爱迪生时代的终结： 闭环 AI 时代的 确定性发现

执行摘要

材料科学与药物发现的历史一直由一种 持久的方法论所定义：爱迪生式方法。其特征是高通量试错、 人类直觉与偶然发现，这种方法为人类服务了一个多世纪， 从电灯泡到第一代合成药物，带来了诸多创新。然而， 随着所需材料复杂性的提升，以及小分子领域的 "低垂果实"被逐步采尽，爱迪生式方法已撞上统计与经济的 高墙。类药分子的搜索空间估计介于 $10^{60}$ 与 $10^{100}$ ¹之间， 这一量级使物理筛选在物理上不可能、在经济上不可承受。 我们正见证直觉驱动发现的黄昏，以及 闭环自主发现的黎明——一种将主动学习、 物理信息机器学习（PIML）与机器人自动化整合为统一 确定性引擎的方法论。

Veriprajna 站在这一范式转变的最前沿。我们认为，研发的未来 不在于更快地移液，而在于更聪明地预测。通过从开环直觉转向 闭环算法选择，企业可以精准地穿越化学的浩瀚空间， 将发现的"艺术"转化为严谨的工程学科。本 白皮书阐述采用 闭环发现实验室的架构、数学与经济必要性。它剖析传统高通量 筛选（HTS）的局限、贝叶斯优化相对随机搜索的数学优势、 "负向数据"关键却常被低估的作用，以及构建 自动驾驶实验室的结构要求。我们挑战对"生成式 AI 封装器"的普遍依赖，倡导深度、符合物理规律的 AI 方案，以重新定义创新 的经济学。

给行业的信息很明确："爱迪生方法"已过时。若您仍在湿实验室中 物理测试新材料而未先进行模拟，您就是在烧钱。 不要猜测再验证。先模拟再选择。

1. 爱迪生式发现之统计不可能性

1.1 试错遗产及其现代局限

归因于托马斯·爱迪生的方法论——测试数千种碳丝以找到 能发光的一种——根植于理论理解远滞后于 实验能力的时代。爱迪生本人及其同时代人如尼古拉·特斯拉， 即使在 19 世纪就已认识到这种方法的极度低效。特斯拉曾著名地 批评爱迪生的方法论，指出"一点理论与计算"本可节省 90% 的劳动。 ³ 尽管爱迪生最终采用了更结构化的方法，其遗产在 现代研发中仍以"蛮力"方法存续：合成并测试海量化合物 库，以期找到"命中"。

在 21 世纪，这种方法已不再可行。低效源于 理论与实验之间的根本脱节，导致一种被称为 "间断进化"的现象。 ⁴ 在此模型中，长期渐进改进 仅被罕见的、往往偶然发现的跃迁所打断。在 能源材料领域，例如，可疑想法因缺乏严格 预验证而存续数年，导致资本浪费于违反热力学 可能性的材料。 ⁴ "快速失败"的口头禅虽流行，却往往在过程中应用过晚。在 传统湿实验室中，失败代价高昂。试剂、合成时间与设备使用消耗 资本。

爱迪生式方法的根本缺陷在于依赖"筛选"而非 "设计"。筛选假设答案存在于预合成库中。然而，当我们 涉足复杂生物制剂、多元合金与纳米结构界面时， 最优解存在于物理可管理库中的概率降至 接近零。爱迪生式方法试图以劳动替代智能，这一策略 随问题空间复杂性增加而呈指数级失效。

1.2 化学空间的天文量级

要理解物理试错的徒劳，必须把握搜索问题的 巨大规模。"化学空间"指由所有 符合给定构建 原则与边界条件的分子与化合物所张成的性质空间。 ¹ 符合 Lipinski 规则（分子量 < 500，原子类型受限）的药理学活性小分子 数量估计为 $10^{60}$。 ¹ 当扩展至更广泛的有机化学空间，包括卤素、 复杂环结构及更大生物制剂时，数量接近 $10^{100}$。 ³

为便于理解，可观测宇宙中的原子数约为 $10^{80}$。标准高通量筛选（HTS）活动可能测试 $10^{6}$（一百 万）种化合物。即使制药巨头筛选十亿种化合物（$10^9$）， 其所探索的也仅为 $0.000000000000000000000000000000000000000000000000001%$ 的可用空间。"小分子宇宙"是天文级的。化学家以 直觉或随机筛选搜索它时，实际上已迷失。 ²

