那些登上頂刊的“無人實驗室”，已經(jīng)進化到哪一步了？

在這些實驗室里，沒有研究生熬夜，也沒有博士后加班。機器人24小時連軸做實驗，閱讀論文、設計方案、分析數(shù)據(jù)，甚至開始提出科學假說。從英國到日本，從材料研發(fā)到新藥發(fā)現(xiàn)，一場“無人實驗室”變革正在加速到來?？茖W家會被取代嗎？還是終于能從重復勞動中解放出來？

凌晨三點，一臺機器人已經(jīng)完成了當天的第幾百次實驗。機械臂精確地將微量液體轉(zhuǎn)移進下一個容器，與此同時，它的內(nèi)置AI程序開始處理剛剛采集到的數(shù)據(jù)。不到一分鐘，它已經(jīng)做出決定：繼續(xù)推進反應的下一步。整個過程中，實驗室里沒有任何人。

這個場景不是科幻小說。它發(fā)生在英國利物浦大學的化學實驗室，機器人就是在這種節(jié)奏里工作了整整八天。

機器人利用人工智能執(zhí)行探索性化學研究任務 | 圖源：利物浦大學

領導該項目的博士后研究員維賈亞克里希南（Sriram Vijayakrishnan）曾經(jīng)親手完成這些操作，他深知其中的枯燥——而現(xiàn)在，人工智能承擔了這部分工作，時間從“以小時為單位”壓縮到了“以分鐘為單位”。這項研究于2024年發(fā)表在《自然》（Nature）雜志上。

時間來到兩年后的今天，機器人實驗室已經(jīng)從零散的學術(shù)實驗演變?yōu)橐粓鋈蚍秶鷥?nèi)的系統(tǒng)性行動。

今年4月，東京的一所大學啟用日本規(guī)模最大的自動化實驗設施之一。在這座設施內(nèi)，機器人將代替人類進行科學實驗。

傳統(tǒng)的單臂實驗室機器人在過去十余年中已被廣泛應用于高通量篩選和標準化的微孔板處理任務，但其能力通常受限于極其標準化的環(huán)境。

相比之下，這家實驗室引入的仿人雙臂機器人能夠完成更精細的任務，其運動靈活性憑借多個自由度，物理操作精度已經(jīng)很接近人類了。

與此同時，大語言模型的迅速普及正在為這場變革注入新的能量——機器人開始不僅僅是在做實驗，它們也開始“思考”實驗該怎么設計了。

實驗科學的產(chǎn)業(yè)革命？

今年4月中旬，東京科學大學湯島校區(qū)機器人創(chuàng)新中心（Robotics Innovation Center）舉行了開幕典禮。參加剪彩的來賓里，有幾臺機器人。

這間實驗室目前運營著10臺機器人，其中包括名為Maholo LabDroid的人形機器人。它由日本產(chǎn)業(yè)技術(shù)綜合研究所（AIST）與安川電機（Yaskawa Electric）聯(lián)合研發(fā)，外形并不科幻：兩條機械臂，一個簡潔的軀干，但它執(zhí)行的操作比外表看起來精細得多——精準地轉(zhuǎn)移微量試劑，打開溫控設備門，按照預設程序進行細胞培養(yǎng)，隨后檢測、記錄、調(diào)整。

內(nèi)置AI軟件的實驗室機器人可以獨立管理干細胞培養(yǎng)物 | 圖源：Masatoshi Okauchi/Shutterstock

Maholo在上臂額外設計了一個關節(jié)，與常見的六軸工業(yè)機器人不同，這使它能夠在實驗臺等狹窄空間中靈活操作，復現(xiàn)人類手臂的運動邏輯。

這座實驗室的目標并不局限于開幕時的部署規(guī)模。中心負責人中山敬一在開幕典禮上表示，計劃到2040年將機器人數(shù)量擴展至約2000臺，并讓AI統(tǒng)合控制大量機器人，使從假設生成到實驗驗證的研究流程盡可能自動化。他將這一愿景稱為“實驗科學的產(chǎn)業(yè)革命”。

這句話背后有一個嚴峻的現(xiàn)實：日本正面臨人口老齡化帶來的科研人口收縮和勞動力短缺壓力，支撐傳統(tǒng)科研模式的基礎技術(shù)人員與研究生隊伍也面臨補給不足的風險。

