企业官网建设流程全解析

最近好几所高校和职业院校的老师来问我，学校批了预算，想快速把具身智能的数据采集教学实验室搭起来，但不知道从哪下手。尤其是“合规”两个字，让很多人特别头疼。一边是具身智能大热，学术界和产业界都在抢数据；另一边是教学场景里跑数据，稍不注意就会在隐私、安全、设备管理上出问题。

我们团队过去一年里从零搭建过两套教学用的数据采集实验室，一套偏机器人操作（机械臂抓取），一套偏移动导航（底盘+视觉）。从立项到投入第一节课，前后大概花了四个月。中间踩过不少坑，也沉淀了一套比较可行的打法。这篇文章不扯宏观趋势，就讲具体的：如何在没有太多成熟经验可参考的情况下，把一间普通教室改造成合规、能用、学生一学期就能跑通全流程的具身智能数据采集实验室。

1. 从需求到方案的链路：别急着买机器人，先回答三个问题

很多老师一上来就兴致勃勃地看机械臂、看复合机器人、看动捕系统，觉得设备越贵越能体现实验室水平。但实际落地后才发现，要么学生操作不熟练，设备吃灰；要么数据采了一堆，格式五花八门，根本没法用来训练模型；要么安全管理不过关，被叫停整改。教学实验室不是科研武器库，它首先是一个“教学空间”，要让学生在一个学期内形成“采集数据—清洗数据—训练模型—评估迭代”的闭环。想清楚这一点，才能避免预算打水漂。

动手之前，我们建议团队内部先明确三个问题。

1.1 教学实验室和科研实验室的核心差异是什么

科研实验室追求的是数据和模型的“上限”，可以容忍设备复杂、操作繁琐，因为核心人员是专职研究员。教学实验室面对的是几十个学生，他们很可能零基础，一节课只有两三个小时。实验场景必须满足：可重复、可解释、可拆解、可容错。

可重复是指同一个采集流程，换一批学生操作，得到的数据格式和物理含义保持一致。可解释是指每一步操作都有明确目的，比如为什么要先标定相机，为什么要设置采样频率，不能像黑盒一样点了就采。可拆解是指可以把一个完整的采集系统拆成机械、控制、感知、数据、安全几个模块，每个模块单独教学，降低认知门槛。可容错是指学生操作失误不能导致设备损坏或安全事故，需要从硬件层面就设计好限位、急停、速度约束等保护机制。

这里我特别想强调“可容错”。科研设备经常追求高自由度、灵活操作，但在教学环境里，往往一台设备连续被几十个学生折腾，可靠性比性能更重要。我们选型时甚至主动放弃了一些性能更强但比较“娇贵”的传感器，转用工业级但技术成熟、抗冲击的设计，数据精度虽然降了一点，但整学期几乎没有坏过。

1.2 合规不是附加项，而是前置约束条件

很多团队把“合规”理解为最后补一个实验伦理申请表或安全责任书，实际上完全错了。具身智能数据采集实验室涉及的多模态数据，恰恰是现在数据安全监管最关注的类别。

合规的核心是三件事：数据主体权益、数据分级管理和设备安全。数据主体权益很好理解，比如采集人的操作动作、面部表情、语音指令，这些都属于个人生物特征相关数据，必须先知情同意、后采集。数据分级管理要求实验室对不同类型的数据有明确的密级划分，比如动作轨迹与深度视频的处理强度不应该一样。设备安全则包括机械电气的物理安全、网络接入安全、软件权限安全。

我们把合规作为实验室架构的核心约束来设计。比如在场地图纸出来的时候，就把隐私遮挡区、数据存储区、操作演示区分开；在选相机时，优先考虑可以物理遮挡画笔区域、也可以通过软件裁剪视野的型号；网络设计上，采集主机不连外网，或者走独立VLAN，从源头降低数据泄露风险。这些在设计阶段加入，几乎不增加成本，但如果后面再补，工程量就大了。

1.3 快速搭建的节奏怎么把握

“快速搭建”不等于直接从设备商那里拉一批货。我们的经验是分成四条并行推进的轨道：场地施工、硬件采购、数据中台搭建、课程脚本开发。四条轨道每周对齐一次，任何变更同步影响评估。

