去年帮一位朋友看他那边新挂牌的智能网联汽车专业实验室，设备清单列了整整三页纸：四台图形工作站、一套实时仿真机、一台线控底盘、两套激光雷达、六路摄像头、一套车联网通信模块，预算七位数。我问了一句：这学期能开出几个实验？对方翻了半天培养方案，说满打满算八个，其中三个还是验证性的，学生照着指导书点下一步就行。
这个场景在这两年特别常见。智能网联汽车专业热得发烫，招生简章上写得天花乱坠，可真正落到实验室里，能开出的实验和宣传里的画面之间差着一条鸿沟。设备买回来了不等于实验开得出来，实验开得出来不等于学生学得到东西。这篇就聊聊这条鸿沟在哪里，以及一个实验室从“有设备”到“能开课”中间到底要补哪些东西——包括具体能开什么实验、每个实验的核心判据是什么、器材门槛在哪里、以及那些只有真正带过学生做实验的人才知道的坑。
1. 专业热了，实验室却卡在“开不出实验”这道坎上
设备采购和实验开出是两件完全不同的事。采购看的是预算和参数表，实验看的是“学生坐下来两个小时能不能做出一个可验证的结果”。前者可以靠招投标流程解决，后者只能靠人一点一点磨。很多实验室在验收那天拍完照片，接下来半年设备就在那儿吃灰，原因往往不是设备不好，而是没人把它翻译成一份学生能照着走的实验指导书。
1.1 设备清单三页纸，学期实验只有八个
我见过最典型的错配：买了一台高线束激光雷达，结果整个学期只用它做过一次“点云可视化”演示。这不是浪费，是没想清楚这台设备在能力链路里处于哪个位置。激光雷达的价值不在于“能看到点云”，而在于它是多传感器融合实验里提供三维几何信息的那一环，只有把它和相机、毫米波雷达放在同一条时间轴上，它的教学价值才成立。
反过来说，一个实验室真正能开出的实验数量，取决于它拥有多少条完整可闭环的链路，而不是拥有多少台设备。一条“相机采集—标定—检测—结果可视化”的链路，能拆出三到四个实验；一台孤立的激光雷达，只能开一个演示。所以在排实验之前，先画链路图，比先列设备清单重要得多。
还有一个隐性约束是课时。一个实验从讲解、操作、调试到出报告，两学时的课能容纳的操作量非常有限。我个人的经验值是：两学时只够做一个“有明确输入、有明确输出、中间步骤不超过五步”的实验。超过这个复杂度，学生做到一半下课，下次课重新进入状态又要花二十分钟，实验效果大打折扣。
1.2 仿真跑得顺，实车一上路就找不到北
仿真环境里跑通一套感知加控制的流程，和实车上跑通，中间隔着的不是一点点差距。仿真里的图像是干净的，标注是完美的，时间戳是对齐的，车辆动力学是理想的；实车上这些东西全都要打折扣。学生在仿真里调出来的参数，搬到实车上经常直接失效。
这不是说仿真没用，而是说仿真和实车必须被设计成两个不同的实验，而不是同一个实验的两个阶段。仿真的教学目标是“理解算法逻辑和参数影响”，实车的教学目标是“理解真实系统的约束和不确定性”。把两者混在一起，学生会误以为算法跑通就等于系统做完了，这个认知偏差一旦形成，后面很难纠正。
比较务实的做法是：仿真实验占七成课时，用来覆盖算法原理和参数敏感性；实车或半实物实验占三成课时，专门用来暴露真实世界的约束——光照变化、传感器抖动、通信延迟、执行器响应滞后。这三十%的课时，往往是整个专业里学生印象最深的部分。
1.3 学生做完不知道对错，老师验收只看截图
这是最隐蔽也最伤的问题。很多实验的验收标准是“跑出结果截图”，学生截一张图交上来，老师看一眼有画面就给分。结果是学生做完了也不知道自己做的对不对，参数调偏了会有什么后果更是完全没概念。
一个好的实验必须有可量化的判据。标定实验的判据是重投影误差，检测实验的判据是特定场景下的召回率和误检率，控制实验的判据是横向跟踪误差的均方根值，通信实验的判据是端到端时延的分布而不是平均值。判据一旦量化，学生自己就能判断做得对不对，老师验收也有了客观依据，实验的教学效率会提升一大截。
2. 按能力链路切实验：五段式切法比按课程切更实用