更遠期的設想是建立一個工廠規(guī)模的科研設施，讓該大學乃至海外科學家能夠提交研究想法或?qū)嶒瀰f(xié)議，由設施內(nèi)的機器人系統(tǒng)完成所需操作。部分報道將這一愿景類比為生命科學領域的“CERN式”基礎設施，但至少目前看來，它仍是長期規(guī)劃，而非現(xiàn)實。

在這座實驗室正式開放之前，Maholo已在兵庫縣神戶市的一家眼科專科醫(yī)院投入使用，協(xié)助進行涉及誘導多能干細胞（iPSC）的臨床研究工作，積累了相當?shù)膶崙?zhàn)經(jīng)驗。

對東京科學大學的研究團隊來說，干細胞培養(yǎng)是當下最核心的任務之一。神田元紀（Genki Kanda）團隊在2022年發(fā)表的研究中，曾用AI機器人從 2 億個可能的參數(shù)組合中，在111天內(nèi)測試143種不同的實驗條件，尋找干細胞培養(yǎng)的優(yōu)化參數(shù)；另一個實驗中，程序能對培養(yǎng)皿中的細胞成像、預測生長曲線，自動判斷最佳收獲時機；在研究人員外出休假期間，機器人連續(xù)照看細胞培養(yǎng)物長達8天，不需要人員在實驗執(zhí)行現(xiàn)場持續(xù)值守。

神田元紀團隊開發(fā)的機器人搜索系統(tǒng) | 圖源：RIKEN

但現(xiàn)在，這類系統(tǒng)仍需人類研究員參與部分外圍流程，包括試劑的前期準備、儀器設備的深度清洗、偶發(fā)性嚴重系統(tǒng)故障的排除以及消耗品的補充。此外，硬件部署、軟件接口和系統(tǒng)集成成本仍然是阻礙該技術(shù)在普通高校實驗室大規(guī)模普及的重要門檻；至于更加精密、自由度更高的雙臂系統(tǒng)，研發(fā)與部署成本則更高。

“無人實驗室”從何而來

要理解無人實驗室的變革，需要區(qū)分兩種截然不同的自動化。

第一種是沿用了數(shù)十年的流水線式自動化：機械臂分液、自動孵育、高通量篩選。這類系統(tǒng)執(zhí)行的是固定程序，機器知道自己在做什么，但不知道為什么，也無法根據(jù)結(jié)果調(diào)整方向。

第二種是2020年前后以來加速進入成熟示范階段的突破方向，研究界將其稱為“自主實驗室”（self-driving laboratory，SDL）。類比自動駕駛汽車，這類系統(tǒng)能在運行中感知環(huán)境、做出決策、修正路線。它的工作邏輯是一個持續(xù)循環(huán)：設計實驗，執(zhí)行，分析結(jié)果，據(jù)此設計更優(yōu)化的下一輪實驗。如此迭代，不需要人在每個節(jié)點做出判斷，只需在關鍵時刻介入。

基于硬件和軟件自主性類別的 SDL 自主級別示意圖 | 圖源：https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055

機器學習在這里扮演了關鍵角色。算法利用每一次實驗的結(jié)果，來預測下一次實驗該怎么做。這個主動學習的過程，使系統(tǒng)在一次次迭代中越來越高效地逼近目標。

利物浦大學的機器人化學實驗室是這一理念的成熟實踐之一。2024年11月發(fā)表的系統(tǒng)中，移動機器人共享同一個實驗空間，調(diào)用超高效液相色譜—質(zhì)譜儀和臺式核磁共振儀對反應產(chǎn)物進行多維度表征——這模仿的是人類化學家在實驗室里綜合使用多種儀器的工作習慣，而非將結(jié)果限定在單一測量上。系統(tǒng)中的決策器綜合這些數(shù)據(jù)，決定哪些反應值得繼續(xù)、哪些應當放棄。在2020年發(fā)表的研究中，該團隊的早期版本機器人曾在8天內(nèi)自主完成688次實驗，發(fā)現(xiàn)了一種光催化制氫效率比初始配方高出約六倍的催化劑組合。