此语境下的"爱迪生方法"犹如用茶匙在随机位置 舀取太平洋海水来绘制地图。没有地图——预测模型——搜索 在数学上注定低效。该空间的绝大多数仍是化学中的 "暗物质"——理论上稳定但从未被 合成或测试的化合物。穿越这一浩瀚的唯一途径是从物理 探索转向计算探索，其中测试假设的成本以 毫秒级计算时间衡量，而非数天实验室时间。

1.3 直觉的经济后果

这种低效的经济后果令人震惊。截至 2024 年，开发一种新 药物的成本已升至约 23 亿美元。 ⁵ 这一数字包括 单一成功之前数千次失败的成本。制药研发的内含报酬率 （IRR）虽近期显现复苏迹象，却在 2022 年触及 12 年低点 1.2%， 2024 年反弹至 5.9%，主要由 GLP-1 激动剂等离群值驱动。 ⁶ 这种 研发生产力下降，常被称为"Eroom 定律"（Moore 定律倒拼），是 靶点难度增加与易发现分子 枯竭的直接结果。

行业面临"专利悬崖"与竞争加剧，必须从 偶然转向可预测。 ⁷ 高通量筛选（HTS）本应通过 工业化试错过程解决此问题。然而，HTS 往往产生高假阳性率 并识别理化性质不佳（如溶解度、毒性）的化合物， 因为筛选是随机的而非理性的。 ⁸ 此外，维持庞大物理化合物库与自动化筛选 基础设施所需的资本支出，对除最大机构外的所有组织都 难以承受。 ⁹

经济现实是：物理实验是研发最昂贵的阶段。 测试热力学不稳定材料或合成可预测为 有毒的分子——是在烧钱。 ¹¹ 要 恢复发现的经济学，我们必须倒置漏斗：进行大规模、低成本的 计算机模拟筛选以识别最高概率候选物，将昂贵的 湿实验室留给验证，而非搜索。

1.4 "更好电池"的错觉与材料失败

爱迪生式方法的局限在材料科学中尤为突出， 其中"更好电池"的错觉说明了直觉主导研究的陷阱。 在追求更高能量密度时，研究者常追求理论上可提供高 性能但实践中违反热力学稳定性或动力学约束的材料。 ⁴ 由于 这些材料未经严格模拟即被物理测试，"死胡同"仅在 大量投资后才被发现。

历史观察表明，电池材料发展遵循 "间断进化"，在新材料类别（如 LiFePO4）发现后出现大幅跃迁， 随后是长期渐进优化。 ⁴ 爱迪生式 方法在优化阶段（渐进进化）相对有效，但 在统计上不太可能找到下一次"大跃迁"（间断进化），因为新 材料类别的搜索空间过于广阔，随机采样无法覆盖。预测性 AI 相反可以 在合成一克之前扫描整个已知与假设无机晶体结构数据库以识别 热力学稳定候选物。 ¹¹

2. 计算必然性：合成之前 先模拟

2.1 物理信息机器学习（PIML）与黑箱 AI

要摆脱爱迪生陷阱，研发必须转向计算机模拟。然而，并非所有 AI 都生而平等。 市场目前充斥着仅从数据 相关性学习的"黑箱"AI 模型。这些模型不足以用于科学发现，因为新领域的实验数据 往往稀疏、嘈杂且获取昂贵。此外，标准 机器学习模型难以外推——在训练数据范围内表现良好， 但当被要求预测全新类别 材料性质时灾难性失败。

解决方案，也是 Veriprajna 产品的核心，是物理信息机器学习 （PIML）。PIML 将基本物理定律——质量守恒、能量守恒、 热力学与量子力学——直接整合进神经网络架构或 损失函数。 ¹³ 我们不再要求 AI 用数百万数据 点从零学习物理（新材料的此类数据并不存在），而是将支配系统的偏微分方程 （PDE）嵌入模型。

此方法提供三项关键优势：

1.​ 数据效率： PIML 模型所需训练数据显著更少，因为"游戏规则" （物理）已知。例如，在材料损伤 表征中，PIML 框架通过强制应力平衡与应变-位移相容性 约束， 在缩减数据集上实现高预测精度。 ¹⁴

2.​ 可泛化性： 纯数据驱动模型在被要求预测训练分布外（外推）时失败。 受物理定律约束的 PIML 模型， 外推能力远优，确保预测在 化学空间未探索区域仍保持物理合理性。 ¹⁵