排实验的第一个决策是切分维度。按课程切是最常见的做法——《传感器技术》配一组实验、《车辆动力学》配一组实验、《车载网络》配一组实验——但这样切出来的实验彼此孤立，学生学完一学期，脑子里是一堆散点，串不成一条线。
2.1 为什么“感知—定位—决策控制—网联—安全”这条链路适合做实验骨架
按能力链路切，好处是每一段实验的输入输出天然衔接：感知的输出是目标列表，正好是决策的输入；定位的输出是位姿，正好是规划的前提；控制的下发指令走的是车载网络；安全则横跨全链路做失效注入。学生在做后一段实验时会自然意识到前一段的输出质量有多重要，这种“上下游依赖”的体感是散点式实验给不了的。
具体切法我建议分五段：环境感知（相机、激光雷达、毫米波雷达、融合）、定位与建图（组合导航、匹配定位、地图）、决策与规划（行为决策、路径规划、场景仿真）、控制与执行（纵向横向控制、线控底盘、硬件在环）、网联与安全（总线通信、车路通信、功能安全、信息安全）。每段的实验可以独立开设，也可以组合成一个综合项目。
2.2 每段的最小可开实验集与器材门槛
下面这张表是我按“两学时一次、能独立出报告”的标准整理的最小实验集，器材门槛按“能开出来”而不是“开得漂亮”算：
| 链路段 | 最小可开实验 | 核心器材 | 器材门槛说明 |
|---|---|---|---|
| 环境感知 | 相机内参标定 | 棋盘格靶标、工业相机、标定软件 | 最低门槛，几乎零成本 |
| 环境感知 | 激光雷达与相机外参标定 | 多线雷达、相机、标定靶 | 需要标定场地和支架 |
| 环境感知 | 点云地面分割与聚类 | 多线雷达、算力主机 | 需要至少16线雷达 |
| 定位与建图 | 卫星/惯导组合定位数据采集与分析 | 组合导航模块、录包工具 | 需要能出室外的场地 |
| 定位与建图 | 激光点云配准与建图 | 多线雷达、算力主机 | 与感知段共用雷达 |
| 决策与规划 | 场景搭建与车辆动力学仿真 | 仿真软件、图形工作站 | 需要授权和算力 |
| 控制与执行 | 横向跟踪控制参数整定 | 仿真环境或线控底盘 | 纯仿真也能开 |
| 控制与执行 | 硬件在环闭环测试 | 实时仿真机、控制器、总线工具 | 门槛最高的一个 |
| 网联与安全 | 总线报文采集与信号解析 | 总线分析工具、台架 | 门槛适中，性价比高 |
| 网联与安全 | 报文异常注入与影响观察 | 总线工具、台架 | 需在隔离台架上做 |
这张表的意思是：一个预算有限的实验室，完全可以先把感知段的两个标定实验、定位段的数据采集实验、网联段的总线实验开起来，这五个实验的器材总投入不高，但覆盖了整条链路的关键概念。等预算到位再补硬件在环和线控底盘。
3. 感知实验的起点是标定，不是跑通一个检测模型
很多实验室开感知实验，第一个实验就是“用现成模型跑一遍目标检测”，学生调个置信度阈值看到框出来了，实验就结束了。这个顺序是反的。检测模型的输出质量，前提是输入图像已经经过了正确的几何校正；几何校正没做好，后面所有的融合、测距、定位都会带着系统性误差，而且这个误差是隐性的，不会报错，只会让结果悄悄偏掉。
3.1 相机内外参标定：一个棋盘格能讲透三节课
内参标定这件事看起来简单，实际上是把整个视觉几何的基础都包进去了。我一般会把它拆成三个递进的实验：
第一个实验是采集与角点提取。让学生用同一块棋盘格在不同角度、不同距离下采集二十张以上图像，观察角点提取的成功率和稳定性。这里就能暴露出第一个问题：光照不均、棋盘格反光、拍摄角度过斜，角点提取就会失败或偏移。学生自己拍到失败样本，比老师讲十遍“要注意采集质量”有用。
第二个实验是参数求解与误差评估。求解出焦距、主点、畸变系数之后，关键不是看参数值，而是看重投影误差。业内的经验判据是平均重投影误差控制在0.5像素以内算合格，超过1像素说明采集环节有问题。这时候要引导学生去看误差的分布——是均匀分布还是有系统性偏差？系统性偏差通常意味着靶标不平整或者图像有畸变未被正确建模。