从启动到第一节课投入使用，合理的周期大概是：第1-2周完成需求评审和场地设计；第3-6周完成设备采购、场地改造、网络布线；第7-10周完成硬件装配、软件联调、合规文档准备；第11-12周试运行并培训助教；第13周正式开课。那天有位老师提醒我，说周期要考虑“伦理审批”的时间。确实，如果采集内容涉及学生的个人信息，知情同意流程和审批可能就需要4-6周，一定要提前启动，最好在需求评审阶段就把相关材料准备好。

2. 硬件选型与场地布局：预算有限时怎么把每一分钱花在刀刃上

具身智能数据采集的硬件五花八门，机械臂、轮式底盘、四足、人形、灵巧手、动捕系统，每一类都能掏空预算。但教学实验室要考虑的是一个学期里这么多学生都能跑起来，而不是展示一件孤品。我们的原则是“一套核心设备+多种低成本辅助设备”，核心设备保证数据质量和复现性，辅助设备用来拓展教学维度。

2.1 核心设备选型：围绕“操作、感知、计算”三要素

我以最常见的“桌面级机械臂操作数据采集”场景为例。核心硬件包括：

• 协作型六轴机械臂：负载3-5kg就够了，臂长不超过1000mm，一定要选带力矩限制和碰撞检测功能的，这是安全底线。国产品牌里很多千元到万元级别的产品已经做得比较成熟，不一定非要选进口高价臂。
• 夹爪或灵巧手：初期用两指平行夹爪，足以采集绝大多数抓取任务。灵巧手可以等学生掌握基础数据流程后再引入，避免一上来操作复杂度太高。
• 深度相机：放在第三视角、腕部各一个。优先选硬件同步输出RGB和深度图的型号，像Intel RealSense D435i或国产同类产品，不需要太高的分辨率，帧率稳定更重要。
• 力/力矩传感器：如果资金允许，在机械臂末端装一个六维力传感器，这对采集“柔顺操作”数据非常关键，不然学生只能靠肉眼判断接触力，数据质量会很差。
• 计算平台：给机械臂配一台实时工控机，负责底层控制和同步；另外配一台数据采集服务器，用GPU卡用于后续模型训练，两者分开，避免采集过程中训练卡顿导致丢帧。

这里有个选型经验：不必追求参数最强的传感器，教学实验的数据集规模通常不需要千兆级存储，但要求传感器在不同光照、不同摆放角度下输出一致。我们对比过两台看似参数相近的深度相机，一台在自然光下深度边界漂移严重，另一台则稳定得多，价格反而便宜几百。所以选型前最好借测设备，或者去设备商那里拿真实场景录制一小段数据，不能只看彩页。

2.2 性价比方案：纯仿真还不够，要虚实结合

有些学校预算有限，问能不能直接用仿真平台（比如仿真环境里的机器人）完成数据采集教学。我们的结论是：仿真可以做前置练习和补充实验，但不能完全替代真机采集，因为学生需要对真实世界的传感器噪声、机械延迟、力反馈有直观感受。

比较可行的方案是“虚实结合”：基础认知实验用仿真环境跑通数据流程，比如在仿真里让机器人执行简单移动任务，同步采集视觉和里程计数据；中期实验上真机，采集少量高价值的真实操作数据；后期让学生把真机数据与仿真数据混合，做模型训练的对比实验，理解域迁移问题。这样一台机械臂可以支撑二十多人的小组实验，预算压力小很多。

如果学校条件更紧张，还可以考虑只采购“遥操作设备+小型机械臂”的方案。用一个低成本的力反馈手柄去遥操作桌面机械臂，一样能采集到轨迹映射数据。关键是要跟学生讲清楚：我们采集的是人的操作为例数据，而不是让机器人自动运行的程序数据，这是具身智能数据采集与一般自动化开发最大的区别。

2.3 场地布局和安全合规：物理隔离是最可靠的合规措施

教学实验室合规性最容易忽视的就是场地物理安全。很多老师在装修实验室时只考虑了设备摆放，忽略了安全围栏、急停系统、监控死角。我们第一次搭建时有一台移动底盘在调试过程中突然高速往前冲，差点撞到学生，虽然最后及时按了急停，但从此之后我们就把安全设计放到了最高优先级。

