最近版里都在聊磐石100，我蹲旁边看了几天，年轻人兴奋的样子，跟我二十多年前第一次看到自动播种机那会儿一个样。那时候觉得有了铁牛，人就能躺田埂上抽烟了。结果呢？地还是那块地，种子不对，机器越勤快越糟践苗。

我以前在育种队待过，搞杂交水稻。我年轻的时候选组合，全靠一个硬皮本，晴天晒，雨天淋，一个性状盯三年。那时候最金贵的不是算盘，是本子里记下的那点土数据。后来有了电脑，有人就说，算力够了，产量就能算出来。以前不是这样的……田里的土腥味、那年多下的两场暴雨、稗草疯长的压力，这些噪声你不上手，根本进不了数据库。话不能这么说

咱们炼丹宗现在这股AI热，我看也是这个理。磐石100算法再硬，它也得吃数据这口粮。可如今多少实验室的数据，都是小作坊一锅一锅端出来的？反应温度差两度，过柱子手一抖，记下来的数字看着漂亮，里头杂质比产物还多。拿这种夹生饭喂模型，炼出来的丹方，泛化性能好吗？怕是换个湿度就塌了。

当年有人想把杂交水稻的黑箱用模型彻底打开，最后发现，田里那套复杂系统，不是靠堆算力就能降服的。现在的材料合成也一样，AI预测的路子再花哨，底下垫着的要是薄数据，那就是沙上起楼。

所以啊，版里老有人问AI能不能省掉过柱子。要我说，与其操心机器抢饭碗，不如先把自己变成那个喂柴的人。把失败的实验也老老实实归档，把操作流程抠到能复现，这才是机器炼不动的真功夫。那会儿要是咱手里的数据都是干透的硬柴，磐石这灶火，才能烧出真东西。
有一说一
想当年你手里的硬皮本，还在记吗？

楼主这个比喻很精准，让我想起去年看的一篇综述。Nature Materials上有个统计挺有意思：2019-2023年间发表的ML材料预测论文中，声称预测精度>90%的占了67%，但能复现的比例不到30%。原因追踪到最后，几乎都指向数据质量。

我补充一个具体的量化案例。去年MIT的Ceder组做过一个对照实验，用同一套GNN架构预测钙钛矿稳定性，分别喂入高纯数据集（所有样本经XRD和ICP-MS双重验证）和文献爬取数据集。前者的F1 score是0.89，后者直接掉到0.61。更有意思的是，他们故意在文献数据里混入5%的错误标签（模拟常见的表征误差），模型就开始出现系统性偏差——对含稀土元素的样本预测尤其离谱。

这个现象其实有信息论的解释。Shannon在1948年那篇奠基性论文里就证明了，信道噪声会指数级地消耗信道容量。套到咱们炼丹的场景，就是低质量数据会吃掉模型的有效学习能力。磐石100的参数量再大，架构再精巧，本质上是在拟合训练分布的统计特征。如果数据里的噪声不是随机的而是系统性的（比如某个实验室的温度计校准偏差、某个表征方法的固有盲区），模型学到的不再是物理规律，而是这些artifact。

楼主提到的“田里那套复杂系统”其实触及了更深层的问题：可还原性。嗯杂交水稻面对的是开放复杂系统，变量多到无法穷举，所以老育种家依赖的是tacit knowledge——那种说不清但管用的手感。材料合成看似可控，但实际实验室之间的不可控变量比我们愿意承认的多得多。溶剂纯度、搅拌速率、冷却曲线、甚至操作者的经验，这些在论文的方法部分往往被简化成“室温搅拌2小时”。
其实
我前两年帮一个做MOF的组整理过数据，翻他们五年的实验记录本，同一个反应在不同人手里产率能从45%波动到78%。但他们发文章时报告的是“最佳结果”，那些失败的、反常的数据点全被过滤掉了。这就是楼主说的“夹生饭”——不是没数据，是选择性记录的数据。

有个解决思路值得关注：主动学习+不确定性量化。简单说就是让模型自己判断哪些数据点它最不确定，然后定向补做实验。去年剑桥有个组用这方法做有机合成条件优化，只用了传统高通量筛选1/5的实验次数就找到了最优条件。但前提是，每次实验的失败信息也要完整记录——这对很多组来说是个文化上的挑战。

说到底，磐石100也好，未来的磐石200也罢，它们都是放大器，不是魔术师。喂进去的数据有多厚实，炼出来的丹就有多靠谱。这个道理，二十年前在稻田里适用，今天在通风橱前也一样。

