一、问题分层与本文边界

近几日栏目 C 已分别覆盖机器人运动层面的路径规划与防碰撞（09-10）、设备生命周期侧的联网监控与预测性维护（09-11）、单工作站内的脚本与板位调度（09-09）、产品设计侧的 CFD/注塑数字孪生（09-12）。本篇处理的是再往上一层的宏观问题：实验室/产线层面的样本队列排程与通量瓶颈诊断——多个样本批次在提取仪、液体工作站、PCR/测序仪、质谱等多台设备之间如何排队、编批、并行与插单，以及整线产能瓶颈在哪里、增配哪台设备收益最大。它不展开单机器人运动规划、设备健康监测、单机脚本生成或 CFD 内容。

与 LIMS 的关系一句话说明：LIMS/ELN 提供样本状态与工作流队列的"数据底座"（如 Illumina Clarity LIMS、Benchling 的工作流队列概念），但队列的优化求解（排产、编批、瓶颈量化）通常由独立的仿真/排程软件或自动化厂商调度器完成，LIMS 不是本篇主角。

二、AI/运筹到底落地了没有：场景与成熟度分级

一句话回答主轴问题：落地了，但落地的不是"AI 大模型"，而是传统运筹优化（DES、MIP、元启发式）；深度学习/RL 目前停在论文里。最扎实的中国公开案例恰好是分子实验室场景——用 DES 发现"零成本调班比买设备更有效"（最长总耗时缩短近 1 小时至 4.90 h，成本不变；而增购提取仪或 PCR 仪对总时间改善甚微）[1]。

三、模型与算法路线

• 离散事件仿真（DES）：把样本/板作为实体、设备与人员作为资源排队求解，"what-if"式评估排班、增配、流程改动的产能影响。工业工具 Arena（Rockwell）[1]、AnyLogic、Simul8；开源 SimPy（Python）[14]。DES 不直接"给最优解"，而是给决策证据。
• 整数规划/约束求解：S-LAB 将调度形式化为 MIP 并用分支定界精确求解，显式处理"相互边界时间约束"（TCMB——两个操作起点/终点时间差的上限，对应活细胞、RNA、酶等不稳定样本的稳定性窗口），这是分子/蛋白实验室区别于通用车间的核心约束。案例：Nextera 建库作业单一工作站 851 分钟，多仪器同时调度 576 分钟（68%）；瓶颈仪器 1→2 台使 3 作业总时长 122→91 分钟，3 台 82 分钟，4 台以上收益饱和——这正是排程模型对"该不该加设备"的量化回答[2]。
• 元启发式（模拟退火/遗传算法/贪心）：SAGAS 面向实验室自动化的模拟退火+贪心调度器（SLAS Technology 2023）[3]，适合大规模问题下牺牲最优性换求解速度。
• 强化学习：多智能体 RL 在 FJSP 类问题上有论文成果[16]，理论上适合动态插单/设备故障重排场景，但缺公开的湿实验落地证据。
• 排队论与利用率分析：作为 DES 的简化解析骨架（到达率/服务率/利用率），常用于快速估算，本篇未检索到独立的实验室排队论商用软件。
• 瓶颈分析方法（精益/TOC/TPM）：样本管理领域的精益改造（价值流分析、拉动式补料）有公开实践[17]；TPM 式的设备利用率/OEE 看板正在被编排平台吸收（如 Biosero GBG 的集中式仪表盘实时监控仪器状态、样本位置[5]）。

四、产品与厂商清单

Genologics（Illumina Clarity LIMS）等以工作流队列管理为主，不含优化求解，不列入排程产品；Dotmatics Luma 等"科学操作系统"类编排平台是 SLAS 2026 的趋势性新品（厂商宣称）[15]。

五、定价与部署形态

总体形态：仿真与调度软件以本地许可/随项目交付为主，纯 SaaS 排程在中国分子/蛋白实验室尚未见公开落地案例；SLAS 2026 上的趋势是编排平台与 API-first 仪器结合、走向半自主实验室（行业趋势判断，经厂商博客转述）[15]。

六、渠道覆盖情况（如实写明空白）

经核对 ebaiao.cn 商城快照（2026-08-27，共 352 个 SKU），本选题相关的队列调度/仿真/产能规划类在售软件 SKU 为 0——商城"实验软件"分类仅 5 个 SKU，均为样本管理与 LIMS 类。该品类在渠道完全未覆盖，市场以海外工业软件（AnyLogic/Simul8/Arena）、自动化厂商自带调度模块与机构自研为主。渠道内可引用的相邻生态品如下（均为渠道一手来源，询价制品类价格写"未确认（渠道询价制）"）：

七、数据质量与合规风险

• 工时数据是排程的生命线：DES/MIP 模型必须用真实时间戳标定。广州案例用一周 2,391 份标本的接收-报告时间建模，且作者明确指出"部分流程间等待时间无法获得"是其局限[1]——多数实验室连这种粒度的数据都没有，模型失真风险高。
• 生物时间窗约束不能错：TCMB 类约束（RNA/酶降解、活细胞窗口）取值错误会直接导致排程"最优但样本报废"，这是分子/蛋白实验室排程区别于制造业的关键合规点[2]。
• GxP 可追溯性：排程决策变更需要审计追踪，Biosero 将 21 CFR Part 11 合规模块作为可选件[5]；自研 SimPy/MIP 工具链需自行补齐电子记录与版本控制。
• 厂商宣称的效率数字不可直接采信：αLab Studio"利用率+18%、闲置率-15%"等均为厂商宣称、无第三方验证[4]。

八、人力替代效应评估

本品类替代的不是湿实验操作岗，而是"人工排产"这件事：用 Excel/白板排批次、靠经验判断"今天能不能跑完"、口头协调插单，这些工作目前多由实验室主管/项目管理岗兼职承担。量化影响：

• 广州 DES 案例中，最优解是"把一名夜班人员调到早班"（零成本，最长耗时缩短近 1 小时），而非减人或加设备[1]——排程优化首先改变的是排班结构，对人力的净替代有限。
• S-LAB 案例显示多仪器协同调度可把建库作业耗时压到单工作站的 68%[2]，省下的是设备等待与人工倒板衔接时间，对应的是"自动化协调员"类岗位需求的下降，同时抬高对能建模型、会读仿真结果的实验室运营工程师需求。
• 对中小分子/蛋白实验室（<10 台自动化设备），引入商用调度器的实施成本大概率高于收益，更现实的是用 SimPy/SLab.jl 做一次性产能研究；商用编排调度器主要价值在大型测序中心、样本库与药企筛选平台。