一个标准的桌边操作场景需要做到：

• 机械臂运动范围外设置1.2米高的安全围栏，围栏上挂警示牌，入口设置安全门开关，开门即停机。
• 每个工作站配备两个以上的急停按钮，一个在机械臂本体附近，一个在采集操作终端旁边，必须同时串联在停机回路里。
• 所有线缆走线槽并接地，防止绊倒或漏电；移动机器人工作区域地面铺设防滑垫并标明路径。
• 数据采集区与参观区隔离，参观区只能看到实时预览画面，不能接触数据存储设备。
• 涉及个人隐私的视频数据，存储服务器要放在上锁的机房机柜里，与操作区物理分离。

这里还想提醒一个细节：网络摄像头、智能音响、打印机等带有麦克风或摄像头的设备，尽量不要部署在数据采集工作区，否则很容易把无关的人脸、对话录进去，给你的数据集“自动添加”一堆隐私风险，后面清洗很麻烦。

3. 数据采集系统的软件架构与同步机制：教学场景下稳定性优先

设备是骨头，软件是肌肉。很多实验室买了设备后长期吃灰，就是因为软件系统太难用，学生把时间都花在装驱动、调接口上，而不是理解数据本身。我们搭建软件架构时定了一个硬性指标：学生在助教指导下，第一节课内必须能成功录一段数据并回放出来。如果做不到，说明软件设计太冗余。

3.1 多模态数据怎么统一表达

具身智能的数据采集天然是“多模态”的。常见的数据类型包括：

• 视觉：RGB图像、深度图、点云。
• 位姿：机械臂各关节角度、末端执行器位姿、移动机器人里程计。
• 力觉：末端六维力、关节力矩。
• 触摸：触觉传感器阵列（可选）。
• 人类交互：语音指令、手势、身体动作。

每一种数据都有不同的坐标系、时间戳、格式，如果一股脑丢到一个文件夹里，后续处理就是噩梦。我们采用的方法是：定义一份统一的数据格式规范，所有传感器数据按照“主题”命名，每个主题下保存数据本体和元数据。实际工程上我们用了开源的ROS2系统，也不一定必须用ROS2，但至少要做到“时间戳-主题-内容”三个要素对齐。

举个例子，一条采集样本的文件结构可以是这样：

session_20251026_1502/ metadata.json rgb_cam3/ # 0.mp4 + timestamps.txt depth_cam3/ # 0.npz + timestamps.txt joint_states/ # 0.npy + timestamps.txt force_torque/ # 0.npy + timestamps.txt teleop_actions/ # 0.npy + timestamps.txt instructions/ # 0.wav + transcript.txt

为什么这么设计？因为教学实验经常需要让学生自己去“裁剪”数据段，如果时间戳和内容封装在一个文件里，裁剪时会很痛苦；分开保存反而直观，学生可以用一个脚本就完成对齐和切片。

3.2 多模态数据的时间同步：硬件同步优先，软件同步兜底

这是整个实验室搭建中最容易踩坑的技术点。不同传感器提供自己的时间戳，机械臂控制周期通常是1kHz，相机是30fps，力传感器可能是500Hz，如果时间戳不对齐，训练出来的模型会出现动作抖动、视觉与力觉不匹配的问题。

教学场景更麻烦，因为学生可能刚接触这些概念，要求他们理解PTP协议、外触发信号并不现实。所以我们采用“软硬结合”的同步策略：

• 有硬件触发接口的传感器，比如工业相机和部分高性能机械臂，优先用同一路由进行硬件同步（外部触发或PTP时间同步），让每个传感器在同一个主时钟下打时间戳。
• 没有硬件同步条件的，就用软件同步。软件同步不是打一个系统时间就完事，而是要额外加一个“同步脉冲”通道。具体做法：用一个微控制器每秒钟输出一个同步电平信号，同时给所有采集主机发送同一时间戳。这样，即便不同传感器时间戳有偏移，我们也可以通过同步脉冲的偏移量做后处理矫正。

我们实际用的方案是在每台采集主机上安装一个时间同步服务，定时从主时钟同步时间。录制时计算每个数据帧与最近同步脉冲之间的延迟差，保存在元数据里。后期处理时允许学生根据这份延迟差做重采样。这个设计虽然多写了几百行代码，但学生能够直观看到“如果不同步会发生什么”“怎么判断不同步”这两个非常有价值的教学点。

3.3 数据采集流程要能做到一键启动、状态可视化

教学环境里最忌讳的就是命令行黑窗口和晦涩的配置文件。学生不是运维，他们需要把注意力放在任务设计上。我们开发了一个极简的采集前端界面，技术上不算多高级，但效果很好：