第三个实验是畸变校正的效果验证。把校正前后的图像放在一起，用直线是否还直来直观判断。这个实验看起来幼稚，但它建立的是“参数对不对要用几何一致性来验证”的思维方式，比记住几个畸变模型公式重要得多。
提示：棋盘格靶标的打印质量直接影响标定结果。普通打印机打出来的格子边缘会有墨扩散，格子尺寸误差能达到零点几毫米。有条件的话用专业打印或者直接买蚀刻靶标，这一笔钱花得值。
3.2 激光雷达与相机联合标定：外参误差怎么量化
联合标定的目标是求出一个旋转平移矩阵，把雷达坐标系下的点投影到图像坐标系下，让点云和图像能对上。实验的关键不在于“求出矩阵”，而在于“怎么知道矩阵求对了”。
我通常用两个判据。第一个是投影重合度：在标定板上取若干个特征点（比如板的四个角），看雷达点云投影到图像上的位置和图像上实际角点的位置偏差多少像素，一般要求控制在几个像素以内。第二个是多距离验证：在近、中、远三个距离上分别验证，因为外参的旋转误差会随着距离放大，近距离看着很准，远距离可能已经偏出几十厘米。
这个实验最容易出的问题是标定板的姿态。如果标定板在所有采集帧里都是近似同一个姿态，平移分量和旋转分量会产生耦合，解出来的外参在别的姿态下就不准。正确做法是让标定板在视野内覆盖尽量多的姿态和位置，至少要有倾斜、旋转、远近的变化。
3.3 目标检测实验的算力现实与数据选择
检测实验的第一个现实约束是算力。训练一个中等规模的检测网络，用单张消费级显卡跑起来动辄十几个小时，一个学期根本排不开。所以教学场景下我建议两条路：一是用预训练模型做推理和调优，把重点放在阈值、非极大值抑制参数、输入分辨率对结果的影响上；二是用小规模数据集做微调，让学生体会训练过程但控制时间在可接受范围内。
数据选择上也有讲究。用公开数据集最省事，但学生对场景没有体感，调参时缺乏直觉。我倾向于掺一部分自己采集的校园道路数据，哪怕只有几百张，学生在上面调参时的投入度完全不一样——因为他们知道那张图拍的是哪条路。
这里有个细节：自采数据的标注工作量大，可以设计成“半自动标注+人工修正”的实验环节，让学生先用预训练模型出初稿，再人工改。这个过程本身就是对“模型能力边界”的最好教育——学生会亲眼看到模型在哪里出错、错得有多离谱。
3.4 多传感器融合实验里最致命的“时间同步”
融合实验里，学生最容易忽略、也最容易致命的问题是时间同步。两个传感器的数据如果差了五十毫秒，在三十公里时速下就是四十厘米的位置偏差，融合结果还不如单传感器。
实验设计上，我会让学生先做一次故意不同步的融合，观察结果有多离谱，再去做同步。同步的手段分几个层次：软件层用时间戳对齐加插值，硬件层用统一的时钟源（比如卫星秒脉冲或者精密时钟协议）给所有传感器打时间戳。教学上先讲软件层，因为它容易实现、现象明显；再讲硬件层，因为它才是工程上真正可靠的做法。
判据可以设计成：在车辆匀速直线行驶时，让同一个目标同时被相机和雷达观测到，比较两者给出的纵向距离，偏差应该稳定在一个小范围内。如果偏差随速度变化而变化，基本可以判定是时间同步问题。这个判据简单、可复现，学生自己就能排查。
4. 定位与建图：把“卫星信号丢失”当成一等公民来设计
定位实验有个通病：只在天气好、视野开阔的场地上做，卫星信号满格，定位精度漂亮，学生做完觉得这套东西很稳。可真实道路上有高架、有隧道、有地下车库、有密集楼宇，这些场景下卫星信号会掉，掉的时候系统怎么办，才是定位模块真正的考题。
4.1 组合导航实验：松耦合与紧耦合的差别怎么让学生看见
卫星加惯导的组合导航，教科书上讲松耦合和紧耦合的区别，往往画两张框图就过去了。实验里要让学生真正看见差别，得设计一个“卫星信号遮挡”的场景。
具体做法：让设备先静态对准几分钟，然后开始正常行驶，行驶到某一段时人为遮挡天线（用金属板挡一下就行），持续十几秒，再恢复。然后把两种耦合方式的数据录下来对比。松耦合在遮挡期间输出的是惯导递推结果，误差会随时间累积漂移；紧耦合因为用的是原始观测量的伪距相位信息，在卫星数不足时仍能部分约束，漂移速度明显更慢。