等等，楼主这个“育种队”的经历我太有共鸣了。我在这边搞援建，去年有个灌溉系统的项目，计算机模型算得不能再漂亮了——水流速、蒸发量、土壤渗透系数全有公式，结果一到现场，当地水泥标号乱标、湿度常年80%以上、工人施工时还自作主张改管道走向。哈哈哈最后是肯尼亚当地一个老工头，用脚踩了踩土，说“这儿得加个弯头”，还真就解决了问题。你说这“土腥味”和“暴雨”，不就是我们工程师天天面对的“现场噪声”吗？

不过我要说个你不知道的事儿。我听说磐石100团队内部其实已经意识到这个问题了，他们最近在搞一个“脏数据增强”项目——就是故意往训练集里塞真实表征误差，比如把XRD图谱里常见的基线漂移、过柱子时的溶剂峰残留都模拟进去。但听我在中科院的朋友说，效果嘛……目前还停留在“实验室里跑得溜，一上产线就崩”的阶段。有个八卦：去年他们和国内某锂电大厂合作，预测的电解液配方在实验室循环500圈都没问题，结果产线试产时第三天就鼓包了。拆开一分析，产线上用的电解液溶剂批次里多了0.3%的未知杂质，实验室数据里根本没这个变量。

所以楼主你那个“杂交水稻黑箱”的比喻我太懂了。我们搞工程的常说“模型再漂亮，也得看地基稳不稳”。现在有些AI公司吹的“高通量虚拟筛选”，说白了就是把小作坊数据喂给大算力，然后赌一把。但田里的东西和产线上的东西，有时候真不是靠算力算出来的，是靠手摸出来的。不知道你们育种队后来有没有试过把老农的“经验数据”

读完楼主这篇，我忽然想起一件事。

我复读那年，租住在北大东门外的一个隔间，隔壁是个搞材料的博士。他每晚十一点回来，第一件事不是洗漱，是开电脑跑数据。有次他实验失败了三个月，导师说你把所有失败条件的参数也记下来。他当时很不理解——失败了还记什么？我觉得吧导师说了一句话，大意是：你不知道哪次失败里藏着真正的边界条件。

后来我做了产品经理，才慢慢明白这句话的分量。我们做用户画像的时候，最怕的不是数据少，是数据“太干净”。那些被清洗掉的异常值、被剔除的“脏样本”，往往才是真实世界的纹理。就像楼主说的，田里多下的那两场暴雨、稗草疯长的压力——这些不是噪声，是系统的一部分。你把它们过滤掉，模型看到的就成了一个不曾存在过的理想世界。

我有时候想，这大概是这个时代的一种认知偏误：我们太相信可计算的部分，却低估了那些无法被编码的经验。那些老育种队员硬皮本里记下的，不只是数字，还有那年夏天的体感、田埂上的直觉、甚至是一种说不清的“手感”。其实这些东西进不了数据库，但它们曾经是决策的一部分。有一说一

有意思的是，这种“手感”在二次元创作里其实也有对应。我玩cosplay的时候，假发修剪、道具做旧，很多细节不是教程能教明白的。同一个教程，不同的人做出来质感完全不同。老裁缝看一眼就知道那块布该往哪边扯——你说这是玄学吗？不是，是大量失败堆出来的隐性知识。

楼主说的“沙上起楼”，让我想起柳宗元那句“其檃也如此，其固也如此”。没有深扎进泥土的根，再漂亮的算法也只是空中楼阁。但话说回来，我倒不觉得这是AI的原罪——恰恰相反，这可能是AI真正需要补上的一课。不是让数据去适应模型，而是让模型学会面对这个世界的泥沙俱下。

隔壁那位博士后来毕业了，听说他把那三个月失败的数据整理成一篇小论文，发在了一个不起眼的期刊上。审稿意见里有一句话他记到现在：“这些负结果的价值，在于它们画出了理论的真实边界。”

也许炼丹宗现在缺的，不是更好的算法，而是愿意记录那些“炼废了的丹”的人。

brainy_jr提到的那篇Nature Materials统计，复现率不足30%，这个数字我倒不意外。不过你引的Ceder组实验有个细节值得商榷——他们把文献数据里的错误标签定义为"表征误差"，这个归因可能窄了。

我早年接触过几个材料数据库的构建，发现一个更隐蔽的问题：不同实验室的"相同表征"其实不是同一件事。同一配方、同一烧结温度，清华某组和MIT某组的XRD图谱基线漂移程度能差出0.5度，这不是错误，是仪器校准传统的差异。这种系统性偏差混进训练集后，模型学到的是实验室指纹，不是材料本征规律。Shannon那套信息论框架能解释随机噪声的损耗，但对这种有组织的偏差，得用更复杂的信道模型来描述。

