实验次数减少 85%！AI 贝叶斯优化为 AI4Sci 装上"加速引擎"

当科学发现还在依赖"试错 + 直觉"时，UCL 联合港科大（广州）、华为、中科大、港大、清华等顶尖机构，共同交出了一份答案：一份70 多页的贝叶斯优化实战教程，让实验效率不再是瓶颈。

贝叶斯优化教程封面漫画科学发现核心循环流程图

该漫画以虚构故事形象展示了利用贝叶斯优化在复杂搜索空间中平衡探索与利用、实现自主科学发现的核心理念。

1. 行业共同痛点：实验成本高到离谱

在新材料、催化剂、药物分子等领域，科研人员每天面对的是动辄5–15 个可调参数。每个实验少则数天、多则数周，成本上千甚至上万美元。

即便每个参数只取少数几个值，组合后的可能性也高达百万级。而一位顶尖科学家一辈子能亲手做的实验，不过几千个——探索覆盖率不到0.1%。绝大多数性能更优的材料、药物、催化剂，就静静地躺在那里，等着我们去发现，但我们根本找不到它们。贝叶斯优化循环示意图

科学发现的核心循环：用实验数据不断改进模型，再用模型指导下一轮实验。

这不是某一个人的困境，而是整个科学发现行业的效率问题。绿色能源需要更好的催化剂，生物医药需要更好的分子，半导体需要更好的材料……

2. 贝叶斯优化：让 AI 学会"聪明地做实验"

贝叶斯优化到底是什么？ 说白了，它就是一个"会思考的实验助手"。我们相信：未来的科学发现，不是人类被 AI 取代，而是每一位科学家都能拥有一个"超级实验助手"。

它会先看你已经做过的所有实验，然后告诉你：下一个最有可能出好结果的实验，应该怎么做。

代理模型黑箱优化示意图

贝叶斯优化循环

贝叶斯优化的核心逻辑极其简洁，且直击痛点：

代理模型（Surrogate Model）：根据已有实验结果，构建一个"数字孪生"的实验空间，预测任何一个没做过的实验会得到什么结果。

高斯过程代理模型和采集函数可视化

黑箱优化中代理模型的示意图。红色曲线表示真实的目标函数，红点表示从真实目标略微扰动得到的观测数据点。蓝色曲线表示代理模型预测的均值，而阴影区域表示 95% 的置信区间，用于量化模型对目标的不确定性。

采集函数（Acquisition Functions）：自动决策下一步该做哪个实验——是重复验证当前最优，还是探索从未尝试过的区域。

科学发现范式演进图

贝叶斯优化中高斯过程（GP）代理模型和采集函数的可视化。真实目标函数 f(x) = sin(2πx) 用黑色虚线表示。观测数据点标记为红色圆圈，高斯噪声满足 N (0, 0.1²)。GP 代理模型以蓝色曲线表示（均值预测），阴影区域表示 95% 置信区间（µ ± 2σ）。采集函数——上置信界（UCB）、期望改进（EI）和改进概率（PI）——分别以绿色、蓝色和红色绘制，用于展示它们在引导选择下一个评估点时的行为。

这恰好复刻了优秀科学家的思维方式，但它的计算速度和记忆力远超人类：可以同时处理上百个参数，记住每一次实验的细节，并做出完全理性的权衡。