判据可以定为：遮挡结束后恢复到正常精度所需的时间。松耦合往往需要较长时间重新收敛，紧耦合收敛更快。这个指标直观、可量化，学生做完对两种架构的差别会有非常实在的理解。
4.2 地下车库与林荫道：降级场景实验怎么搭
降级场景实验的难点在于场地。地下车库不一定有，但可以用别的方式模拟：把天线放进一个金属屏蔽箱，或者在实验室里用信号模拟器回放一段弱信号数据。后者更可控，也更适合教学，因为可以重复。
我比较推荐的是数据回放式实验：提前采集好一段包含信号丢失的完整数据包，让学生回放这段数据，在自己的算法上跑，观察定位输出在丢失期间的表现。这种实验对场地零要求，可重复性极高，而且能设计出各种极端情况（长时间丢失、频繁闪烁丢失、部分卫星被遮挡）。
林荫道的模拟更简单，就是选一段树木密集的路段，注意记录时间和位置，让学生对比同一条路在不同季节（落叶前后）的定位质量差异。这个对比特别有说服力，学生会直观理解“为什么定位不能只靠卫星”。
4.3 建图与地图匹配实验的最小闭环
建图实验不需要很大的场地，一段几百米的环形路线就够。关键是要形成闭环：采集—建图—保存—重定位—评估。
采集阶段让学生用推车或者手持设备走一圈，记录雷达点云和位姿。建图阶段用配准算法把点云拼起来，这里会出现第一个坑：闭环处的点云对不上，说明累积误差没有消除。让学生自己去发现闭环处的重影，比直接讲闭环优化算法有效得多。
重定位阶段是最有成就感的环节：把建好的地图加载进去，让设备在同一个路线上重新走一遍，实时输出当前位姿并在地图上显示。判据可以定为重定位成功率和定位误差。这个实验做完，学生对“高精地图在自动驾驶里到底干什么用”这个问题就有了具体答案，而不是停留在概念层面。
5. 决策控制：从场景仿真到硬件在环再到线控底盘的三级跳
这一段是学生最有兴趣、也最容易出安全事故的部分。我的建议是严格按三级递进：先在纯仿真里把逻辑跑通，再上硬件在环台架验证接口和实时性，最后才碰带轮子的实物。跳过任何一级，风险都会显著上升。
5.1 场景库怎么建，建多少条才够用
仿真实验的第一个问题永远是“跑什么场景”。刚起步的实验室不必追求大而全，我更推荐按功能点建小场景库，每个功能点配五到十条场景，覆盖正常、边界、极端三类。
举个例子，做前向碰撞预警这个功能，场景库可以是：前车匀速（正常）、前车急减速（边界）、前车静止（边界）、前车突然切出（极端）、弯道中的静止车辆（极端）。每条场景再配不同的初速度组合，就形成了参数矩阵。
场景数量的判断标准不是多，而是每条场景都有明确的通过判据。比如碰撞预警场景的判据是最小碰撞时间是否在设定的报警阈值之上触发报警，误报率是否在可接受范围内。没有判据的场景跑一万条也没意义。
5.2 硬件在环台架搭起来之后最容易犯的三个错
硬件在环台架是把仿真模型和真实控制器连起来的桥梁，搭起来之后有三个高频错误。
第一个是实时性没验证。仿真机声称步长一毫秒，但实际跑起来因为模型复杂度超了，会掉步。掉步的表现是模型时间比真实时间慢，测试结果全失真。验证方法很简单：跑一段固定时长的仿真，用外部秒表计时，两者偏差超过百分之一就要查模型复杂度。
第二个是接口电平或协议不匹配。控制器要的是总线信号，仿真机给的是模拟电压，中间少了一个转换环节，或者波特率设错，现象是控制器完全没反应。排查顺序永远是先看物理层（线接对没有、电平和终端电阻），再看数据链路层（波特率、帧格式），最后才怀疑应用层。
第三个是故障注入没有隔离。做失效测试时如果直接往真实控制器里灌异常信号，有可能把控制器写坏或者触发保护锁死。台架上必须设计可切换的旁路，异常注入只在旁路状态下进行。
5.3 线控底盘实验的安全设计与急停链路
一旦涉及带轮子的实物，安全设计就必须前置到实验方案里，而不是事后补。我要求的最低配置是：物理急停按钮（至少两个位置）+ 遥控急停 + 速度硬限幅 + 场地围挡。