3.​ 物理一致性： 标准生成式 AI 可"幻觉"出违反 价键规则或质量守恒的分子。PIML 确保系统追踪每个电子， 防止反应预测中物质的虚假创生或消失。例如， "FlowER"（电子重分布流匹配）系统显式 追踪电子重分布以确保化学反应预测中的质量与电荷守恒，这是标准大语言模型 无法做到的。 ¹⁶

2.2 以 AI 超越密度泛函理论（DFT）

密度泛函理论（DFT）数十年来一直是计算化学的 主力，允许从第一性原理计算电子结构。然而， DFT 计算昂贵且随系统规模扩展性差，通常 $O(N^3)$ 至 $O(N^4)$。对复杂分子或晶体表面的单次高保真 DFT 计算可 在高性能计算集群上耗时数天。 ¹⁷ 这一计算成本将 DFT 限制为 验证少量候选物，而非扫描整个搜索空间。

现代工作流利用 AI 以极低成本逼近 DFT 精度。通过在现有 DFT 数据上 训练图神经网络（GNN），我们创建"代理模型"或 机器学习势（MLP）。 ¹⁷ 这些模型可在毫秒而非小时内预测势能面 与力，实现 $1000\times$ 或更高的加速。

●​ 案例： 采用主动学习开发的 ANI-1x 势在分子基准上达到 DFT 级 精度，仅使用朴素 随机采样所需数据的 10%。 ¹⁸

●​ 搜索完备性： 将 DFT 与 ML 结合可计算"搜索 完备性"——估计可发现稳定化合物中被 找到的比例。这使材料发现从开放式搜寻转为有界 优化问题。 ¹⁹ 通过贝叶斯统计模型分析 DFT 能量分布，研究者可判断特定化学空间搜索何时 达到收益递减，从而优化计算资源分配。 ¹⁹

2.3 图神经网络（GNN）与大语言模型的角色

普遍存在一种误解，认为 GPT-4、Claude 或 Gemini 等大语言模型（LLM）是所有 AI 问题（包括科学）的通用解。尽管 LLM 擅长 处理文本并可辅助文献综述、方案生成或编码，它们 本质上难以处理分子的几何与拓扑本质。 ²⁰ 分子 不是句子；它们是由节点（原子）与边（键）定义的 3D 图，具有特定 几何约束、手性与电子性质，无法线性映射为文本 串。

LLM 通常将分子视为字符串表示（SMILES），可能导致 "幻觉"——生成看似有效但对应化学上不可能或 不稳定结构的字符串。 ²¹

●​ GNN 优势： 基准显示，显式建模分子图 结构并在相邻原子间传递消息的 GNN，在涉及几何结构的性质预测任务中 持续优于 LLM。 ²⁰ GNN 具有 "置换不变性"（原子顺序无关，与文本串不同），可直接 纳入 3D 坐标与键角。

●​ 混合方法： Veriprajna 倡导的理想架构是混合 架构。LLM 充当"推理智能体"或"编排器"，解析科学文献以 提取合成配方并设计高层实验方案。同时， 专用 GNN 与 PIML 模型充当"专家引擎"，执行 严格的性质预测、逆向设计与稳定性分析。 ²⁴ 这一"副驾驶" 模型利用 LLM 的语义推理，同时依赖 GNN 的几何精度 承担分子设计的重任。 ²⁴

特性	大语言 模型（LLM）	图神经 网络（GNN）	物理信息 ML（PIML）
数据 表示	一维文本串 （SMILES）	3D 图 （节点/边）	微分 方程 / 张量
主要优势	推理、 文献 综合、编码	拓扑/几何 性质 预测	物理 一致性、 外推
弱点	幻觉、缺乏 3D 感知	语义理解 理解	复杂 实现， 求解器
理想角色	编排器 / 智能体	性质预测器	约束 / 模拟引擎

3. 自主架构：闭环 发现

3.1 主动学习的"飞轮"

从爱迪生式到计算式仅是第一步。终极跃迁是 闭环发现实验室，常称为自动驾驶实验室（SDL）。在此范式中， AI 不仅是被动分析师，更是主动实验者。系统闭合 预测与验证之间的环路，创造加速 的良性循环。

