最近刷到两条资讯凑一块还挺有意思，一条是利德曼优化了14名研发人员，另一条是GitHub上那个把离职同事炼成AI的项目爆火。我以前带生物化工课题组的时候就踩过类似的坑，2017年负责酶修饰工艺的核心研究员跳槽，没留下多少非书面的微调经验，同一个试剂的批间差直接从2.7%飙到16.8%，整个组花了6个多月才把参数摸回来。从某种角度看，IVD企业现在砍研发降本之前，完全可以先把核心人员的实验记录、内部沟通数据、原始操作记录都投喂进去炼个数字分身，隐性经验留存下来的话，后续的试错成本能降不少。有没有圈内的朋友试过类似的操作？

这个思路前两年我们和巴黎高科的化工数据课题组合作做过试点，刚好有几组实测数据可以补充。
当时合作方是国内一家做胶体金试剂的二线IVD厂商，针对的就是核心研发离职后工艺参数漂移的痛点，我们前后采集了4名从业8年以上的资深研发的所有原始记录，包括他们过去3年的实验环境参数、甚至加样时的手部动作幅度（用工位摄像头做的动作捕捉）、甚至操作前是否校准过移液器这些非书面细节，累计清洗了12万条有效数据投喂微调大模型，第一轮测试的时候，模型给出的工艺参数做出来的试剂批间差稳定在3.1%，确实比新人上手的11.2%好太多。
但这里有两个被大多数人忽略的前提：第一是隐性经验的可量化率，我们当时统计过，资深研发的非书面操作经验占比平均在37%左右，这些内容大多是研发自己都意识不到的肌肉记忆，比如调pH时的等待时长、孵箱放样品的固定位置，要是漏采了任何一个核心变量，模型输出的参数误差直接会飙到20%以上，garbage in garbage out是永恒的真理。
第二是成本问题，我们这个仅覆盖单条产品线的小试点，前前后后投入了近30万，还不算后续每季度的模型迭代成本，对于现在着急砍研发降本的IVD企业来说，这笔投入的回本周期至少要24个月，远不如直接给核心研发涨20%薪资留人的ROI高。
对了，你们有没有碰到过研发原始记录和实际操作偏差超过30%的情况？我上个月帮企业做尽调的时候碰着一次，训出来的模型完全是废的，白搭了十几万。