• 界面左侧是设备状态灯：机械臂连接、相机连接、力传感器连接，每一路绿/黄色实时显示。
• 中间是实时预览画面，包括RGB图像、深度图、关节角度曲线。
• 右侧是“任务名称”输入框和“开始录制/结束录制”按钮。
• 录制结束后自动弹出该条数据的基本统计，比如时长、帧数、文件大小、各传感器丢帧数。

这个界面我们一个研究生大概写了一个月。说实话不值得为每个实验室都自己开发一套，可以直接基于RQT或一些开源的可视化工具改。但有一点一定要做：把“采集前检查清单”固化到流程里。比如开始录制之前，程序自动检查所有传感器时间戳是否正常、存储空间是否充足、夹爪是否归零位，任何一项不满足就不允许点开始。这个自动检查帮我们避免了90%以上的无效数据，不然很容易采了几十分钟才发现一条线断了。

3.4 数据质量检查和回放：训练前的最后一道防线

教学实验里学生最常问“老师，我采的数据能不能用？”我们规定所有数据集必须经过一个质量评估脚本才能进入实验报告。脚本会检测：

• 时间戳连续性：有没有长时间的大跳跃。
• 图像质量：有没有过曝、欠曝、失焦。
• 动作覆盖：机械臂末端轨迹是否覆盖了任务要求的空间范围。
• 力觉有效性：接触类任务中是否有力觉信号突变。

回放工具也很重要。我们采用了开源可视化软件，加载录好的数据包，可以自由拖动时间轴，同步查看图像、关节状态、力曲线和操作者的遥操作轨迹。这一步看似简单，但能极大增强学生对数据的感知力。学生通过回放能看出采集过程中哪个环节导致样本“没对准”“动作太慢”“力太大”，从而学会从数据本身去寻找问题。

4. 合规落地的四个实操要点：数据安全与伦理审查不是走过场

这部分是很多人想回避又无法回避的。讲到合规，大家第一反应是麻烦。但具身智能数据采集如果不一开始就按规范来，后面被要求整改或数据被废弃，损失更大。我们整理了四个实操要点，可以直接照着做。

4.1 数据分级与脱敏

采集到的多模态数据必须做分级管理。我们的分级方式是：

• L0级：不涉及任何人员身份信息的纯机器数据（关节角、力矩、点云），可以宽松访问。
• L1级：包含人体表面外观或可辨认活动迹象的数据（RGB视频、语音指令），内部使用必须脱敏。
• L2级：包含人脸、工牌、外部场所标识、手机屏幕等敏感信息的数据，需要严格流程审批才能访问。

脱敏操作在采集完成后的第一时间执行。RGB视频里的人物面部区域，可以用自动检测加手工校验的方式做模糊处理；语音指令只保留文本标注，不保存原始音频，除非教学目标是语音交互否则一律建议不采音频。总之一个原则，“可采集的数据不保存，可脱敏的数据不裸存”，数据量自然就合规了。

4.2 知情同意与数据隐私教育

如果学生需要在采集过程中出现在画面里，必须签署知情同意书，明确说明数据用途（仅用于教学和科研）、保存周期、匿名处理方式、能否被第三方获取。我们还建立了一个反向机制：学生对涉及自己的数据有删除请求权。可能在某个实验中采集到了某个学生的面部素材，虽然做了脱敏，但本人提出删除，我们应该有能力一键定位并删除相关数据段。

不要小看这一环节。实际上，在每一次数据采集前发送知情同意并让学生确认，本身就是最好的数据隐私教育。学生们只有亲身体验“原来我的动作数据也这么敏感”，以后自己处理数据时才会更谨慎。我们甚至在课程考核里加入了“隐私审查”环节，让学生互相审核对方数据集有没有脱敏到位，效果很好。

4.3 数据访问权限和存储审计

合规的第二个支柱是权限控制。教学实验室通常有多位老师、助教、学生，不同角色对数据的访问范围应该不同。

• 访客：只能看公开演示数据，不能接触任何原始数据。
• 学生：只能访问自己小组采集的数据，不能跨组读取。
• 助教：可以查看所有脱敏数据，但不能导出原始数据。
• 教师/管理员：可以导出和删除数据，所有操作留痕。