加州大學伯克利分校與勞倫斯伯克利國家實驗室聯(lián)合建立的A-Lab（自主實驗室）則走的是材料科學路線。這套系統(tǒng)整合了計算預測、歷史文獻數(shù)據(jù)、機器學習和主動學習，全自主完成固態(tài)無機粉末的合成。在17天的實驗中，它從58個目標化合物中合成了41種，合成方案由經(jīng)大量文獻訓練的自然語言模型提出，再通過基于熱力學的算法不斷優(yōu)化，成果于2023年11月發(fā)表在《自然》上。

不過，這項研究發(fā)表后，隨即遭到外部質(zhì)疑：倫敦大學學院材料化學家羅伯特·帕爾格雷夫（Robert Palgrave）等人對實驗表征質(zhì)量和“新材料”表述提出了嚴重疑問。2026年初，論文作者完成勘誤，將原先容易被理解為“科學上全新材料”的表述改為更謹慎的說法：這些材料對A-Lab的預測和訓練平臺而言是新的，但不一定是科學文獻中從未出現(xiàn)過的材料。這次爭議的意義在于，當機器人以極高速度產(chǎn)出大量結(jié)果時，人類專家的判斷力仍是不可省略的最后一道關卡。

另一個強調(diào)速度提升的案例來自北卡羅來納州立大學。該團隊2025年在《自然·化學工程》（Nature Chemical Engineering）上發(fā)布了一項突破：通過將傳統(tǒng)“穩(wěn)態(tài)流”實驗改為連續(xù)動態(tài)流模式，數(shù)據(jù)采集速度提升了至少十倍。在示范體系中，這種方法有望把部分新材料研究的早期篩選，從數(shù)月或數(shù)年壓縮到數(shù)周甚至數(shù)天。

賦予機器人“思考”的能力

如果說自主實驗室解決了“手”的問題，那么大語言模型（LLM）的加入，開始觸及“腦”的層次。

2023年底，卡內(nèi)基·梅隆大學的研究者在《自然》上發(fā)表了一項引發(fā)廣泛關注的工作。他們用GPT-4構(gòu)建了一個名為Coscientist的系統(tǒng)，使它能夠查閱技術(shù)文檔、編寫設備控制代碼，并駕馭實體自動化設備完成化學實驗，包括自主設計并成功執(zhí)行鈀催化的交叉偶聯(lián)反應。這是大語言模型較早系統(tǒng)展示端到端規(guī)劃和執(zhí)行實驗室工作流程能力的代表性案例。

大語言模型的貢獻不僅在于理解自然語言指令。更關鍵的是，它們攜帶著跨越海量文獻的知識儲備，能夠根據(jù)已知信息推斷實驗方向，將“下一步該做什么”這個原本依賴科學家直覺的判斷，轉(zhuǎn)化為一種可供計算機處理的操作。換句話說，它讓機器人有了查閱文獻知識的能力，而不僅僅是執(zhí)行寫好的程序。

類似系統(tǒng)在2025年繼續(xù)迭代。2025年4月，多智能體架構(gòu)的ChemAgents系統(tǒng)發(fā)表在美國化學會旗下《美國化學會志》（Journal of the American Chemical Society）上，由中央任務管理器協(xié)調(diào)四個專職智能體分工：文獻閱讀、實驗設計、計算執(zhí)行、機器人操作，在論文展示的任務范圍內(nèi)形成一條從“讀論文”到“做實驗”的自動化流水線。

在科研論文的生產(chǎn)端，事態(tài)同樣在加速。2026年3月，日本Sakana AI與英屬哥倫比亞大學、Vector Institute、牛津大學合作，在《自然》正式發(fā)表了“AI科學家”（AI Scientist）系統(tǒng)。這套系統(tǒng)能夠自主生成研究假說，編寫實驗代碼，運行測試，分析結(jié)果，直至起草完整論文并模擬同行評審過程。其改進版生成的一篇論文，曾在ICLR 2025的一個會議研討會中達到同行評審的接收閾值；不過，這屬于會議研討會層面的評審，不等同于頂級會議主會錄用。

