从计算智能走向实验执行

**AI for Science 正在从“会计算”迈向“会做实验”。**据 InfoQ AI 报道，今年 7 月中旬，国家级科研平台实验室引入首批名为 Monte2 的人形机器人，由源络科技与该实验室联合研发。它们已在真实实验室中执行试剂取放、试剂配置、自动分液、细胞毒性检测等任务，并能在多台实验设备之间协同运行，实验过程中无需人员持续值守。

Monte2 的外形并不强调科幻感，而是围绕实验台操作设计：两条机械臂、简洁躯干，重点在于完成微量试剂转移、仪器抓取、工具调用、核酸提取预处理、细胞毒性培养等精细动作。与常见固定在产线上的六轴工业机器人不同，它面向的是更长序列、更灵活的科研流程，目标是复现人类实验员在实验台上的操作逻辑。

自主实验室成为全球竞赛方向

实验室自动化并不是新概念，但自主实验室的关键变化在于：AI 不只控制设备，还参与判断下一步实验是否值得继续。2024 年，英国利物浦大学团队展示的系统可连续运行 8 天，自主切换色谱、核磁等仪器，并由 AI 判断反应推进方向，完成 680 次实验，相关成果发表于《Nature》。美国伯克利 A-Lab 聚焦材料合成，AI 从文献中生成方案，机器人在 17 天内合成 41 种新材料；北卡大学的研究则通过流程优化，将数据采集速度提升 10 倍，把原本数月的筛选压缩到数周。

与此同时，大模型正在成为实验室的“大脑”。这里的大模型指能理解文本、图像或其他数据并生成推理结果的 AI 系统。卡内基梅隆大学 Coscientist、谷歌 DeepMind Co-Scientist、日本 Sakana AI 的 AI Scientist，都在探索文献理解、实验设计、提出待验证假设乃至辅助论文写作。中国的这一路径，则正在把 AI4S 从科学计算推进到真实实验执行。

实验室 3.0 的三个能力

报道将实验室演进分为三代：1.0 依赖科研人员经验完成移液、称量、离心、观察等操作；2.0 依赖设备与固定程序，提升效率但更像“自动化孤岛”；3.0 则是由大模型负责方法设计、具身智能机器人接管物理执行，形成操作与分析闭环。具身智能，简单说就是让 AI 通过机器人身体感知并作用于真实世界。

源络科技提出的核心技术是 OPN“以物体为中心的物理原生模型”，用于帮助机器人理解实验对象、工具和环境关系，而非只执行预设动作。其实验室 3.0 能力集中在三点：

• 理解实验物体与场景关系：识别试剂、试管、细胞、仪器，判断不同操作之间的影响；
• 连续数小时稳定执行长流程：在多步骤、多设备之间保持任务连续性；
• 多模态感知并实时调整：融合视觉、力觉、触觉，应对液面、角度、抓取力度等变化，并达到亚毫米级操作精度。

这些能力的意义在于，机器人不再只是“按按钮的机械臂”，而是能围绕实验目标组织一串动作，在动态环境中修正执行过程。

真实落地：细胞实验先受益

细胞毒性检测、细胞培养传代等生物医药实验，是自主实验室价值较容易体现的场景。它们通常包含样本取样、工作液配置、反复移液、仪器操作等大量细碎步骤，且每一步都会影响结果。人工操作容易受疲劳、经验差异影响，例如移液深度、加样量等细微差别，都可能带来实验偏差。

报道称，源络机器人在国家级科研平台落地后，已能自主完成细胞传代、细胞毒性检测等完整流程，协同多台实验设备，完成 40 余种精细化生物实验操作。该实验室负责人认为，引入人形机器人可缓解人工操作带来的通量瓶颈和一致性问题，并计划到 2027 年底将机器人数量扩展至约百台规模，再通过 AI 统一调度机器人集群。

协作而非替代

**机器人实验室的价值，不是把科研人员排除在外，而是把人从重复、高强度、长时间值守中释放出来。**北卡罗来纳州立大学教授 Milad Abolhasani 曾指出，自主实验室会成为人类研究者的合作者，缩短获得科学解决方案所需的时间和成本，但不会取代人类研究者的专业知识和创造力。

这一判断也适用于当前 AI4S 落地。机器人擅长稳定、重复、数据密集型实验，大模型擅长从文献和数据中辅助形成假设；但判断发现是否重要、机制是否成立、方向是否值得投入，仍依赖科学家的洞察。源络科技发起“原点计划”，寻找首批 100 位合作伙伴，面向生物医药、材料科学、化学分析等场景验证具身智能应用。可以预见，未来实验室竞争力将不只来自仪器数量，而来自 AI、机器人、实验流程和科学家判断力的协同效率。