工作流作为持续循环运行，常描述为设计-制造-测试-分析 （DMTA） ¹² ：

1.​ 假设生成（设计）： AI 模型（"智能体"）利用对搜索空间的当前理解预测具有优化性质的候选 材料。它利用对搜索空间的当前理解优化其性质。 它不只是猜测；它优化采集函数以选择产生 最大价值的实验。

2.​ 自动化合成（制造）： 机器人平台接收设计指令。 移液工作站、流动反应器或 3D 打印机在无人工 干预下合成材料。

3.​ 表征（测试）： 集成传感器（光谱、XRD、显微）测量 合成材料的性质。

4.​ 反馈（分析）： 结果反馈至 AI 模型。关键是，模型 基于新数据点更新其内部信念（代理模型）。

5.​ 迭代： 循环重复，AI 选择下一实验。

这一"飞轮"效应将发现加速数个数量级。伯克利 A-Lab， 例如在 17 天内合成了 41 种新型无机材料——人类研究者需数月或 数年才能完成。 ²⁶ AI 智能体基于中间结果自主修正合成 配方，展现真正的自适应行为。

3.2 主动学习：数学引擎

闭环实验室的大脑是主动学习。与传统监督学习 需要海量静态标注数据集不同，主动学习从小数据出发， 迭代向"神谕"（实验）查询最有价值的数据点。 ²⁸ 核心 机制在于平衡探索（搜索化学空间未知区域） 与利用（精化已知命中物周边区域）。这通常通过 贝叶斯优化实现。

3.2.1 贝叶斯优化（BO）与高斯过程

贝叶斯优化是化学主动学习的标准数学框架。它使用 概率模型（通常为高斯过程 GP）逼近昂贵的"黑 箱"函数（实验）。 ³⁰ GP 对搜索空间中每一点预测两件事： 1.​ **均值（

）：** 预期性质值（如产率、导电性）。$\mu$2.​ **方差（

）：** 该预测的不确定性。$\sigma^2$这种不确定性量化是 BO 的超能力。它使系统识别模型

一无所知的"暗"区域，以及对其 高性能有信心的"亮"区域。 3.2.2 采集函数：搜索策略

系统使用采集函数基于 GP 预测

决定下一实验。函数选择决定 AI 的策略 ： ³⁰ ●​ 上置信界（UCB）： 此策略乐观。它选择_可能_

极佳的点（高不确定性 + 高均值）。它实质上在说："此区域不确定，但 上限很高，我们去看看。" 参数 $\lambda$ 调节探索 与利用的平衡。

●​ 期望改进（EI）： 计算新点击败 当前已知最优值的概率，并按改进幅度加权。这是 更保守、偏重利用的策略。

●​ 汤普森采样： 从 后验分布采样函数并选择最大值的概率方法。它特别擅长处理 复杂非凸景观与批量实验，因为它自然 促进所选批次的多样性。 ³²

3.2.3 多保真与成本知情优化

真实实验在成本与保真度上各异。计算机模拟（DFT）廉价但 近似；湿实验室合成昂贵但准确。Veriprajna 倡导 多保真贝叶斯优化（MF-BO）。 ³⁴

●​ MF-BO： 此算法融合低保真源（模拟）与 高保真源（实验）的数据。它学习两者相关性。若 模拟在某区域与现实高度相关，AI 将依赖廉价 模拟探索该区域，仅在 必要时触发昂贵实验。 ³⁴

●​ 成本知情 BO（CIBO）： 此变体显式将实验的货币或时间 成本纳入采集函数。若两个实验提供相似 信息增益，但一个需要 5,000 美元试剂而另一个仅需 50 美元，CIBO 将选择更便宜路径。研究表明 CIBO 可将优化成本降低高达 90% 同时达成相同结果。 ³⁶

3.3 负向数据的价值

在爱迪生模型中，负向结果（失败实验）常被丢弃或埋没于 实验记录本。在主动学习模型中，负向数据是黄金。

●​ 决策边界： 要区分"药物"与"非药物"，AI 必须知道 非药物长什么样。负向数据锐化模型决策边界。 ²⁹

●​ 减少幻觉： 在训练集中纳入负向数据有助于锚定 生成模型，防止其预测热力学 上不可能的反应。 ³⁸

●​ 绘制死胡同： 通过系统探索并记录失败，AI 绘制化学 "死胡同"。对失败景观的拓扑知识是 永久 IP，防止组织再次在那些路径上浪费资源 。 ³

4. 中间件与集成：数字神经 系统

4.1 弥合鸿沟：AI 到硬件

部署自主实验室的主要瓶颈是实验室硬件的碎片化。 不同厂商的谱仪、移液工作站与加热板使用不同 专有语言。要构建闭环，我们需要通用翻译层——机器人 中间件。没有它，AI 只是缸中之脑，无法控制双手。