在技术上实现并不难。我们在数据服务器上建了用户系统和共享目录，不同角色映射到不同权限，所有下载、删除操作都记录到审计日志。这一点很多老师会忽略，但如果未来需要发表基于这些数据的论文或参加评审，完整的审计链是加分项。

另外，数据存储必须要做离线备份，备份盘放在另一个机柜，最好定期离线固态硬盘快照。我们第一学期的时候由于服务器硬盘损坏，丢了十几个学生作业数据，从那以后严格执行“3-2-1”备份策略（3份副本、2种不同介质、1份离线存放）。

4.4 设备安全和操作规范

设备安全是合规的物理底座。除了前文提到的围栏和急停，还有一套标准操作程序。我们制作了巨型的操作流程图贴在每台设备旁边：设备开机自检—检查工具连接—确认采集区域无人—上电后低速试运行—观察传感器状态—开始正式采集—结束采集—关闭设备—下载数据并归档。每一步都有检查项。

同时，实验室应该配备安全员。每节课至少有一名具备紧急处置能力的助教在场，负责监控急停按钮、围栏门状态和机械臂异常发热等情况。很多校园实验室事故都是“大家觉得不会出事”才发生的，该做的冗余保护一样不能少。

5. 教学场景设计：从演示实验到开放式课题的三阶段

设备、数据、合规都有了，最终要落回到教学上。我们把一个学期的课程设计成三个递进阶段。这个结构已经跑过两轮，学生反馈很好，也方便不同基础的学生找到自己的节奏。

5.1 阶段一：认知与数据采集工具使用（1-2周）

第一周我们不写任何代码。让学生看完整的采集Demo，包括操作者如何控制机械臂、画面如何同步显示、录制结束后数据怎么打包。然后给每人发一份“设备操作许可测试”，只有通过安全操作测试的学生才能上手真机。

第二周让学生完成一次最简单的采集任务，比如“采集10个位置的点动轨迹”。重点不是数据量，而是让他们搞清楚几个关键参数：采样频率、分辨率、运动速度、末端坐标系的含义。作业是提交一段30秒的采集录像和一份数据说明文档，说明自己设置了哪些参数、观察到了什么现象。

这个阶段最大的意义是消除恐惧感。很多文科背景或跨界的学生刚开始觉得机器人很复杂，但实际摸过之后发现只要按照规范操作，它是安全的、可控的。

5.2 阶段二：单任务数据采集与模型训练初体验（3-8周）

进入核心环节。以“机械臂抓取特定物体”为例，学生2-3人一组，一人负责遥操作采集数据，一人负责实时监控数据质量，一人负责记录操作笔记。每周完成一小批高质量样本，持续4-6周。

我们强调“数据质量优先于数据量”。每一条样本，学生必须检查回放视频，确认动作平滑、目标物体被成功抓取、深度图没有缺失。之后再标注每段数据的语义标签，例如“从左侧接近水杯”“垂直抓取”等。到了中期，可以让学生用简单的逆运动学或视觉伺服策略做一组自动抓取，对比自动执行采集的数据与人工遥操作采集的数据在分布上的差异。

第6-8周，引入模型训练。不必所有学生都理解深度学习原理，但一定要让他们亲身对比：用自己采集的数据训练一个轻量级视觉抓取检测模型，发现模型表现差时，能从数据里找出问题——是不是样本太单一？物体位置太集中？光照变化太大？这个“数据—模型—再采集”的闭环，比任何理论课都更能帮助学生建立对具身智能数据重要性的认知。

5.3 阶段三：开放式项目与角色扮演（9-12周）

最后一个月让小组自主选题。有人做“桌面整理助手”，有人做“按颜色分拣”，有人做“走廊巡检异常检测”。这个阶段要求学生完整走一遍：场景设计—数据采集方案—合规自查—数据采集—模型训练—系统测试—结果分析。

每次答辩时，我们要求每个小组必须回答三个问题：你的数据集解决了什么关键挑战？数据质量如何量化？如果只给你一天时间重新采集，你希望补充哪些数据？这些问题是行业里做具身智能数据工程真实关心的问题，比单纯展示模型精度更能反映学生的综合能力。

