在藥物研發(fā)、精細(xì)化工及新材料等配方優(yōu)化場(chǎng)景中，“如何用最少的實(shí)驗(yàn)次數(shù)找到最優(yōu)解”始終是研發(fā)人員的核心訴求。長(zhǎng)期以來，實(shí)驗(yàn)設(shè)計(jì)（DOE）是行業(yè)的主流選擇，但隨著AI技術(shù)的發(fā)展，貝葉斯優(yōu)化（Bayesian Optimization, BO）正以其更高的實(shí)驗(yàn)效率和智能化體驗(yàn)，成為研發(fā)數(shù)字化的新寵。

一、DOE：預(yù)設(shè)藍(lán)圖 vs 貝葉斯優(yōu)化：邊走邊看

在優(yōu)化實(shí)驗(yàn)中，DOE和貝葉斯優(yōu)化代表了兩種截然不同的思維方式：

• DOE（實(shí)驗(yàn)設(shè)計(jì)，Design of Experiment）：傳統(tǒng)DOE（如全因子設(shè)計(jì)、正交設(shè)計(jì)、響應(yīng)面法RSM）采用預(yù)先結(jié)構(gòu)化的實(shí)驗(yàn)方案，通過統(tǒng)計(jì)回歸模型（線性/二次）擬合因素與響應(yīng)關(guān)系，分析主效應(yīng)、交互效應(yīng)，最終找到較優(yōu)區(qū)域。

• 貝葉斯優(yōu)化（Bayesian Optimization，BO）：BO基于概率代理模型（最常用高斯過程Gaussian Process）對(duì)未知目標(biāo)函數(shù)建模，每完成一輪實(shí)驗(yàn)后立即更新后驗(yàn)分布，再通過采集函數(shù)（如EI、PI、UCB）智能選擇下一個(gè)最具信息增益的實(shí)驗(yàn)點(diǎn)，在探索（未知區(qū)域）與利用（已知較好區(qū)域）之間取得平衡，逐步逼近全局最優(yōu)。

二、貝葉斯優(yōu)化是趨勢(shì)

前沿探索性研發(fā)，本質(zhì)就是與“高維黑箱”博弈的過程。在絕大多數(shù)現(xiàn)代配方/工藝優(yōu)化場(chǎng)景（尤其是生物制藥、抗體純化、新材料、食品配方等領(lǐng)域），貝葉斯優(yōu)化更值得推薦，因?yàn)樗�直接解決“實(shí)驗(yàn)最貴”的核心痛點(diǎn)——用最少實(shí)驗(yàn)找到最優(yōu)解。低維、強(qiáng)監(jiān)管、需詳細(xì)機(jī)理分析時(shí)可仍選DOE，或采用DOE先篩關(guān)鍵因素 → BO精細(xì)優(yōu)化的組合策略。這已成為工業(yè)界主流趨勢(shì)。

三、InAI：讓貝葉斯優(yōu)化像聊天一樣簡(jiǎn)單

盡管優(yōu)勢(shì)明顯，標(biāo)準(zhǔn)貝葉斯優(yōu)化的應(yīng)用門檻卻很高�？茖W(xué)家需要理解高斯過程、采集函數(shù)（如EI， UCB）、超參數(shù)調(diào)整等復(fù)雜概念，并借助Python編程或?qū)�業(yè)軟件進(jìn)行操作，這讓許多實(shí)驗(yàn)科學(xué)家望而卻步——聽過，但不會(huì)用，不敢用。

某企業(yè)的科研AI大模型InAI，徹底顛覆了這一局面。 它將先進(jìn)的貝葉斯優(yōu)化引擎與自然語言對(duì)話能力深度融合，帶來了革命性的體驗(yàn)：

• 特色（1）：對(duì)話式交互，小白也能輕松上手

1. 標(biāo)準(zhǔn)BO操作：如Python bayesian optimization、GPyOpt、BoTorch等，需要編寫代碼或配置復(fù)雜軟件界面、定義目標(biāo)函數(shù)、變量范圍、選擇代理模型/采集函數(shù)、寫迭代循環(huán)、手動(dòng)記錄每次實(shí)驗(yàn)結(jié)果、自己判斷收斂。

