SDL：Self-Driving Lab
Edge‑AI（边缘人工智能）
是把 AI 模型部署在靠近数据产生的本地设备 / 边缘节点上，直接在本地做推理，不用把所有数据传到云端处理。
一、核心定义
- Edge‑AI = 边缘计算 + AI 推理
- 架构：云端训练 + 边缘推理（模型在云端训练好，再部署到终端 / 网关 / 边缘服务器做实时决策）
- 边缘范围：终端（摄像头、手机、传感器、机器人）、边缘网关、本地服务器、基站、微数据中心
二、四大核心优势
- 超低延迟：本地处理，毫秒级响应，适合自动驾驶、工业控制、实时监控
- 隐私安全：原始数据不出本地，减少数据泄露风险
- 省带宽 / 成本：只传结果 / 摘要，不上传海量原始数据
- 离线可用：断网也能正常运行，保障业务连续性
三、关键技术（让 AI 跑在边缘）
- 模型轻量化：剪枝、量化、蒸馏、小模型设计（如 MobileNet、TinyYOLO）
- 硬件加速：专用 AI 芯片（NPU、TPU、边缘 GPU）、FPGA、边缘计算盒
- 框架支持：TensorFlow Lite、PyTorch Mobile、ONNX Runtime、OpenVINO
- 云边端协同：模型下发、更新、监控、联邦学习
四、典型应用场景
- 工业：预测性维护、机器视觉质检、产线实时控制
- 自动驾驶：车载感知、决策、控制（本地实时处理）
- 安防：智能摄像头本地人脸识别、异常检测
- 智能家居 / 可穿戴：语音助手、健康监测、本地交互
- 零售：客流分析、货架识别、自助结算
- 医疗：便携设备实时影像分析、监护预警
五、与云端 AI 的区别
| 维度 | Edge‑AI（边缘） | Cloud‑AI（云端） |
|---|---|---|
| 计算位置 | 本地 / 边缘节点 | 远程数据中心 |
| 延迟 | 1–10ms | 100ms+ |
| 数据传输 | 极少 | 大量 |
| 隐私 | 强 | 弱 |
| 离线能力 | 支持 | 不支持 |
| 算力 / 模型规模 | 小 / 轻量 | 大 / 复杂 |
一句话总结：云端负责 “学”，边缘负责 “用”；云端做大模型，边缘做快决策。
化学物理实体+数字孪生大脑
一、化学物理实体部分
负责动手做实验。
- 化学合成、反应、分离、纯化
- 物理表征：光谱、色谱、显微镜、电学 / 光学测试
- 自动化硬件：机械臂、移液平台、反应釜、传送带、传感器
- 环境：通风、温控、气路、电路、安全系统
一句话：看得见、摸得着、能做实验的硬件本体。
二、数字孪生大脑（计算机 / 软件部分）
负责思考、决策、控制、记忆。就是你说的数字孪生 + AI 大脑。
它包含：
数字孪生（Digital Twin）把整个物理实验室在计算机里建一个虚拟镜像
- 设备状态
- 实验流程
- 物料位置
- 实时数据物理实验室做什么，虚拟里同步显示、预测、优化。
AI 决策大脑
- 设计实验
- 选参数
- 分析数据
- 闭环迭代
- 自动优化路线
调度与控制软件指挥机械臂、控制温度、压力、流速，让设备听话。
数据中台存数据、管数据、追溯数据、生成报告。
一句话：虚拟实验室 + AI 大脑，指挥整个物理实验室自动运行。
三、两者关系（最核心）
- 物理实体：执行动作
- 数字孪生大脑：思考与控制
合在一起，就是SDL 自主实验室（Self-Driving Lab）。
MVP原则
一、全称
MVP = Minimum Viable Product最小可行产品
二、核心定义
MVP 是一种产品开发与验证原则：在项目早期，只做能验证核心价值的最少功能，快速推出可使用、可测试的版本，用真实反馈迭代优化，而不是一次性把所有功能做全。
三、核心思想
- 先验证价值，再追求完美
- 用最小成本验证：用户是否需要、方案是否成立
- 避免在不确定的需求上投入大量资源
四、 三大关键点
- Minimum（最小）只保留必不可少的功能，砍掉所有非核心、可延后的功能。
- Viable（可行）必须能正常运行、能解决核心问题，不是 Demo 或原型。
- Product（产品）是一个可交付、可使用、可反馈的完整东西。
五、MVP 要解决什么
- 降低前期投入风险
- 快速获得真实反馈
- 尽早验证市场 / 需求 / 技术可行性
- 避免盲目开发 “没人用的功能”
六、典型开发流程
- 明确核心目标 / 核心问题
- 提炼必须有的最少功能
- 快速开发出 MVP
- 投放测试 / 收集数据 / 获取反馈
- 根据反馈迭代、扩展功能
七、一句话总结
做最少但够用的东西，先验证对不对，再慢慢做更多、做更好。