4.2 SiLA 2 标准

**实验室自动化标准化（SiLA 2）**已成为 现代自主实验室的关键使能者。与 OPC UA 等工业标准不同——后者笨重、 以工厂为中心、对科学工作流实现复杂——SiLA 2 专为 生命科学设计，基于现代 Web 协议。 ⁴⁰

●​ 微服务架构： SiLA 2 将每台仪器视为微服务。这使 AI 智能体可发送高层命令（如"移取 5ml"）而无需 了解特定机械臂的低层串口命令。 ⁴⁰

●​ 云连接： 它支持安全的服务器发起连接（HTTP/2、gRPC）， 使基于云的 AI 大脑（如 Veriprajna 模型）可安全穿越防火墙 控制本地实验室硬件。 ⁴¹

●​ 互操作性： 它允许将遗留设备与尖端 机器人集成。一台 20 年历史的 HPLC 可封装 SiLA 2 驱动并融入 尖端自主环路。 ⁴²

对比：SiLA 2 与 OPC UA

特性	SiLA 2	OPC UA
领域	生命科学 / 研发	工业自动化 / 制造
架构	微服务 （gRPC/HTTP2）	客户端-服务器（二进制/XML）
复杂性	低（特性定义	高（复杂信息

Col1	语言）	模型）
研发适用性	高（灵活、敏捷）	低（僵化、部署繁重）

4.3 数字孪生：执行之前先模拟

在物理机器人动一根肌肉之前，实验应在数字 孪生中模拟。数字孪生是物理实验室的动态虚拟副本，包括仪器、 环境与样品物流。 ⁴³

●​ 模拟与验证： AI 可在数字 孪生中运行数千次"虚拟实验"以在执行前验证方案的逻辑、时序与碰撞路径 。这可防止昂贵碰撞与样品损失。 ⁴⁴

●​ 异常检测： 通过将实验室实时传感器数据与数字 孪生预测对比，系统可检测异常（如堵塞移液头导致 压力尖峰，或漂移的温度传感器）以免毁掉整批。孪生充当 运营健康的"地面真值"。 ⁴⁴

●​ 产能规划： 数字孪生允许实验室管理者模拟人员配置与 设备利用率，识别工作流瓶颈（如离心机积压） 并优化排程以实现最大吞吐。 ⁴³

4.4 AI 驱动 LIMS

实验室信息管理系统（LIMS）是实验室的脊梁。传统 LIMS 是被动的数据库。新一代是AI 驱动 LIMS。 ⁴⁵

●​ 主动监控： 不仅存储结果，AI-LIMS 实时分析。 它可立即标记超规结果并触发自动复测或暂停 工作流。 ⁴⁵

●​ 预测性维护： 通过监控 LIMS 中存储的仪器使用模式与性能 数据，AI 可预测设备何时需要维护，_在_其 故障之前，减少停机时间。 ⁴⁶

5. 经济影响：闭环的投资回报

5.1 资本支出与运营支出优化

向 AI 驱动研发的转型从根本上改变发现的成本结构。

●​ 运营支出削减： 传统 HTS 运营支出繁重（耗材、试剂、人员 时间）。主动学习将找到命中物所需物理实验数量 降低数个数量级（通常 10 至 100 倍）。例如，CIBO 策略可 将试剂成本降低 90%。 ³⁶

●​ 资本支出效率： 虽构建机器人实验室需前期资本支出，自主设备 利用率接近 100%（24/7 运行），相比之下人工实验室典型 利用率为 30-40%。资产回报率（ROA）因此 显著更高。

