在工作执行点建立结构化数据的必要性

大多数生命科学领域的 AI 项目都有一个可识别的轨迹。通常是这样的：先有一个引人注目的演示，领导层感到兴奋，预算获得批准，团队组建完成。然而六个月后，这项计划往往被悄悄地降级——不是被取消，而是不再像最初那样被优先考虑。

当你去追问原因时，答案很少与模型本身有关。演示中的模型运行良好，问题出现在 AI 面对真实数据、回答真实问题的时候。输出结果虽然看起来合理，但没人能验证它。原本应该使用它的科学家不信任它。治理审查停滞，因为输出无法追溯。项目撞上了真实的数据环境——碎片化、不一致，从未为 AI 考虑而构建——最终无法生存。

这种模式不是偶然，而是当前生命科学领域 AI 采用的主流经验。它反复发生的原因不是模型能力不足，而是底层数据尚未准备好，而且大多数组织发现这个问题的时间都晚了。

生命科学中的数据问题并不神秘，大多数研究人员对此都非常熟悉。表现为：

• 实验记录通常以自由文本形式记入实验笔记，每个参与项目的科学家书写方式各不相同。
• 结果散落在 PDF、临时生成的电子表格以及从未设计为互通的仪器专有数据中。
• 上下文信息——实验目的、假设、决策依据——可能存在于记忆中，或是 Slack 对话，甚至是未归档的演示文稿里。

数据从技术上是可访问的，甚至很多情况下投入了大量努力去收集，但对 AI 来说，它在语义上是不可理解的。它是无关联的数值集合，是没有来源的记录，是缺乏意义的数据。

AI 在这样的基础上可以生成输出：可以总结，可以发现模式，可以回答问题，但无法给出可验证、可追踪、可信赖的答案。因为数据本身也不具备这些特性。当科学家问 “我是否在正确方向上前进？” 这样真正重要的问题时，AI 只能提供一个自信的猜测，这远不是有用的答案。

本能的反应通常是去增加数据连接。如果我们能够接入更多数据源，整合更多系统，为平台建立更多数据通路，AI 的答案或许会改善。这种思路可以理解，但它是错误的。连接器只会移动数据，而不会赋予数据意义。增加更多管道并不能改变 AI 操作的数据本质，只是让碎片化移动得更快。

什么才是真正的结构化数据

“结构化数据”这个词已经被广泛使用，以至于其精确含义容易被模糊。在实验室环境中，我们需要明确它真正的意义以及它能带来的可能性。

结构化数据的最基本定义是：按照既定的模式组织，具有一致的格式、标签和关系。一个结果有明确的类型；一个化合物与其测试的实验相关联；一个实验与执行的方案及其决策目标有明确联系。这不需要复杂的技术，而是要求在数据生成的当下就正确记录，而不是事后再去整理。

“在生成点结构化”的概念比看起来更重要。事后结构化的数据总是部分重建。上下文已经丢失，歧义由清理者而非实验科学家决定，关系只是近似。AI 在这样的数据上运行，也只能得到近似答案。

在工作执行点结构化的数据则不同。它随数据一起携带上下文。科学家在记录结果的同时，因工作流程的安排，自然地记录了结果背后的关系。无需额外工作，结构是正常操作的自然结果，而不是额外负担。

进一步的提升是本体驱动的数据（ontology-backed data），这是真正提升 AI 性能的关键。

本体是一种正式的概念关系图。在生命科学中，它不仅定义数据是什么（化合物、实验结果、材料状态、方案步骤），还定义这些概念在系统中如何互相关联。一种化合物不仅仅是表格中的一行，它有结构；该结构用于实验，实验产生结果，结果关联到决策，决策影响后续实验。数据背后的语义丰富性随信息一起流动，这使 AI 能够回答“方向性”问题，而不仅仅是事实检索问题。

为什么事后补救如此困难

那么，为什么不清理现有数据呢？如果问题是历史数据缺乏结构化，数据清理项目难道不能解决吗？

答案是：可以部分解决，但障碍非常大：

1. 不可逆性：从未在生成点结构化的数据通常具有无法事后消解的歧义。上下文丢失了，实验意图未被记录，相关科学家可能已经离职。清理可以强行施加结构，但无法恢复从未捕获的意义。
2. 规模庞大：对多年科学数据进行结构化改造是巨大的工程，且通常与正在进行的研究争夺资源。这样的项目往往半途而废，看似解决了问题，实则并未彻底。
3. 工作流仍在运作：即便清理成功，新数据仍然按照旧流程生成。清理后的数据很快过时，问题会再次出现。

这意味着，数据基础并非一次性项目，而是一种架构决策：决定科学工作在最初如何被记录。真正能为 AI 打下基础的组织，不是清理已有数据，而是改变新数据的生成方式，让 AI 可用的数据成为日常科学工作的副产品，而不是额外任务。

AI 可用数据的特征

实际可观测的特征如下：

• 在生成点结构化：科学家无需额外操作，数据自然 AI 可用。
• 关系被保留：化合物到实验、实验到结果、结果到决策、决策到后续实验的关系明确存储，AI 查询时无需猜测。
• 实验上下文随数据流动：实验意图、材料来源、决策理由与结果同存，AI 可以解释实验目的。
• 答案可验证：AI 输出的查询可独立重复和检查，透明可追溯。
• 平台开放：外部工具可以接入结构化数据，数据科学家可以使用自己的模型和分析工具而无需重建数据桥。

这些都不需要复杂技术，只需要以结构化科学工作为中心的平台设计，以及认识到 AI 投资与数据投资本质上是同一件事。

治理维度

在受监管的环境中（如大多数生命科学领域），AI 输出必须可审计。这不是额外的官僚要求，而是实际需要。无法验证的 AI 摘要无法通过治理审查。合规团队或监管者关心的不是“模型有多好”，而是“能否显示这个答案是如何生成的，并可复现？”

Gartner 指出，2026 年医疗健康和生命科学领域大多数自主型 AI 项目预计停滞的主要原因不是模型能力，而是无法展示可追溯性和控制能力。预计 80% 的自主型 AI 项目无法通过初步治理检查。

治理问题并非独立于数据质量，它是数据质量的延伸。结构化、本体化数据使 AI 输出天然可审计，因为查询可重现、可检查、可验证。正确的数据基础同时解决了治理问题。

核心问题

在启动下一个 AI 项目之前，在评估供应商、选择模型、做架构决策之前，有一个问题应该优先提出：

AI 将操作的数据是什么？

如果答案涉及大量数据清理、依赖连接器弥补碎片化，或寄希望于模型绕过底层数据的不足，那么项目从一开始就错位。清理工作比预期耗时，连接器移动的是无意义的数据，模型输出无法验证，项目注定会在演示与实际使用之间搁浅。

那些在生命科学中真正获得持续 AI 回报的组织，并不一定拥有最复杂的模型或最激进的 AI 路线，而是拥有在工作点就已结构化、贯穿研究周期、语义丰富的数据，使 AI 输出有意义而非仅仅快速。

模型只是最后一公里，数据才是路。 从一开始就把路建好，并不是 AI 的前提，而是让 AI 投资值得投入的根本条件。