非營利機構(gòu)FutureHouse于2025年5月推出了面向研究者的公開平臺，首批提供四個專職智能體：通用文獻問答、深度綜述、重復性或先例核查，以及化學實驗規(guī)劃。該機構(gòu)還展示了名為Robin的多智能體系統(tǒng)，進一步整合文獻檢索、數(shù)據(jù)分析、假說生成和實驗規(guī)劃等能力。該機構(gòu)稱，其整合系統(tǒng)能在一天內(nèi)完成人類研究者原本需要數(shù)月的部分文獻綜述和假說生成工作。

2026年5月19日，Google Cloud AI Research、Google DeepMind和Google Research等團隊在《自然》發(fā)表了Co-Scientist系統(tǒng)，進一步把這一方向推向“假說生成”本身。與卡內(nèi)基·梅隆大學的Coscientist不同，Co-Scientist并不以控制實體實驗設備為重點，而是一個建立在Gemini之上的多智能體AI系統(tǒng)，用于結(jié)構(gòu)化科學思考和研究假說生成。

它能夠根據(jù)研究目標和既有科學證據(jù)，提出可供實驗驗證的假說，再讓不同智能體持續(xù)生成、批評、排序和改進這些想法。論文將驗證重點放在三個生物醫(yī)學場景中：藥物再利用、新治療靶點發(fā)現(xiàn)，以及解釋抗微生物耐藥機制；其中，在急性髓系白血病案例中，系統(tǒng)提出了新的藥物再利用候選和協(xié)同組合療法，并通過體外實驗得到驗證。

更有意思的是，論文的補充材料把這種系統(tǒng)明確放在“協(xié)作”而不是“替代”的框架下：研究人員讓人類領域?qū)＜蚁冉o出若干復雜生物醫(yī)學問題的初始“最佳猜測”，再把這些想法放入Co-Scientist的錦標賽式演化流程中接受批評、辯論和迭代。結(jié)果顯示，隨著測試時計算量增加，人類初始想法經(jīng)AI改進后的方案評分持續(xù)提高，后期甚至超過完全由系統(tǒng)自主生成的方案。

換言之，這類系統(tǒng)最值得關注的能力，未必是憑空替科學家想出結(jié)論，而是把人的早期直覺快速展開、互相碰撞，并推向更成熟、更可驗證的形式。

最真實的案例：藥物發(fā)現(xiàn)

在目前的應用場景中，藥物發(fā)現(xiàn)是機器人實驗室最具說服力的商業(yè)案例之一，因為這里的時間成本最為具體。

傳統(tǒng)新藥從早期發(fā)現(xiàn)到最終上市通常需要十年以上時間，整體成本可達十億美元量級，且充滿失敗風險。而從靶點提出、候選物篩選到臨床試驗申請（IND）及早期臨床階段，也往往需要數(shù)年。

人工智能公司Insilico Medicine自2022年12月起運營全機器人實驗室LifeStar1。按公司披露口徑，其自2021年以來已形成30個內(nèi)部藥物資產(chǎn)，其中10個獲得研究性新藥臨床試驗批準。其針對特發(fā)性肺纖維化的候選藥物INS018_055（也稱ISM001-055），于2021年2月被提名為臨床前候選物，并在2023年6月進入II期臨床試驗，從候選物提名到進入II期臨床耗時不足三年。

2025年3月，Insilico向?qū)嶒炇乙肓艘慌_名為Supervisor的雙足人形機器人。按照公司的解釋，這個決定背后是一個務實的技術(shù)瓶頸：實驗室里許多儀器仍是按照人類手部結(jié)構(gòu)和操作習慣設計的，即便是已經(jīng)高度自動化的系統(tǒng)，也常常需要人工介入來更換試劑、完成維護。人形機器人被視為彌合這一鴻溝的過渡方案。

局限，不能回避的另一面

在這些進展之外，研究者們對這一領域的局限同樣保持著坦誠。

利物浦團隊2024年發(fā)表的論文也提示，該系統(tǒng)仍依賴明確設定的化學目標、預先選擇的反應和構(gòu)建單元，以及必要的人類補給和異常處理。把AI決策、移動機器人和復雜實驗室環(huán)境長期穩(wěn)定地整合起來，仍不是一個已經(jīng)完全解決的問題。

