咸聊 Vol.42 在线光谱的三个时代 从看得见，到算得准，到真正理解反应

在线光谱的三个时代

从看得见，到算得准，到真正理解反应

某制药企业的CMC团队花了两周时间调试在线拉曼的PLS模型。对主反应产物A和B的定量精度做到了RMSEP<2%，结果令人满意。但一个关键杂质C始终无法建立可靠模型——信噪比不够，模型预测值的波动比实际浓度变化还大。

团队开始考虑换一台更贵的光谱仪，配备更高灵敏度的探测器和更强的激光器。

但问题是：换更好的硬件真的是唯一的出路吗？

这个问题指向了一个更根本的思考——在线光谱这个行业的竞争，到底发生在什么维度上？

一、第一个时代：硬件通量竞争

在线拉曼光谱的第一代竞争逻辑非常直接：谁的仪器能采集到更多光子，谁就能检测到更弱的信号。

围绕这一目标，行业发展出了多条技术路线。高通量虚拟狭缝技术通过消除传统光谱仪中物理狭缝对信号的截断，在不牺牲光谱分辨率的前提下将信号强度提升10到30倍。V型腔增强拉曼技术让激光在光学腔体内多次反射，使样品受到的激发强度成倍增加。全息透射式光谱仪模块则从光学元件本身的效率入手，提升整个信号通路的综合通量。

这些创新是实实在在的工程成就。2019年发表在《Optics Express》上的一项研究表明，V型腔增强技术可以将拉曼信号强度提升数倍，为在线检测的灵敏度设定了新的基准。

但这一层竞争有一个越来越明显的问题：天花板在逼近。腔镜反射率已接近99.992%，HTVS号称接近100%通量效率，探测器暗噪声已接近理论下限。物理上可挖掘的空间越来越小，而且硬件改进一旦发表论文或者申请专利，竞争对手迟早能追上。

二、第二个时代：化学计量学模型竞争

当硬件通量的提升遇到边际收益递减，竞争自然转向了软件和算法层面。

目前行业的主流做法是将拉曼光谱和PLS（偏最小二乘）等化学计量学方法结合，用于过程分析。已经有研究开始用SVM、随机森林和Cubist等机器学习方法替代传统PLS来做化学计量学建模，试图捕捉光谱数据中的非线性关系。也有人使用MCR（多元曲线分辨）和最小二乘法拟合来处理重叠信号，依赖标准拉曼光谱数据库做匹配——本质上是一个"查字典"的过程：你有一本标准光谱的字典，然后用数学方法找到混合光谱里每个组分对应的"词条"。

这些方法代表了行业的普遍做法，确实在持续进步。但它们有一个共同的、根本性的弱点：

所有厂家都在做"谱→浓度"的单步映射。

也就是说，采一张光谱，喂进模型，出一个浓度值。模型是静态的、离线训练的、不考虑时序的。这就像给你一张照片让你判断一个人在做什么，和给你一段视频让你判断——信息量完全不在一个级别。

具体来说，当前主流方法有三个被忽视的信息浪费：

时间维度的浪费。PLS在预测阶段是"逐帧"工作的：每采集一张光谱，独立计算一次浓度，完全不考虑前后时刻的结果。化学反应过程天然具有时间连续性——反应物浓度不会在一秒内从10%跳到50%再回到12%。如果PLS给出了这样的预测序列，任何化学家都能判断其中必有异常。但PLS看不到这一点，因为它没有"记忆"。

工艺参数的遗弃。在配备了多参数采集系统的现代实验室中，温度、pH、搅拌速率、滴加量等工艺参数与拉曼光谱在同一时间轴上同步采集。这些参数与反应组分浓度之间存在确定性的物理化学关系。然而在传统方法中，这些工艺参数被当作"附属信息"记录在日志里，从未参与过浓度预测的计算。这就好比一个医生在诊断时只看化验单的数字，完全不考虑病人的体温、血压和症状。

化学知识的缺席。一位经验丰富的有机化学家看到反应温度达到了60°C、pH降到了4以下、滴加已经进行了30分钟，他能立刻判断："此时副反应应该开始加速，杂质C的浓度应该在上升。"这种判断不依赖拉曼光谱——它来自对反应机理的深层理解。但PLS不具备这种理解，它是一个纯粹的数据驱动模型，不知道什么是反应，不知道质量守恒，更不知道阿伦尼乌斯方程。

三、第三个时代：过程感知智能

3.1 什么是"过程感知"

目前没有任何一家主流厂商在做的事情是：让算法"理解"它在检测的工艺过程本身。

什么意思？用一个具体场景来说明。

假设你在监测一个化工反应釜，反应物A在催化剂作用下转化为产物B，中间会有微量副产物C。C的拉曼信号非常弱，用传统方法几乎测不到。

当前行业的做法是：努力在硬件上把信号做强，然后对每一张光谱独立分析，试图从噪声中把C的峰挑出来。找不到就是找不到。

但换一个思路：你知道A转化为B的动力学方程，你知道C的生成速率和A、B浓度的函数关系。这意味着如果你能精确测出A和B的浓度变化曲线（它们的拉曼信号很强），你可以通过反应动力学推算出C应该是多少。然后你把这个推算值作为先验约束，再回到光谱里去找C的微弱信号。这时候你不是从零开始在噪声里找一根针，你是已经知道针大概在哪里、大概有多长，只是需要确认一下。