5.2 加速上市时间

速度是制药与材料领域的首要货币。药物的"专利寿命"固定； 研发每节省一天，市场就多一天独占期。

●​ 案例研究（Exscientia）： AI 设计的小分子约 12 个月进入 I 期试验，而行业平均为 4-5 年。 ⁴⁷

●​ 案例研究（Insilico Medicine）： AI 发现的纤维化候选物从 靶点发现到临床前候选物不足 18 个月，成本仅为典型 的一小部分。 ⁴⁷

●​ 材料科学： "A-Lab" 证明自主系统可在数天内绘制相 图并发现稳定结构，而历史上这一过程需 数十年。 ²⁶

5.3 "不"模拟的代价

"爱迪生方法"产生隐性"机会成本"。每一美元花在可用模拟 排除的材料测试上，就是未投给可行候选物的一美元。制药研发失败率 徘徊在 90% 左右，AI "快速失败"与"虚拟 失败"的能力是提升 ROI 的最大杠杆。 ³ Broad Institute 等开发的预测模型 用于药物毒性（DILI/DICT），使研究者在 合成_之前_过滤有毒化合物，节省数百万下游失败成本。 ⁴⁸

6. 案例研究与真实世界验证

向闭环发现的转变并非理论；它已在 企业中产生成果。

6.1 A-Lab（材料科学）

劳伦斯·伯克利国家实验室的"A-Lab"是完全 自主发现引擎的典范。

●​ 吞吐： 它在 17 天内合成了 41 种新型无机化合物。

●​ 自主性： 系统使用主动学习修正自身合成配方。当 反应未产生目标相时，AI 分析 XRD 图谱，调整 前驱体比例或加热曲线，并重试。

●​ 影响： 新型材料 71% 的成功率远高于人类 直觉驱动合成。 ²⁶

6.2 制药领军者

●​ 默克： 积极使用 AI 与自动化为 Keytruda 的"专利悬崖" 做准备，利用这些技术以高质量 候选物充实管线。 ⁷

●​ Exscientia 与 Insilico： 这些"AI 优先"生物技术公司验证了 AI 可比传统大型制药 方法更快更便宜交付临床候选物的模式。它们的成功迫使整个行业转向。 ⁴⁷

7. 战略展望：从封装器到解决方案

7.1 超越"封装器"

市场上许多当前 AI 产品不过是公共 LLM API （OpenAI、Anthropic）的"封装器"。这些对文本生成有用但不足以支撑深度科学。 它们缺乏领域特异性、物理约束及与硬件 集成，无法实现真正的研发转型。封装器无法与 SiLA 2 移液工作站集成； 它无法在化学反应中强制质量守恒；它无法以贝叶斯严谨性 导航 $10^{100}$ 搜索空间。

Veriprajna 将自己定位为深度 AI 解决方案提供商。这意味着：

●​ 定制架构： 我们构建结合 GNN（分子 几何）、PIML（物理一致性）与 LLM（推理）的混合模型。

●​ 数据主权： 我们部署私有微调模型，确保专有 化学数据永不离开客户安全环境。

●​ 全栈集成： 我们不仅提供代码；我们架构整个环路，从 贝叶斯优化算法到控制移液头的 SiLA 2 驱动。

7.2 化学的未来

$10^{100}$ 的搜索空间不再是不可逾越的深渊；它是待 导航的景观。高性能计算、生成式 AI 与机器人 自动化的融合使我们能够移液通往突破——但仅_在_我们模拟 路径之后。

未来属于那些停止猜测、开始计算的人。爱迪生方法 是过去的必然。闭环发现是未来的必然。

不要猜测再验证。先模拟再选择。

参考文献

1. Chemical space - Wikipedia，2025 年 12 月 11 日访问，b https://en.wikipedia.org/wiki/Chemical_space

2. Scientists Map All Possible Drug-like Chemical Compounds - Duke Today，b 2025 年 12 月 11 日访问， https://today.duke.edu/2013/04/smallmolecules

3. Edisonian approach - Wikipedia，2025 年 12 月 11 日访问，b https://en.wikipedia.org/wiki/Edisonian_approach

4. Addressing Edison's Concern，2025 年 12 月 11 日访问，b https://www.its.caltech.edu/~matsci/bt/EdisonText.html f

5. Measuring the return from pharmaceutical innovation 2024 | Deloitte US，b 2025 年 12 月 11 日访问， https://www.deloitte.com/us/en/Industries/life-sciences-health-care/articles/measturing-return-from-pharmaceutical-innovation.html

6. Pharma R&D Returns Grow Again, But Deloitte Warns Progress is 'Fragile' b BioSpace，2025 年 12 月 11 日访问， https://www.biospace.com/business/pharma-r-d-returns-grow-again-but-deloite-warns-progress-is-fragile

