在实验室里，AI先学会不替化学家做判断

特种化学品公司Lubrizol的IT副总裁Girish Rao最近谈AI研发时，给了一个很克制的定义：AI替代不了科学判断，它的任务是给科学家更好的工具。这句话放在材料研发里很关键。特种化学品的配方、性能和法规约束缠在一起，实验室里做出一个样品只是开头，后面还有放大生产、客户验证、成本和合规。

Lubrizol的做法是先搭数字底座。业务流程、现代数据平台、云基础设施连起来，支撑研发团队。他们想把手里的数十年技术数据，和化学家、工程师对客户需求及物理限制的理解接上。数据科学家在物理实验前先找模式、测假设、跑模型。Rao强调，科学判断仍由人来做。

这里有个容易被忽略的组织问题。科学家关心实验有效性，数据科学家关心模型表现，IT关心平台安全和扩展性。三方优先级不同，硬拉在一起容易互相消耗。Lubrizol用“融合团队”把这些人围绕共同目标组织起来，先从小的试点项目跑，靠结果建立信任。Rao说，团队成员之间有了信任，知道要创造什么价值，事情会顺很多。云基础设施则让公司按需拿算力和现代工具，不用先建一座数据中心。

可持续材料是更具体的应用场景。数字建模可以帮研究者评估更多配方，探索淀粉、玉米基替代材料，并看产品全生命周期的权衡。实验室里承诺一个材料不难，难的是规模化生产时同时满足性能、法规和财务约束。AI能同时建模多个变量，帮团队在互相拉扯的条件里找路。

往前看，Rao预期AI、自动化、高级建模、数字孪生和互联数据会汇合。实验室更智能，工厂更高效。真正的机会在于把这些能力负责任地、规模化地接起来。他的原话大意是，单一技术不够，连接这些会产生大量数据的流程才是关键。

文首视频和素材来自MIT Technology Review Insights，与Infosys合作制作。该内容由MIT Technology Review定制内容团队生产，非其编辑团队。