而是“反應端自動化積累不夠深、覆蓋不夠廣"。對許多實驗室而言，其閉環能力受制于自動化成熟度的顯著差距。

一個工程范本可將上述判斷坐實。發表于 JACS Au 的《Accelerating Reaction Discovery through AI-HTE Integration:Nitrene-Mediated C–O Coupling as a Validated Case Study》以氮烯介導的 C–O 偶聯開發無異氰酸酯氨基甲酸酯合成新方法，并同步建立一套經過嚴格前瞻性驗證的 AI-HTE 流程。注意其因果順序——并非先有模型再補自動化，而是：先有自動化平臺產出的標準化數據，模型才“可信"。在 5 μmol 自動化 HTE 平臺上執行預注冊的 108 種催化劑–溶劑組合矩陣，確立條件；再構建 480 個反應的建模集，并預先定義組分不重疊驗證集與類別偏移驗證集以嚴格防泄漏。模型 XGB + RDKit 描述符，5 折交叉驗證 R2 = 0.90、MAE = 5.1%；類別偏移驗證集（苯酚 → 脂肪醇）MAE = 6.7%，證明學到與底物類別無關的規律；ML 引導策略將“找到 10 個高產率反應"所需實驗從約 150 次降至 17 次，綜合減少 60–90% 實驗量。因果鏈十分清晰：自動化執行層先把數據做“干凈、標準、可重復"，預測層才站得穩。

【AI?HTE 主動學習閉環】

瓶頸3 數據無血緣：可追溯性缺失使“干凈數據"仍不可信

即使前兩重瓶頸緩解——執行持續產出數據、負樣本納入訓練——數據若無法追溯來源，“可復現規律"與“偶然命中"便難以分辨。數據有通量、有正負卻無血緣，構成第三重困境。

現實中，文獻收率一經發表即脫離實驗上下文，ELN 筆記常缺儀器編號、物料批次與操作步驟。無血緣數據不可復核、不可比、不可生長：事實無從對質；數據稀疏離散則再優架構難學習；新數據難對齊則主動學習閉環易斷。

更關鍵的是，血緣不隨自動化自動解決：執行與負數據關乎“有沒有、全不全"，血緣關乎“信不信得過"——高通量平臺若無溯源記錄，只是更快地產出無血緣數據。

破局路徑：讓每一條數據攜帶完整血緣

落到執行層之后，破解之道卻相對清晰：根本路徑只有一條——為每一條數據賦予完整的“血緣"。一條可信的數據點，應當能夠展開追溯，唯有可追溯，方能經得起檢驗。模型所獲取的不再是經過篩選的結論，而是帶完整上下文的“事實"。數據血緣構成了信任的基石：AI 的輸出應被視為“可執行但暫定的假設"，而假設能否成立，正由血緣決定。

接下來提到的研究為此提供了基礎設施層面的佐證。Swiss Cat+ 團隊提出的面向高通量數字化學的 FAIR 研究數據基礎設施將完整實驗、原始數據與元數據封裝于標準化格式中，并系統性地同時記錄成功與失敗實驗，以增強數據完整性與可追溯性，進而構建抗偏見的 AI 訓練數據集。這與本文主張的數據血緣思路高度一致。

【工作流程架構流程圖及在Swiss Cat+ West中心實現的標準化數據輸出格式】

綜上，數據血緣的實施依賴于實驗執行全流程的標準化記錄能力，這需要硬件、軟件與數據規范的協同配合。

行業驗證：AI-高通量驗證閉環基礎設施的產業實現路徑

綜合前述分析，想要實現 AI 化學的可信落地，需要同時滿足三項核心條件。

第一是執行層標準化。需要具備高通量、可復現、標準化的濕實驗執行能力。缺少這一基礎，數據血緣便無從談起，主動學習閉環也難以真正運轉。

第二是全鏈路的數據血緣采集。正如前文論述，每一條實驗數據都需要附帶完整的執行元信息、實驗上下文參數以及全流程溯源記錄，才能把經過篩選修飾的 “實驗結論" 還原為可復核、可檢驗的客觀事實。僅僅依靠數據格式規范無法實現該目標，它依賴自動化平臺閉環能力、固化的執行 SOP、一體化的數據采集機制以及數據原生的標準化輸出。

第三是模型層與執行層職責分離且協同工作。模型負責研判研發方向，輸出可落地的科研假設；執行層負責把假設轉化為真實物理實驗，并回傳攜帶完整血緣的實測數據。二者分工明確，完成閉環迭代。

以上三項條件，指向一套特定的基礎設施能力：既要能夠完成濕實驗自動化硬件的設計與集成，又擁有貫穿實驗全流程的數據采集與溯源能力，還可以把模型輸出轉化為設備能夠識別執行的標準化指令。

【化學合成全流程執行層、數據層成熟度與現存痛點】

回看完整的化學合成工作流可以發現，實驗鏈條各環節自動化成熟度并不均衡：前處理與分析環節技術相對成熟；配料環節毫克級微量固體加料仍存在技術難點；反應、后處理、分析前處理是現階段自動化落地的主要痛點。與此同時，數據領域普遍存在標準缺失，實驗過程元信息難以被系統性留存。

面對這些現實約束，這套底座搭建起高質量數據產線，覆蓋從前處理到分析的完整合成鏈路，實現任務調度與全鏈路數據血緣采集，形成 “數據產生?采集?反饋" 的主動學習研發閉環。模型層完成預測與方向推演，執行層承載真實化學反應，二者各司其職，共同構建出可執行、可追溯、可評價、可持續改進的 AI 化學研發基礎設施。

在AI賦能化學研發的賽道里，自動化并非輔助配角，而是整套體系得以成立的先決條件。當行業普遍聚焦于大模型能力迭代時，真正的核心差距在于：誰能夠搭建起穩定可靠的執行層，同時完整留存全流程可追溯的數據血緣。