7. Top 10 pharma R&D budgets in 2024 - Fierce Biotech，2025 年 12 月 11 日访问，b https://www.fiercebiotech.com/special-reports/top-10-pharma-rd-budgets-2024

8. Virtual Screening and High-Throughput Screening in Drug Discovery b ResearchGate，2025 年 12 月 11 日访问， https://www.researchgate.net/publication/392708243_Virtual_Screening_and_High-Throughput_Screening_in_Drug_Discovery

9. High Throughput Screening Market Forecast, 2025-2032 - Coherent Market Insights，2025 年 12 月 11 日访问， https://www.coherentmarketinsights.com/industry-reports/high-throughput-screening-market

10. How do you choose between HTS, virtual screening and FBDD? - Domainex，2025 年 12 月 11 日访问， https://www.domainex.co.uk/news/how-do-you-choose-between-hts-virtual-screening-and-fbdd

11. How the Materials Project connects computational and experimental materials science，2025 年 12 月 11 日访问， https://it.lbl.gov/how-the-materials-project-connects-computational-and-experimental-materials-science/

12. The Bright Future of Materials Science with AI: Self-Driving Laboratories and Closed-Loop Discovery - ResearchGate，2025 年 12 月 11 日访问， https://www.researchgate.net/publication/397193999_The_Bright_Future_of_Materials_Science_with_AI_Self-Driving_Laboratories_and_Closed-Loop_Discovery

13. Physics-informed machine learning for combustion: A review - arXiv，2025 年 12 月 11 日访问， https://arxiv.org/html/2509.03347v1

14. Physics-Informed Machine Learning Models for the Characterization of Materials b with Damage, 18-R6214 | Southwest Research Institute，2025 年 12 月 11 日访问， https://www.swri.org/what-we-do/internal-research-development/2023/chemistry-materials/physics-informed-machine-learning-models-the-characterization-of-materials-damage-18-r6214

15. Physics-Constrained Machine Learning for Chemical Engineering - arXiv，2025 年 12 月 11 日访问， https://arxiv.org/html/2508.20649v1

16. A new generative AI approach to predicting chemical reactions | MIT News，2025 年 12 月 11 日访问， https://news.mit.edu/2025/generative-ai-approach-to-predicting-chemical-reactions-0903

17. Machine Learning Approaches for Accelerated Materials Discovery - AZoM，2025 年 12 月 11 日访问， https://www.azom.com/article.aspx?ArticleID=23290

18. Less is more: Sampling chemical space with active learning - AIP Publishing，2025 年 12 月 11 日访问， https://pubs.aip.org/aip/jcp/article/148/24/241733/963478/Less-is-more-Sampling-chemical-space-with-active

19. A Combined DFT/Machine Learning Framework for Materials Discovery: Application to Spinels and Assessment of Search Completeness and Efficiency | Theoretical and Computational Chemistry | ChemRxiv | Cambridge Open Engage，2025 年 12 月 11 日访问， https://chemrxiv.org/engage/chemrxiv/article-details/60c750b0469df44174f448e9

20. Benchmarking Large Language Models for Molecule Prediction Tasks | alphaXiv，2025 年 12 月 11 日访问， https://www.alphaxiv.org/overview/2403.05075

21. LLM Copilots for Bench Scientists: A Practical Guide | IntuitionLabs，2025 年 12 月 11 日访问， https://intuitionlabs.ai/articles/llm-copilots-bench-scientists

22. Evaluating the Performance and Robustness of LLMs in Materials Science Q&A and Property Predictions - arXiv，2025 年 12 月 11 日访问， https://arxiv.org/html/2409.14572v2

23. Graph Neural Networks in Modern AI-Aided Drug Discovery | Chemical Reviews，2025 年 12 月 11 日访问， https://pubs.acs.org/doi/10.1021/acs.chemrev.5c00461

24. Large Language Models Meet Graph Neural Networks: A Perspective of Graph Mining - MDPI，2025 年 12 月 11 日访问， https://www.mdpi.com/2227-7390/13/7/1147

25. Large Language Models vs Graph Neural Networks: It Depends - Symmetry Systems，2025 年 12 月 11 日访问， https://www.symmetry-systems.com/blog/large-language-models-vs-graph-neural-networks-it-depends/

26. Artificial intelligence-driven autonomous laboratory for accelerating chemical discovery，2025 年 12 月 11 日访问， https://www.oaepublish.com/articles/cs.2025.66

