有幸参加了今年的科学智能峰会，收获颇多。最让我印象深刻的是，很多实验室已经部署了高通量实验设施，每天能产生几百上千个数据点。这个改变意义重大，它标志着实验和工艺设计优化即将脱离'小数据'时代，而这或许将会重塑工业AI优化的范式
作为一个工业AI从业者，高通量实验的普及让我异常兴奋。数据量不足一直是制约工业AI发展的最大瓶颈，而数据量的解放基本上可以约等于生产力的解放。接下来要做的，就是探索最优的底层AI技术，并打造一个人人可用的工具，把它交到每位实验科学家手中，真正释放他们的创新潜力！
在'小数据'时代，实验和工艺优化主要依赖于基于高斯过程的贝叶斯优化。这是一个经过充分验证的方法：它能很好地处理总实验次数在几十到几百次的场景，在约二十维度以下的参数空间中表现稳定，而且能够给出预测的不确定性，帮助我们在探索（exploration）和利用（exploitation）之间做出权衡。当样本量低的时候，学术界也对高维贝叶斯优化做了较多的探索，虽然大多数方法并未得到充分的工业验证。
但是当我们每天能产生成百上千的数据点时，传统的贝叶斯优化方法就显得力不从心了。首先是计算效率的问题 - 高斯过程的计算复杂度会随着数据量的增加而急剧上升。更重要的是，在这个新的数据量级下，我们需要重新思考优化策略：如何设计每天的成批实验？如何高效利用暴增的数据来提升模型性能？如何在不同实验之间进行知识迁移？这些都是亟待解决的新挑战。
模型选择
在这个新的范式下，我们首先需要重新思考底层AI模型的选择。当数据量从几百条扩展到几万甚至上百万条时，我们需要一个能够随数据量增长而不断提升性能的模型。传统的高斯过程虽然在小数据场景下表现优异，但其计算复杂度使得它难以应对数据量的大幅增长。
更重要的是，在小数据时代，模型的预测性能与优化效果之间并没有很强的相关性。这是因为数据太少，即使在历史数据上取得了不错的预测精度，也很难保证模型具有良好的泛化能力。但在新的范式下，当我们能够自主产生大量数据时，我们可能可以从根本上改变这个情况 - 建立起预测性能和优化效果之间的直接联系。这意味着我们过去十几年在提升预测模型方面积累的丰富经验，都可能可以被用来提升优化效果。
策略优化
当我们每天可以同时产生成百上千个数据点时，如何最优地设计这些实验点成为了一个新的挑战。我们需要在每个批次中平衡探索和利用，同时确保批次内实验点的多样性。这可能需要在优化算法中加入多样性惩罚项，避免在同一批次中选择过于相似的实验点。
这个问题在传统的贝叶斯优化中很少被关注，因为在小数据时代，我们往往是一个点，或者最多几个点为一组来设计实验。但在高通量时代，如何高效地设计大批量实验点，可能会直接决定优化的效果。
知识迁移
当我们可以产生大量高质量的数据时，我们终于可以开始认真思考AI最强大的优势 - 知识迁移。在小数据时代，每个实验的数据量都很有限，我们很难验证模型的迁移效果。但在新的范式下，我们将可能有足够丰富的数据来训练模型，并开始对在优化框架下的迁移学习进行深入探索。
这意味着我们可以开始尝试打通不同实验之间的边界，挖掘它们之间的相似性，可能可以利用这些数据来训练一个基座模型，或者使用多任务学习的方式来充分利用所有的数据信息。这样，当我们开始一个新的实验时，就可以从一个很高的起点出发。
这种知识的累积和迁移，可能会是未来工业AI最核心的竞争力。因为在工业场景中，很多实验和工艺应该都存在着潜在的关联，如果能够有效地利用这些关联，我们就能大大加速优化过程，降低实验成本。
工具开发
最后，要真正释放高通量实验和AI优化的潜力，我们可能还需要一个简单易用的工具。如果类比深度学习的发展历程 - TensorFlow和PyTorch的出现，让AI技术真正走向普及，极大地提升了所有从业者的生产力。技术的革新固然重要，但只有当使用的门槛足够低，才是一个领域蓬勃发展的时候。
在实验和工艺优化这个领域，这一点可能更为重要。除了学科之间的差异外，AI优化本身又是一个非常精细的工作，差之毫厘可能谬以千里。过去的工作大多集中在利用AI做预测本身，而不是在利用AI做优化上面，这使得大家对这块的理解还不够深入，使用门槛也相对较高。
一个通用的、简单的AI优化工具，很可能会是连接实验科学家和最前沿AI优化技术的重要桥梁。
这将会是一个让我们热泪盈眶的新时代。希望更多的企业和AI爱好者能够参与到这场变革中来，携手推动这个领域的发展，让AI+实验科学更快地成为现实。
