一、3.2 g/L，看起来很精确，但可能只说了一半

假设 Raman100 正在连续监测一个反应，模型每 30 秒给出一次目标组分浓度：

2.7 → 2.9 → 3.0 → 3.1 → 3.2 g/L

如果这套系统只是用来“看趋势”，问题还不大。

但假如工艺规定：浓度达到 3.2 g/L，就自动启动下一步加料。

这时候，3.2 这个数字背后其实隐藏了一个非常重要的问题。

它可能意味着：

• 3.2 ± 0.05 g/L：模型对当前样本非常熟悉；

• 3.2 ± 0.8 g/L：中心值一样，但不确定度已经很高；

• 模型已经进入训练集没见过的区域：算法仍然能算出 3.2，但这个数字不应该直接进入自动控制。

三个结果在屏幕上看起来都是“3.2 g/L”，但在工艺上的意义是不同的。

二、R² 和 RMSEP 很重要，但它们回答不了“这一条数据靠不靠谱”

我们做光谱模型时，经常看 R²、RMSEC、RMSECV、RMSEP、Bias、RPD。

这些指标回答的是：这个模型总体表现怎么样？

而生产现场真正需要问的是：现在这一条光谱的预测，靠不靠谱？

假设一个模型的 RMSEP 是 0.15 g/L，这并不意味着每一条预测都天然等于“±0.15 g/L”。

现实往往是：

• 有些样本位于训练数据中心区域，模型非常熟悉；

• 有些样本已经靠近训练域边界；

• 还有一些样本已经跑到了模型从未见过的区域。

但是传统界面往往仍然只显示一个数字。

三、2026 年一个很重要的变化：PLS 开始不只给“一个数”

PLS 是光谱化学计量学里常见的方法之一，但传统 PLS 天然更擅长给出预测值，并不会自动告诉工程师：这一条预测的不确定度到底是多少。

2026 年发表在 Chemometrics and Intelligent Laboratory Systems 的研究，专门针对 PLS、PCR 及其核方法讨论了不确定度校准。

核心变化可以简单理解为：

不再给所有样本套一个相同的全局误差，而是根据新样本在模型潜变量空间里的位置，为每一个样本生成自己的预测区间。

例如：

四、Raman 领域也已经开始认真研究“预测到底有多可信”

