桥接实验最后一公里：面向安全AI辅助支持的数字化实验室 know-how

虽然材料信息学的进步加速了自驾实验室（Self-Driving Laboratories, SDLs）的发展，但人类主导的实验仍是许多教育和探索性研究实验室中的标准做法。在特定实验室环境中，正式文档往往不足以实现安全可靠的操作。我们将正式文档与可靠执行之间的差距称为实验最后一公里（experimental last mile）；这一差距主要涉及 site-specific operational know-how，包括本地规则、例行检查、程序细节以及可 verbalizable 但往往未在标准手册中记录的安全敏感操作。在本概念验证研究中，我们开发了一个人机循环AI助手，将一一发视角实验视频、多模态AI和检索增强生成（Retrieval-Augmented Generation, RAG）相结合。使用粉末X射线衍射实验和学生录制的视频数据作为输入，系统从记录的程序中提取 site-specific 实验室知识，包括物理技术和可听见的确认，这些是常规手册可能遗漏的要素。它 then 提供基于结果 manual 的 grounded responses。为减少不受支持输出的风险，系统采用两层安全设计：通过RAG的 source restriction 和严格的 system-prompt 限制。基于教师的评估显示，针对手册覆盖的提问，系统输出与预期指导一致。对于超出范围的查询，系统会appropriate地拒绝作答，表明其显著降低了幻觉风险。专家评估进一步表明，生成的 advisory reports 实用且安全（效用：3.25/4.00；安全性：4.00/4.00）。这些结果表明，在明确的人类监督下而非取代人类判断力的条件下，AI可行用于桥接实验最后一公里的框架是可行的。