scenario l3 / 中长期 · 科学研究侧
自驱动实验室（SDL）
Agent 提假设 → 主动学习选点 → 调度自动化设备 → 读取表征结果 → 更新模型 → 下一轮
数据可得性
中
所需数据是否已在手、能否直接用于建模
工程难度
高
从可行性验证到稳定上线的工程风险
实时性要求
中
需要秒级响应，还是天级出报告
评级为面向学习者的教学性判断，用于横向比较场景特点，不构成采购或投资建议。
涉及工序 / 1 道 · 高亮项点击可跳章节
业务痛点，讲人话
材料研发的基本循环是：提假设 → 做实验 → 测表征 → 看结果 → 改假设。
这个循环在传统模式下慢得惊人：一轮几周到几个月，大部分时间花在排设备、等炉时、送样表征、等报告上。真正"思考"的时间只占很小一部分。
自驱动实验室（SDL）想做的，是把这个循环闭合并自动化：
Agent 提假设 → 主动学习选点 → 调度自动化设备执行
↑ ↓
更新模型 ←──── 自动读取表征结果 ←───┘
理想状态下，研究员定义目标和边界，机器整夜整周地跑，早上来看收敛到哪了。
为什么它是"标杆"而不是"首选"
它在 12 个场景里价值极高，但落地排序应该靠后。原因很实在：
硬件改造周期长于软件。 自动化熔炼、自动化热处理、自动化制样与表征——这些设备的改造和联调，周期通常以年计，远长于软件开发。
表征环节最难自动化。 金相制样要磨、抛、腐蚀，SEM/EBSD 制样要求更高。这些步骤目前仍高度依赖人手。
跨设备的调度与状态管理复杂。 一个实验涉及五六台设备，每台有自己的排队、维护、故障。这本身就是一个分布式系统问题。
ai engineer's view
SDL ≈ 带真实世界副作用的 Agent 循环
同样是 plan-act-observe-reflect，但每个 action 都是不可撤销的物理操作，成本以百元千元计，延迟以小时天计。
主动学习 ≈ 采样预算分配
实验预算有限，选点策略（贝叶斯优化 / 不确定性采样）直接决定收敛速度。这是整个系统里技术含量最高的一环。
先闭合软环，再闭合硬环
第一版只闭合「表征—分析—建议」，人来执行投料熔炼。这样软件侧可以先跑起来验证价值，硬件改造并行推进。
数据长什么样
data shape / 本场景吃哪几类数据
熔炼/热处理/轧制/等静压工艺记录、力学性能、蠕变疲劳腐蚀长周期数据、失败案例
瓶颈：无统一实体定义、散落个人手中、失败数据普遍未留存、密级分类复杂
金相图像、SEM/EBSD/TEM、XRD 谱图、光谱数据
瓶颈：标注强依赖专家；不同标准体系的评级口径不统一
冶金机理专业模型、CALPHAD 热力学与相图库、CFD/FEM 仿真结果、数字孪生生成数据
瓶颈：模型未工具化封装、没有统一调用接口——对 Agent 而言等于不存在
标准文本与条款、检测原始记录、判定结论、方法验证数据
瓶颈：标准版本管理、判定链的可追溯性
样例结构 / 教学示意，非真实产线数据
# 一轮 SDL 迭代的完整记录（教学示意）
iteration:
round: 7
campaign_id: "SDL-XXXX"
objective: "在 650 degC 下屈服强度最大化，约束：碳当量 <= 0.45"
#
# ① Agent 的选点决策——必须记录「为什么选这个点」
proposal:
candidate: {Cr: 15.2, Co: 9.1, Al: 3.8, Ti: 3.0}
strategy: "expected_improvement"
predicted: {yield_mpa: 940, uncertainty_mpa: 85}
rationale: "该区域历史样本稀疏，预测方差最大，信息增益最高"
est_cost: {furnace_h: 6, material_g: 500, analyst_h: 3}
#
# ② 设备执行记录——自动采集
execution:
- {device: "真空熔炼炉-01", step: "熔炼", status: "done", actual_temp_c: 1520}
- {device: "热处理炉-03", step: "固溶+时效", status: "done"}
- {device: "自动磨抛-01", step: "金相制样", status: "manual_fallback"} # ★ 常见
- {device: "SEM-02", step: "组织表征", status: "done"}
#
# ③ 观测结果
observation:
yield_mpa: 905
gamma_prime_fraction: 0.44
note: "低于预测，落在预测区间内"
#
# ④ 模型更新
model_update:
posterior_shift: "该区域预测下调约 3%"
next_suggestion: "…"注意 rationale 和 est_cost 字段：SDL 的每一次决策都要能被研究员审查——「为什么选这个点、花多少钱、期望学到什么」。不可解释的选点，研究员不会批准。
分阶段建议
阶段一：闭合分析环（软件为主） 表征数据自动汇聚 → 自动分析（金相评级、EBSD 处理、谱图解析）→ 更新模型 → 给出下一轮建议。 执行仍由人做。这一版就能显著提效，而且不依赖任何硬件改造。
阶段二：闭合表征环 自动制样 + 自动表征 + 自动读数。这一步的硬件投入开始变大，但表征恰恰是重复度最高、最值得自动化的环节。
阶段三：闭合执行环 自动投料、熔炼、热处理。这一步周期最长、投入最大，需要提前半年到一年启动硬件侧准备。
必懂概念 / 6 张
ai engineer's view / 换成你熟悉的说法
SDL ≈ 带真实世界副作用的 Agent 循环
同样是「提假设—执行—观察—更新」，区别是每一轮 action 要消耗真实材料、真实炉时，回滚成本极高。
主动学习 ≈ 采样策略
实验预算有限，选点策略（贝叶斯优化 / 不确定性采样）直接决定收敛速度。
先闭合软环、再闭合硬环
第一版只闭合「表征—分析—建议」，不闭合「投料—熔炼」。设备自动化改造周期通常远长于软件。
延伸学习
相关场景