5.4 课堂组织与考核方式

考核不能只看模型准确率。我们的评分结构是：数据采集规范度占30%，数据质量与文档占30%，模型表现占20%，现场演示与安全操作占20%。这样即使某支队伍模型效果一般，但数据采集过程做得很扎实，依然能得高分，也鼓励了那些更擅长数据工程的学生。

分组时也要注意“互补原则”。每组最好有一位动手能力强的、一位代码基础好的、一位写作表达能力好的，避免都堆在同一类角色上。助教在课前已经准备好标准答案库，但不会直接告诉学生，而是引导他们从数据里发现问题。

6. 落地过程中的常见坑与应对：我们踩过的和你们要避开的

最后这部分是干货中的干货。搭建过程远比想象的要曲折，我挑几个典型问题分享下应对方案。

6.1 时间戳不同步，模型训练后动作漂移

第一次联调时，我们用机械臂自带系统时间作为主时钟，相机用自己的时钟，数据录出来看单帧没问题，但一训练行为克隆模型，发现动作输出比真实轨迹慢了大几十毫秒，机械臂明显“漂移”。后来检查发现相机时间戳在开机时会自动归零重置，和主时钟差了近2秒。

解决办法：所有传感器统一用一台NTP时间服务器校准，并且不用纯系统时间，而是用我们的同步脉冲做二次纠正。在录制的每一帧里记录了“同步脉冲偏移”，训练时按这个偏移做时间对齐。同时，我们在开始录制前强制执行“时钟校验”，偏差大于1毫秒就拒绝启动，强制重启设备重新同步。

6.2 伦理审批等待期长，差点耽误开课

我们原本计划开学前完成审批，结果因为操作规程不够细化被打回了一次，整整耽误了一个月。后来我们把审批材料标准化成模板：数据采集范围表、个人信息处理说明、存储期限、脱敏方案、删除流程。这些材料在项目启动第一天就交给行政和法务同步审核，不等设备到了才补。

给新实验室的一个建议：先不要纠结设备参数，第一时间把合规文档框架搭起来，哪怕细节后续再改，也比从头开始快。我们第二套实验室的合规审批只用了一个星期，因为模板都是现成的。

6.3 学生操作不规范，样本废品率极高

刚开课时，我们发现学生录制的数据里有大量“空动作”，也就是机械臂已经运动了，但没有抓到物体，或者物体被碰倒，导致样本完全不能用。废品率一度超过40%。这是因为学生只看回放画面，没有看深度图和力曲线，不知道动作有没有真正触达物体。

后来我们在采集界面上加了三个关键指标：夹爪是否闭合到抓取阈值、腕部力是否出现接触峰值、物体是否在相机视野内。只有当三个指标全部满足时，这一条样本才打上“合格”标记。不合格样本会自动排放到“待复审”目录，学生可以在课后逐条查看原因。一个学期下来，合格率提升到了90%以上。

6.4 存储容量和备份被低估，数据集轻松上TB

一台深度相机录10分钟的RGB+深度数据，大概要3-4GB。如果一个班有6组，每组每周录10段，一个学期就是上TB的数据。很多老师一开始觉得“1个T的硬盘够了吧”，实际上两周就满了。我们后来配置了8TB的NAS用于在线存储，另加4TB离线备份盘。每周自动清理“不合格”数据，只保留合格样本和元数据，减小存储压力。

6.5 机械臂不是玩具，务必做功能安全评估

最后提醒一句，安全问题再怎么强调都不为过。我们给机械臂单独配了安全PLC，与急停回路、安全门、光栅联动，任何一路触发都会让机械臂以最快速度停止，而不是依赖机械臂自己的碰撞检测。碰撞检测是软件层面的，可能失效；安全PLC是硬件链路，更可靠。

另外，强烈建议给实验室买一份责任险，并且定期检查急停位置是否被杂物挡住，安全门锁是否正常闭合。这些东西平时不起眼，但真出问题的时候就是救命稻草。

写到这里，最想分享的体会是：具身智能数据采集教学实验室看起来是个复杂的系统工程项目，但只要抓住“合规前置、教学优先、简化操作、及时验证”四个原则，完全可以在一个学期内搭建并投入使用。不要被花哨的设备参数带偏，多问问设备商“你们的产品能否支持几十个学生连续操作”，多向已经建成实验室的同行请教经验。这个领域还在快速变化中，今天看起来先进的技术，可能明天就被更好用的方案替代，但数据采集这件事本身，一定是值得投入去做的基础工程。