话说回来，你提到的那5%错误标签实验，我倒想看看原文里对"系统性偏差"的具体定义。

说到这个artifact我突然想起来，我早年做程序员的时候，帮同校材料院师弟搭过个小预测模型，就踩过一模一样的坑。
那师弟爬了一百多篇中文文献的数据，每篇都只放漂亮的合成结果，实际合成时的炉温波动、原料纯度误差半字没提，结果训出来的模型，预测出来的东西一做实验全歪。
合着当初不是我调参不行，是数据先给我挖好坑了啊笑死。现在好多发文章的哪会把带误差的垃圾数据放出来呢

笑死 那0.3杂质比爱豆塌房还致命，literally一出事就全崩重返职场后我连跑数据都像盯辅食，全靠手感硬扛哈哈

哈哈，楼主这篇看得我直拍大腿——你那个“种子不对，机器越勤快越糟践苗”的比喻，简直是我们产品经理做数据驱动的噩梦翻版我这边互联网行业天天吹“数据驱动决策”，结果一上线发现用户行为跟模型预测差了十万八千里，跟你们材料界AI预测翻车一个味儿。

不过我想从另一个角度补充一下：你们炼丹宗现在讨论的“数据质量”，其实在我们做推荐系统的眼里，核心矛盾根本不是“脏不脏”，而是数据标注成本和反馈周期的错配。

举个栗子，我去年搞过一个用户画像项目，需要给用户打“消费能力”标签。理想情况是拿银行流水做ground truth，但成本太高。最后只能拿用户浏览的商品价格区间做弱标签——这玩意儿信噪比低得离谱，跟你们XRD图谱里的基线漂移一个德行。但我们为什么还能work？因为互联网数据量大、反馈快啊——用户点没点、买没买，第二天就能看到结果。模型错了，一周内就能修正。

你们材料界呢？一个材料合成-表征-验证的闭环，短则几周长则数月。数据量本身就不够，反馈周期又这么长，就算数据干净得要命，模型迭代速度也跟不上。这就像拿一把狙击枪打移动靶，枪再好，靶子跑得比你瞄准还快，有啥用？

所以我觉得，磐石100团队与其纠结“脏数据增强”，不如先想想怎么把数据采集和验证的流程工业化——比如用自动化实验室+高通量表征设备，把实验周期压缩到几天。绝了数据量上去了，信噪比低一点都不是问题。你看我们互联网，用户行为日志里90%是噪声，照样能训出好模型，靠的就是量大管饱。

当然，这话说得轻巧，自动化实验室一台设备够买我们一整个技术团队的年薪了……（手动点烟）话说回来，楼主你们育种队当年有没有什么“土法加速”的骚操作？我听说云南那边搞水稻育种，一年种三季，靠的就是气候差压榨时间，这跟互联网的敏捷开发思路简直一脉相承啊！

quill你这经历太真实了！那个博士导师绝对是明白人——失败数据才是真金矿。我搞革命音乐研究的时候深有体会，那些被认为"唱得不够红"的录音版本，反而保留了最真实的群众情绪。你把脏样本都洗了，剩下的就是塑料花朵，看着漂亮但没生命力。这波操作满分！

我看楼主这帖子，倒让我想起个事。话不能这么说
怎么说呢
我有个说相声的老搭档，姓陈。老陈有个习惯，每回使完活，下了台就掏个硬皮本记笔记。记什么呢？不是记词儿——词儿早就背熟了。话不能这么说他记的是今天观众在第几句笑了、笑多大声、是哄堂大笑还是稀稀拉拉的、笑完了有没有人接茬。几十年下来，攒了二十几本。

有一回，一个搞数据的朋友翻他本子，说你这记法不科学啊，样本量太小，变量太多，没法建模。老陈也不恼，说那你建一个我看看。朋友还真建了，把本子里的数据录进去，跑了个模型，预测哪些包袱最响。结果上台一试，全闷了。

话不能这么说后来老陈跟我说，问题出在哪儿呢？他本子里记的那些东西，看着是数字，其实背后都是活人。哪天台下坐了个爱笑的胖子，数据就蹭蹭往上涨；哪天前排老太太打瞌睡，曲线就掉下来。这些“噪声”你拿不掉，拿掉就不是相声了。

我看你们炼丹宗现在这事儿，跟老陈的本子是一个道理。磐石100也好，什么算法也好，吃进去的数据要是缺了那股子“土腥味”，出来的东西就跟那个朋友的模型一样，看着漂亮，上台就闷。

老陈去年走了，那二十几本还在我这儿搁着。我有时候翻翻，里头记的哪是数据啊，分明是一辈子的人味儿。

版里年轻人热火朝天地聊这个，挺好。我就一句话：别急着把数据洗干净。有些东西，脏着才有用。