27. Autonomous Chemical Experiments: Challenges and Perspectives on Establishing a Self-Driving Lab - PMC - PubMed Central，2025 年 12 月 11 日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/

28. Active learning in robotics - Thomas A. Berrueta，2025 年 12 月 11 日访问， https://tberrueta.github.io/assets/pdfs/TaylorMechatronics2021.pdf

29. The Hidden Value of Failure: Why Negative Data is Critical for AI-Driven Drug Discovery，2025 年 12 月 11 日访问， https://www.digitalchemistry.ai/resources/white-papers/the-hidden-value-of-failure-why-negative-data-is-critical-for-ai-driven-drug-discovery/

30. Acquisition functions in Bayesian Optimization | Let's talk about science!，2025 年 12 月 11 日访问， https://ekamperi.github.io/machine%20learning/2021/06/11/acquisition-functions.html

31. Bayesian Optimization for Chemical Synthesis in the Era of Artificial Intelligence: Advances and Applications - MDPI，2025 年 12 月 11 日访问， https://www.mdpi.com/2227-9717/13/9/2687

32. what is Thompson sampling and upper Confidence bound | by Yashwanth Reddy - Medium，2025 年 12 月 11 日访问， https://medium.com/@reddyyashu20/what-is-thompson-sampling-and-upper-confidence-bound-d8088a703b02

33. Deconstructing the human algorithms for exploration - PMC - NIH，2025 年 12 月 11 日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC5801139/

34. Bayesian Optimization over Multiple Experimental Fidelities ...，2025 年 12 月 11 日访问， https://pubs.acs.org/doi/10.1021/acscentsci.4c01991

35. Multi-fidelity Sequential Learning for Accelerated Materials Discovery - ChemRxiv，2025 年 12 月 11 日访问， https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/60c756c60f50dbb7f939813f/original/multi-fidelity-sequential-learning-for-accelerated-materials-discovery.pdf

36. Cost-Informed Bayesian Reaction Optimization - ChemRxiv，2025 年 12 月 11 日访问， https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/66220e8a21291e5d1d27408d/original/cost-informed-bayesian-reaction-optimization.pdf

37. Cost-informed Bayesian reaction optimization - PMC - NIH，2025 年 12 月 11 日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC11465108/

38. 2025 年 12 月 11 日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/#:~:text=Here%2C%20we%20demonstrate%20that%20information,limited%20volume%20of%20successful%20data.

39. Negative chemical data boosts language models in reaction outcome prediction PMC，2025 年 12 月 11 日访问， https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/

40. Standardization in Lab Automation - Wikipedia，2025 年 12 月 11 日访问， https://en.wikipedia.org/wiki/Standardization_in_Lab_Automation

41. SiLA Rapid Integration - Standards，2025 年 12 月 11 日访问， https://sila-standard.com/standards/

42. SiLA 2: The Next Generation Lab Automation Standard - ResearchGate，2025 年 12 月 11 日访问， https://www.researchgate.net/publication/360985834_SiLA_2_The_Next_Generation_Lab_Automation_Standard

43. Optimising digital twin laboratories with conversational AIs: enhancing immersive training and simulation through virtual reality - RSC Publishing，2025 年 12 月 11 日访问， https://pubs.rsc.org/en/content/articlehtml/2025/dd/d4dd00330f

44. Digital Twins in Pharmaceutical Quality Control | Lab Manager，2025 年 12 月 11 日访问， https://www.labmanager.com/digital-twins-in-pharmaceutical-quality-control-34142

45. AI-Powered LIMS Systems: Transforming Lab Accuracy & Automation | Medium，2025 年 12 月 11 日访问， https://medium.com/@healthray/ai-powered-lims-systems-transforming-lab-accuracy-automation-6e5aaf0748ba

46. AI-Driven Pharma LIMS Analytics Transform Lab Data Insights - LabLynx，2025 年 12 月 11 日访问， https://www.lablynx.com/resources/articles/ai-driven-pharma-lims-analytics/

47. Measuring AI ROI in Drug Discovery: Key Metrics & Outcomes | IntuitionLabs，2025 年 12 月 11 日访问， https://intuitionlabs.ai/articles/measuring-ai-roi-drug-discovery

48. De-risking drug discovery with predictive AI | Broad Institute，2025 年 12 月 11 日访问， https://www.broadinstitute.org/news/de-risking-drug-discovery-predictive-ai