3.2 为什么这条路几乎无人涉足

两个原因。

第一，数据维度的缺失。纯光谱仪厂商只有光谱数据这一个维度。要做多模态融合，你需要同时拥有光谱数据和工艺参数数据（温度、pH、搅拌速率、滴加量等），而且两路数据必须在同一时间轴上精确对齐。大多数光谱仪厂商不生产工艺参数采集设备，客户即使自己采集了这些参数，数据也分散在不同系统里，时间戳对不上。

第二，能力交叉的稀缺。把化学知识编码成算法约束，需要一个团队同时具备三种能力：深厚的化学反应机理知识（知道方程长什么样）、过程数据工程能力（能采集和对齐多维数据）、以及现代机器学习能力（能实现物理信息神经网络等前沿方法）。这种交叉人才组合在行业里极其稀缺。

这两个门槛的叠加，使得第三层竞争在目前几乎是一片开放地带。

3.3 物理信息神经网络（PINN）：一种可能的实现路径

近年来，物理信息神经网络（Physics-Informed Neural Networks, PINN）在流体力学、材料科学等领域取得了显著进展。其核心思想是：在神经网络的损失函数中，除了常规的数据拟合项，还加入物理定律作为约束项——网络的输出不仅要匹配观测数据，还必须满足质量守恒、能量守恒、反应速率方程等物理规律。

将这一思想应用于在线光谱分析，系统可以分为三个协同工作的层次：

感知层：拉曼光谱仪采集光谱数据，经过自适应预处理后，由PLS模型给出各组分的初步浓度估计。强信号组分的估计值精度较高，弱信号组分的估计值噪声较大。

采集层：多参数实时数据采集系统同步记录温度、pH、搅拌速率、滴加量等工艺参数，与光谱数据在同一时间轴上精确对齐。

融合层：PINN接收上述两路数据，同时以化学反应动力学方程作为内置约束。弱信号组分的浓度不是从它自己微弱的光谱峰中"看"出来的，而是从强信号组分的精确数据中通过化学方程"算"出来的。光谱数据提供精确输入，化学方程提供映射关系，工艺参数提供方程中的实时变量值。三者结合使得弱信号组分的浓度估计精度可以远超单独使用光谱的结果。

3.4 学术验证：从理论到实证

这一方向并非纯粹的理论设想。2025年发表在《ACS Sustainable Chemistry & Engineering》上的一项研究，展示了贝叶斯多目标优化、原位在线拉曼光谱监测与半自动化实验平台在阿哌沙班中间体绿色合成中的融合应用。研究结果表明：仅用28组实验即可锁定最优工艺条件，酰氯用量从1.4降至1.15当量且转化率提升5.6%，浓度预测误差小于2.4%，关键加料阶段温度波动降低96%，PMI（过程质量指数）和能耗均显著下降。

这一结果的核心启示是：当光谱监测与工艺控制、优化算法在同一平台上打通时，产生的价值远超三者简单相加。光谱提供了实时的组分信息，工艺控制提供了参数可调性，优化算法提供了决策能力——三者形成了一个从"感知"到"决策"到"控制"的闭环，而不是各自独立运行的信息孤岛。

四、数据飞轮：为什么时间是最深的护城河

把这个思路再推一步。

假设一个融合了光谱、工艺参数和化学知识的系统在一个客户的反应釜上连续运行了三个月。它积累了该工艺在不同温度曲线、不同原料批次、不同加料策略下的大量多维数据。这些数据可以训练出一个特定于该客户、该工艺的深度模型——模型不仅"知道"该反应的化学方程，还"学会了"该客户设备的传热特性、搅拌效率、以及特定原料供应商带来的微小差异。

这意味着系统的预测精度会随时间持续提升。更重要的是，这些积累的数据和模型是客户特异性的、不可复制的——竞争对手可以拿到同样的硬件，甚至同样的通用算法框架，但他没有这三个月的过程数据。

五、三层模型的总结与展望

用一句话总结这个三层模型：

第一层硬件竞争，大家在比"谁的眼睛更亮"。光学创新和工程能力决定了仪器能采集到多少光子。这一层的竞争已经白热化，进步空间在收窄。

第二层算法竞争，大家在比"谁的大脑更会看图"。化学计量学和机器学习方法决定了从已有光谱信号中能提取多少信息。这一层是当前行业标配，但做得还很粗，所有人都在做"谱→浓度"的单步映射。

第三层过程感知竞争，比的是"谁真正理解了它在看的是什么东西"。这一层需要光谱数据、工艺参数和化学知识的三维融合，是目前几乎无人涉足的领域。

目前整个行业还挤在第一层和第二层的交界处，第三层几乎是开放的。

对于制药行业而言，这一演进方向有着特别的现实意义。ICH Q8/Q9/Q10框架下的质量源于设计（QbD）理念，本质上要求企业"理解"自己的工艺过程，而不仅仅是"监控"它。FDA在2023年发布的AI/ML用于药物研发与制造的讨论文件中，也明确鼓励将先进过程控制（APC）与过程监测相结合。一个能将化学家的知识编码到算法中、能从过程数据中持续学习的在线分析系统，恰恰是从"监控"走向"理解"的桥梁。