急停链路要独立于主控，也就是说主控死机了急停照样有效。这一点很多实验室会忽略，把急停做在软件里，主控一卡死急停也失效了，这是很危险的。正确做法是急停直接切断驱动使能，走硬件回路。
速度限幅要分两级：软件限幅和硬件限幅。软件限幅用来做正常实验，硬件限幅是最后一道防线，通过限流或者限压实现。学生第一次上车时，硬件限幅建议设得很低，等操作熟练了再逐步放开。
注意：所有涉及实物运动的实验，必须两人以上在场，一人操作一人监护。这不是形式主义，我带过的实验里，出问题的几次都是单人操作时发生的。
6. 网联与车载网络：一条报文能撑起一整套实验
车载网络这一段的教学性价比极高。一台总线分析工具加一个台架，就能开出采集、解析、仿真、异常注入一整套实验，投入不大但内容非常扎实。而且这段内容和后面的信息安全实验天然衔接。
6.1 总线实验：从报文录制到信号解析
第一个实验是报文采集与识别。让学生把工具接到台架上，先录一段静默状态的数据，再操作某个功能（比如按一下车窗开关或者转向灯），对比录到的报文变化，找出对应的报文标识符。这个过程很像侦探破案，学生兴趣很高。
第二个实验是信号解析。找到报文之后，要进一步定位到具体的数据位。方法是改变一个物理量（比如连续调节某个开关的档位），观察哪些位在跟着变，再结合字节序和缩放因子反推出物理值。这里会遇到字节序的问题，大端小端的坑必须让学生自己踩一次才记得住。
第三个实验是报文仿真。让学生用工具周期性发送自己构造的报文，模拟某个控制器的行为，观察台架上的执行器是否响应。这一步是后面做异常注入的基础。
判据设计上，我会要求学生提交一份“报文—信号—物理量”的对照表，表里的每一项都要能通过实测复现。这个要求逼着学生不能靠猜。
6.2 车载以太网与时间敏感网络：把“确定性”做成可测量的指标
车载以太网实验的门槛比传统总线高，但价值也大。核心的教学点是确定性——为什么车内某些控制信号必须保证在确定的时间窗口内到达。
实验可以这样设计：在一条车载以太网链路上，同时跑普通数据流和控制数据流，先不加任何调度，测量控制数据流的时延分布；然后开启优先级调度和时间同步机制，再测一次。两次的时延分布放在一起对比，学生就能直观看到“最大时延”这个指标是怎么被压下来的。
这个实验不需要复杂的设备，两台支持时间敏感网络特性的交换机加几个终端就能做。判据可以定为最大时延和时延抖动，两个数字一对比，比讲十页协议原理都清楚。
6.3 车路通信与远程升级：没有场地也能做的降级方案
车路通信实验的痛点是场地和路侧设备。没有条件的话，可以用两个车载单元做点对点直连通信来替代，虽然没有路侧单元，但物理层和直连通信的核心机制是一样的，可以覆盖“广播、时延、丢包、通信距离”这些关键概念。
远程升级实验对场地要求更低，一个台架加一台服务器就能做。核心教学点不是“升级成功”，而是升级的可靠性设计：断点续传、完整性校验、失败回滚、版本管理。让学生故意在升级过程中断网、断电、传损坏的包，观察系统怎么处理。这些异常处理才是工程上的真正难点，正常流程反而最好做。
判据可以定为：在各种异常中断条件下，系统最终都能回到可用状态。这个要求会把学生逼着去思考状态机和持久化，收获比跑通一次正常升级大得多。
7. 功能安全与信息安全：最容易被跳过，也最容易出彩
这两块内容在很多实验室里是空白，原因是“不知道怎么开实验”。其实它们的实验化程度很高，而且做出来的效果特别能打动人——学生亲眼看到系统在故障下怎么反应，比背标准条款有效得多。
7.1 失效注入实验：把“刹车信号丢失”设计成一个可复现的课题
失效注入的基本思路是：在正常工作的系统里人为制造一个故障，观察系统的反应是否符合预期。载体可以是硬件在环台架，也可以是一套简化版的控制器加执行器台架。
以“制动信号丢失”为例，实验流程是：先验证正常情况下制动指令能正确传递和执行；然后在信号路径上做中断，观察执行器是否进入预定义的安全状态；再测试信号被篡改的情况，观察系统能否识别出异常。