2026 年 Analytical Chemistry 的一项 Raman + 机器学习研究，也把重点放到了校准后的预测不确定度上。

它传递出的信息非常直接：

全局误差指标会掩盖不同样本之间的可靠性差异。

这对在线 Raman 尤其关键，因为 Raman 数据天然可能受到：

• 荧光背景变化

• 样本异质性

• 浑浊、固体颗粒与气泡

• 探头污染

• 仪器响应变化

• 温度和过程条件变化

的影响。

在离线实验里，异常样本可以重新测一次。

但 PAT 是连续运行的：系统不断遇到新样本，而且下一步可能马上就要执行工艺动作。

所以“模型知不知道自己正在变得不可靠”，会直接决定系统能不能继续往自动控制走。

五、最危险的状态，不是模型报错，而是它不知道自己已经走远了

假设一个 Raman 模型是在 20–60 ℃范围的数据上建立的。

某次生产异常让体系到了 72 ℃。

Raman 仍然会产生光谱，PLS 也仍然可以完成矩阵运算，于是软件很认真地告诉你：

浓度 = 3.2 g/L。

问题是：模型训练时根本没有见过 72 ℃这个世界。

数学还能算，并不意味着结果仍然具有原来的可信度。

这类情况可以用一个越来越重要的概念来描述：

Out-of-Distribution，OOD，分布外数据。

六、“可信度”到底可以从哪里来？

工程上不一定只有一种算法。一个更稳健的系统，通常应该综合看几个维度。

1. 预测区间

例如：

预测浓度：3.20 g/L
95% prediction interval：3.12–3.29 g/L

如果下一分钟突然变成：

预测浓度：3.20 g/L
95% prediction interval：2.30–4.15 g/L

即使中心值没有变化，工程师也应该立即警觉。

2. 模型空间距离

PLS 本身就有 latent space。工程上可以判断新光谱离历史训练数据到底有多远。

常见思路包括：

• Hotelling's T²

• Q residual

• leverage

• Mahalanobis distance

• latent-space distance

这些指标本质上都在问：你长得像不像我以前见过的数据？

3. 光谱质量

可信度判断不应该只看机器学习。

系统还应该先判断：

• 信噪比是否异常

• 荧光是否突然升高

• 基线是否异常

• CCD 是否出现饱和

• 探头是否可能污染

• 特征峰是否整体发生异常变化

如果原始数据本身已经坏了，再复杂的模型都没有意义。

4. 工艺状态

这一层尤其容易被纯光谱软件忽视。

如果模型是在特定温度、pH、浓度和搅拌区间建立的，那么当前工艺一旦明显跑出这个范围，即使 Raman 光谱表面看起来还算正常，也应该进入模型适用域检查。

这就是为什么光谱数据和过程数据不能长期分开保存、分开判断。

七、这也是为什么 Raman100 不能只看 Raman

如果只看 Raman100，我们可以得到：

时间 → 光谱 → 模型 → 预测值

但一个真正用于过程决策的系统，还需要知道：这条光谱产生的时候，整个反应到底发生了什么。

Raman100 更擅长提供分子层面的化学信息。

ECP100 / ECP200 这类过程平台，则可以同步记录和管理温度、pH、搅拌、加料以及其他过程状态。

这时候可信度判断就可以从：

“这条光谱像不像以前的数据？”

进一步升级成：

“这条光谱 + 当前工艺状态，是否仍然处于模型经过验证的 Design Space？”

八、到了自动控制，这就不再是“锦上添花”

如果 Raman 只是给工程师看趋势，预测偶尔偏一点，人还能结合经验判断。

但一旦进入自动闭环：

Raman → 判断终点 → 自动停止反应

或者：

Raman → 浓度达到阈值 → ECP 自动加料

模型可信度就会直接影响控制策略。

一个更合理的控制逻辑应该是：

九、零代码建模下一步，不应该只是“自动帮你选 PLS 参数”

零代码光谱建模经常被理解成：

上传数据 → 自动预处理 → 自动选波段 → 自动建模 → 输出模型。

这当然能降低建模门槛。

但如果继续往工业 PAT 走，零代码系统真正需要降低的，是长期管理一个工业模型的门槛。

例如：

• 这个模型到底见过哪些工艺条件？

• 训练数据来自哪些批次？

• 做过哪些预处理？

• 当前样本离训练域有多远？

• 模型是否开始发生漂移？

• 模型更新后，上一版本为什么被替换？

• 新版本是否经过独立再验证？

所以真正有价值的零代码，不应该只是把“写 Python”隐藏掉。

它应该把：

数据版本、预处理、建模、验证、适用域、漂移监控、模型版本和再验证

逐渐放进同一条工作流。

十、一个真正适合生产的在线光谱界面，应该长什么样？

今天很多 PAT 软件的核心显示是：

当前预测值：3.20 g/L

但如果从生产工程师的角度重新设计，它更应该显示：

因为生产工程师最终关心的不是：

“机器学习用了什么算法？”

而是：

“这个数字，我现在能不能拿来做决定？”

十一、给正在做 Raman PAT 的团队一份自查清单

如果你已经在做在线光谱模型，可以直接问自己下面这些问题：

• 模型现在只输出预测值，还是同时能评估预测可信度？

• RMSEP 是一个全局数字，还是不同样本可以有不同预测区间？

• 新光谱明显超出训练数据时，系统能发现吗？

• 探头污染或荧光突然变化时，系统会继续机械预测吗？

• 模型知道自己经过验证的温度、pH、浓度范围吗？

• Raman 数据是否和温度、搅拌、加料等过程参数同步？

• 模型进入陌生区域后，是报警还是继续参与自动控制？

• 模型每次更新后，是否保留版本和验证记录？

如果其中很多问题现在还无法回答，那么团队下一步真正需要补的，可能已经不是“换一个更复杂的机器学习算法”，而是：

模型可信度管理。

十二、在线光谱真正的下一步：让模型知道自己“不知道”

模型熟悉的数据：放心预测。

靠近边界的数据：提高警惕。

从没见过的数据：明确说——我不知道。

从工程角度看，一个敢于说“我不知道”的模型，往往比一个任何时候都能给你六位有效数字的模型，更值得进入真正的生产控制系统。

Raman100 负责让反应过程变得可感知。

零代码建模负责把光谱变成可以使用的过程信息，并逐步承担模型验证与生命周期管理。

ECP100 / ECP200 再把这些信息与真实工艺状态、控制动作连接起来。

最终真正应该建立的是：

感知 → 预测 → 判断预测是否可信 → 决策 → 控制

而不是：

感知 → 给一个数字 → 默认永远正确。

这也是在线光谱真正进入闭环控制之前，必须跨过去的一道门槛。

参考研究

1. Uncertainty calibration for latent-variable regression models, Chemometrics and Intelligent Laboratory Systems, 2026, 105711. DOI: 10.1016/j.chemolab.2026.105711.

2. Calibrated Uncertainty Estimation for Soil Organic Carbon from Raman Spectra, Analytical Chemistry, 2026, 98(1): 309–316. DOI: 10.1021/acs.analchem.5c04616.