2. InAI BO操作：您只需要像與同事討論一樣，用自然語言描述您的優(yōu)化目標(biāo)。例如，直接輸入：“我想優(yōu)化一個(gè)催化劑的合成配方，目標(biāo)是產(chǎn)物收率最大化，相關(guān)因素有反應(yīng)溫度（80-150℃）、壓力（1-5MPa）、催化劑用量（1-5mol%），目前已有3組歷史實(shí)驗(yàn)數(shù)據(jù)。”AI會(huì)自動(dòng)理解您的意圖，引導(dǎo)您確認(rèn)優(yōu)化目標(biāo)和約束條件，并調(diào)用內(nèi)置的貝葉斯優(yōu)化引擎開始工作。無需任何數(shù)學(xué)和編程背景，就能用出專家水平。

• 特色（2）：與研發(fā)數(shù)據(jù)流無縫集成

InAI并非孤立工具，它植根于SIMS科研智能管理平臺(tái)。這意味著：

1. 數(shù)據(jù)自動(dòng)獲取：優(yōu)化可直接關(guān)聯(lián)InELN（電子實(shí)驗(yàn)記錄本）中的歷史實(shí)驗(yàn)數(shù)據(jù)或?qū)崟r(shí)實(shí)驗(yàn)結(jié)果。

2. 知識(shí)增強(qiáng)：結(jié)合自研的知識(shí)圖譜和DeepSeek大模型，AI的推薦不僅基于數(shù)學(xué)模型，還能融入公開文獻(xiàn)和專利中的化學(xué)、生物領(lǐng)域知識(shí)，使建議更具科學(xué)合理性。

3. 閉環(huán)落地：優(yōu)化推薦的實(shí)驗(yàn)方案可直接生成ELN實(shí)驗(yàn)記錄模板，完成后數(shù)據(jù)自動(dòng)回傳，形成“設(shè)計(jì)-執(zhí)行-學(xué)習(xí)-再優(yōu)化”的智能閉環(huán)。
 

可見，InAI對(duì)話式貝葉斯優(yōu)化實(shí)現(xiàn)了零代碼，由AI主動(dòng)問詢澄清需求，自動(dòng)處理多目標(biāo)/約束/離散變量，實(shí)驗(yàn)數(shù)據(jù)在平臺(tái)內(nèi)自動(dòng)流轉(zhuǎn)，推薦邏輯可審計(jì)，真正實(shí)現(xiàn)“讓AI替你做優(yōu)化”，意味著研發(fā)人員無需成為“優(yōu)化算法專家”，能把精力真正放在科學(xué)問題上，而非耗費(fèi)在工具調(diào)參的細(xì)節(jié)上。

綜上所述，貝葉斯優(yōu)化代表了實(shí)驗(yàn)優(yōu)化的先進(jìn)方向；鷹谷正通過InAI + InELN把貝葉斯優(yōu)化從“專家工具”變成“人人可用”的生產(chǎn)力武器，幫助實(shí)驗(yàn)室大幅降低試錯(cuò)成本、加速從實(shí)驗(yàn)室到高競(jìng)爭(zhēng)力產(chǎn)品上市的進(jìn)程。