这里的关键概念是故障容错时间间隔——从故障发生到必须进入安全状态之间的时间窗口。实验里可以测量这个时间：人为注入故障并打一个时间戳，观察执行器进入安全状态的时间戳，两者之差就是这个系统在当前配置下的容错能力。这个数字是设计指标，能被测出来，学生就会有实感。
7.2 报文注入与渗透测试实验的边界
信息安全实验一定要在完全隔离的台架上做，绝不能接任何真实车辆或者外部网络。这一点必须在实验指导书的第一页写清楚，并且用物理手段保证——台架单独供电、不接外网、总线与其他设备物理断开。
实验内容可以从简单的开始：伪造一条报文注入总线，观察执行器是否响应；再进一步，测试系统的报文校验机制，看有没有做消息认证；再往上，可以做诊断接口的访问控制测试。每一层都要配套讲对应的防护手段，不能只讲攻不讲防。
判据可以设计成一张“攻击—防护对照表”，学生每完成一种注入，就要在表里填上对应的防护措施和它的有效性。这样实验的落点就落在防护设计上，而不是停在“我能黑进去”这种表层刺激上。
注意：这类实验的指导书里，必须明确写出实验环境与真实环境的物理隔离要求，并且要求学生签字确认。这不是流程繁琐，是必要的边界管理。
8. 条件不够时的拼装方案，以及几个没人提前告诉你的坑
不是每个实验室都有充足的预算和场地。我见过不少条件一般的实验室反而开出了很扎实的实验，靠的是把“闭环”这件事拆得足够细，用低成本的环节拼出一条完整的链路。
8.1 半实物加数据回灌：低成本把闭环跑起来
数据回灌是我最推荐的降级方案。思路是：提前采集好真实数据（一段包含各种工况的完整数据包，含相机图像、点云、定位、底盘状态），然后在实验室里把这段数据按时间顺序“喂”给算法，算法输出的控制指令不真发给车，而是接到一个车辆动力学模型上，模型再反馈新的状态。
这样虽然没有真车，但整条链路的时序、接口、数据流都是真实的，学生能完整地跑一遍“感知—决策—控制”的闭环。而且因为数据可重复，参数调整的对比实验特别容易做——同一段数据跑两种参数，结果直接对比。
这套方案的成本主要是一台算力主机加存储，比线控底盘便宜一个数量级，但对教学的覆盖度能达到实车实验的六七成。我通常建议预算有限的实验室优先搭这一套，把实车当作定期开展的提高性实验。
8.2 供电、接地、散热：实验室里最容易返工的三件事
这三件事在建设初期最容易被忽略，后期返工成本最高。
供电：大功率设备（仿真机、图形工作站、线控底盘充电）同时启动时的浪涌电流很容易跳闸。我建议关键设备走独立回路，并且给仿真机和工控机配在线式不间断电源，不是为了停电时继续跑，而是为了防电压跌落导致的设备重启和数据丢失。
接地：传感器信号和功率设备共地会引入干扰，表现为雷达点云有噪点、相机图像有横纹、总线通信偶发错误。做法是信号地和功率地分开，最后单点汇合。这个坑我踩过，当时排查了整整两天才定位到是接地问题。
散热：多台设备塞进一个小机房，夏天温度能到四十度以上，工控机会降频，仿真跑着跑着就掉步。机柜风道要设计好，冷热通道分开，别把所有设备堆在一个密闭机柜里。
8.3 实验记录与可复现性：别让一届学生的成果变成孤本
最后一个坑是关于沉淀的。我见过太多实验室，每一届学生都在重新踩同样的坑，因为上一届的经验没有留下任何可查的记录。
我的做法是强制要求每个实验提交三样东西：实验配置（版本、参数、数据来源）、实验过程记录（关键步骤和异常）、结论与复现说明。前两样是过程，第三样是让别人能重复出来的最小说明。这三样东西积累两三年，就是一个非常宝贵的实验资产库。
更进一步，把每个实验的数据包、配置文件、脚本都统一归档，用版本号管理起来。下一届学生做同一个实验时，可以直接从上一届的终点出发，而不是从零开始。这件事的投入很小，但三五年后的差距是巨大的。
我个人在实际操作中的体会是，实验室建设的成败，八成不取决于设备档次，而取决于有没有人愿意把“一台设备”翻译成“一条可复现的链路”。设备会过时，链路会沉淀下来，变成这个专业真正的教学资产。至于设备清单，每年都可以更新，急不来。