東京科學大學的實驗室同樣坦承，在他們目前的無人實驗室中，人類在多個環(huán)節(jié)仍不可或缺：準備機器人使用的試劑和耗材，在設備故障時進行排查和修復，以及在長時間實驗中途補充消耗品。這些后臺工作尚無法完全自動化。

來自學術(shù)界的一項評測則揭示了大語言模型本身的局限。研究者開發(fā)了一套LLM驅(qū)動原子力顯微鏡的自動化框架，并將多個主流AI模型放在真實實驗任務中系統(tǒng)測試。結(jié)果顯示，頂級模型在基礎任務上仍頻繁出錯，且對提示詞措辭極為敏感，表述上的細微差異，有時會導致模型表現(xiàn)大幅波動。更值得警覺的是，LLM存在偏離既定指令的傾向，在需要精確操作的實驗場景中，這構(gòu)成了直接的安全風險。

這些局限提示我們，每一項技術(shù)進展都建立在具體條件之上，在特定場景中有效的系統(tǒng)，未必能簡單移植到另一個場景。即便是在Co-Scientist論文中，作者也把人類專家評價當作判斷生成假說科學效用的關鍵標準，自動化評估可以擴展篩選規(guī)模，但不能取代最終的科學審查。

協(xié)作，而非替代

在這個領域有著多年積累的北卡羅來納州立大學教授阿博哈薩尼（Milad Abolhasani）曾說過一句話，被許多研究者引用：“自主實驗室將作為人類研究者的合作者，顯著縮短達到科學解決方案所需的時間和成本。但它們不會取代人類研究者獨特的專業(yè)知識和創(chuàng)造力?！?/p>

這句話值得細細品味。機器人能以數(shù)倍乃至數(shù)十倍于人類的速度完成數(shù)據(jù)密集型的探索性實驗。AI大模型能輔助研究者從海量文獻中提煉假說，輔助判斷我們該問什么問題。但科學的核心問題——某個發(fā)現(xiàn)是否真正重要、是否開辟了新的方向、數(shù)據(jù)背后的機制究竟意味著什么——仍然離不開人類的判斷。

從更宏觀的角度來看，這場變革的意義或許超出了效率本身。2023年的一項科學計量學研究指出，在其覆蓋的1945年至2010年論文和1976年至2010年專利樣本中，顛覆性指標呈下降趨勢。雖然這一結(jié)論本身仍有爭議，但實驗室自動化仍可能緩解其中一類瓶頸：將科學家從大量重復性操作中解放出來，讓他們得以把精力投入到真正需要人類判斷力的地方。

機器人實驗室最能說明問題的地方，不是它把人類實驗室原樣復制了一遍，而是它正在把實驗流程改造成更適合機器連續(xù)運行的新形態(tài)，建立一種新的工作方式。

科學，正在以一種幾十年前難以預見的方式，繼續(xù)向前走。人類科學家去哪里了？去思考更重要的問題了。

參考資料

[1] https://www.nature.com/articles/s41586-020-2442-2

[2] https://cen.acs.org/physical-chemistry/computational-chemistry/Robot-runs-almost-700-chemistry/98/i27

[3] https://www.chemistryworld.com/news/your-new-labmate-does-700-reactions-in-eight-days-and-its-a-robot/4012125.article

[4] https://www.nature.com/articles/s41586-024-08173-7

[5] https://news.liverpool.ac.uk/2024/11/06/ai-driven-mobile-robots-team-up-to-tackle-chemical-synthesis/

[6] https://www.ric.rim.isct.ac.jp/en/

[7] https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055

[8] https://www.nature.com/articles/s41586-023-06734-w

[9] https://www.nature.com/articles/d41586-023-03956-w

[10] https://pubs.acs.org/doi/10.1021/cen-10403-scicon1

[11] https://news.ncsu.edu/2025/07/fast-forward-for-self-driving-labs/

[12] https://www.nature.com/articles/s41467-025-64105-7

[13] https://www.nature.com/articles/s41586-022-05543-x

[14] https://www.nature.com/articles/d41586-023-00183-1

[15] https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

來源：返樸

編輯：Zoey

轉(zhuǎn)載內(nèi)容僅代表作者觀點

不代表中科院物理所立場

如需轉(zhuǎn)載請聯(lián)系原公眾號