參考資料：

[1] 減少實(shí)驗(yàn)次數(shù)！鷹谷貝葉斯優(yōu)化智能體：小白都能用，告別學(xué)了就忘. 
https://mp.weixin.qq.com/s/v3qrM5GFxJF_zr298bYEVA
[2] . 鷹谷貝葉斯優(yōu)化接入DeepSeek，小白都能用！
https://mp.weixin.qq.com/s/wtZ0NNHDlWWPIwzTo2OPFg
[3] 盤點(diǎn)：藥物研發(fā)中最好用的16款電子實(shí)驗(yàn)記錄本ELN.
https://mp.weixin.qq.com/s/5g6p7rFRSpMLHJZtfdVl5A
[4] 國(guó)家藥監(jiān)局藥審中心關(guān)于發(fā)布《藥物臨床試驗(yàn)中應(yīng)用貝葉斯外部信息借用方法的指導(dǎo)原則（試行）》的通告（2026年第6號(hào)）. NMPA CDE. 2026.1.22.
https://www.cde.org.cn/main/news/viewInfoCommon/1b87c172f248c6eb876ea2b9d93c4d1e
[5] 從實(shí)驗(yàn)室到病床，貝葉斯方法打通最后一公里，患者還要等多久？
https://www.sohu.com/a/976920426_122575034
[6] FDA最新草案：監(jiān)管松綁，醫(yī)藥開發(fā)或迎來“小樣本、快審批”時(shí)代_貝葉斯優(yōu)化. 2026.
https://news.qq.com/rain/a/20260114A05YI300
[7] 誰是國(guó)內(nèi)電子實(shí)驗(yàn)記錄本老大？
https://mp.weixin.qq.com/s/ZRpo23nK8QhrsK_-JbKxEA
[8] 《CIAPH2024-2025年度醫(yī)藥健康行業(yè)數(shù)字化調(diào)研報(bào)告》.
http://www.ileader.com.cn/html/2025/3/3/72409.htm
[9]《CIAPH2023-2024年度醫(yī)藥健康行業(yè)數(shù)字化調(diào)研報(bào)告》.
http://www.ileader.com.cn/html/2024/2/2/72345.htm
[10] Kruschke, J. K. & Liddell, T. M. Bayesian data analysis for newcomers. Psychon. Bull. Rev. 25, 155–177 (2017).
https://pubmed.ncbi.nlm.nih.gov/28405907/
[11] Eric Brochu. Interactive Bayesian optimization : learning user preferences for graphics and animation. University of British Columbia Library.PhD Thesis/Dissertation. 2011.
https://open.library.ubc.ca/soa/cIRcle/collections/ubctheses/24/items/1.0051462
[12] Johannes P. Durholt and et al. BoFire: Bayesian Optimization Framework Intended for Real Experiments. J.Mac. Lea. Res. 26 (2025) 1-7.
https://jmlr.org/papers/volume26/24-1540/24-1540.pdf
13] Ma Y and et al. Preference-Aware Bayesian Optimization for Interactive Decision Making. IEEE Trans Cybern. 2025.
https://pubmed.ncbi.nlm.nih.gov/41289113/
[14] Martins CA Jr and et al. Bayesian Optimization for High-Dimensional Coarse-Grained Model Parameterization: A Case Study on Pebax Polymer. J Chem Theory Comput. 2026.
https://pubmed.ncbi.nlm.nih.gov/41563327/
[15] Huddy JE and et al. Spatial-Uniformity-Driven Bayesian Optimization for Rapid Development of Printed Perovskite Solar Cells. Small. 2026.
https://pubmed.ncbi.nlm.nih.gov/41293995/
[16] Siska M, Pajak E, Rosenthal K, Del Rio Chanona A, von Lieres E, Helleckes LM. A Guide to Bayesian Optimization in Bioprocess Engineering. Biotechnol Bioeng. 2026.
https://pubmed.ncbi.nlm.nih.gov/41504386/
[17] Fumina A and et al. Bayesian Optimization of Colloidal Monolayer Formation in Langmuir-Blodgett System. Langmuir. 2025.
https://pubmed.ncbi.nlm.nih.gov/41059978/
[18] Zhuo H and et al. Gaussian Process-Based Multi-Fidelity Bayesian Optimization for Optimal Calibration Point Selection. Sensors (Basel). 2025.
https://pubmed.ncbi.nlm.nih.gov/41305237/
[19] Stephen J. Ruberg et al. Application of Bayesian approaches in drug development: starting a virtuous cycle | Nature Reviews Drug Discovery. 2023.
https://www.nature.com/articles/s41573-023-00638-0
[20] FDA Issues Guidance on Modernizing Statistical Methods for Clinical Trials. 2026.1.12.
https://www.fda.gov/news-events/press-announcements/fda-issues-guidance-modernizing-statistical-methods-clinical-trials
[21] Use of Bayesian Methodology in Clinical Trials of Drug and Biological Products. FDA. 2026.1.12
https://www.fda.gov/regulatory-information/search-fda-guidance-documents/use-bayesian-methodology-clinical-trials-drug-and-biological-products
[22] Asif Khan and et al. Toward real-world automated antibody design with combinatorial Bayesian optimization. Cell Reports Methods,Volume 3, Issue 1,2023.
https://doi.org/10.1016/j.crmeth.2022.100374.
[23] Introduction to Bayesian optimization.
https://livebook.manning.com/book/bayesian-optimization-in-action/chapter-