与AI共建未来实验室
从电池化学到癌症疗法，科学家正试图让机器人与人工智能全天候推进各项实验。然而，它们真的能被委以重任，确保研究正确无误吗？
午夜过后，在美国加利福尼亚大学伯克利分校赫斯特纪念矿业大楼里，穿过拱形入口，沿着大理石楼梯往下走，来到由人工智能（AI）驱动的自动化实验室——A-Lab。在这里，实验正在自主运行，无人值守。一只只形似清酒杯的坩埚盛放着粉末状前驱体与氧化物，在实验室里流转穿梭。这些样品随后被制成浆料，与锆珠（以氧化锆为主要成分的研磨介质）一起放进离心机中高速旋转。接着，它们会被送入工业烘箱烘烤，再使用X射线衍射进行扫描，最后在电池测试中测量离子电导率。每一步实验结果，都会自动成为下一步实验的起始数据。
一旦某个环节出现问题，比如样品架卡住、样品洒漏或前驱体耗尽，整个实验流程就会戛然而止。米内尔娃、艾尔弗雷德、普罗米修斯、吉夫斯以及其他几台负责过夜实验的AI机器人，并不总能让实验设施自行复位。这时，系统会向正在熟睡的研究生发送电子邮件和Slack（一款即时通信与协作软件）警报。不过，他们不用亲自来实验室，躺在床上就能登录系统，查看实验室的监控画面，尝试远程解决问题。
“我们的目标是找到更好的材料，”加利福尼亚大学伯克利分校的材料科学家、A-Lab实验室负责人赫布兰德·塞德说，“不过，我们真正感兴趣的还在于，能否打造出一款具备科学家般行为能力的AI？”
速度与质量
现在，这种新型科研模式正初具雏形，A-Lab便是全球少数几个先行者之一。这个实验室由加利福尼亚大学伯克利分校和美国劳伦斯伯克利国家实验室（LBNL）联合运营，并由后者提供计算资源。它集成了机器人与实验室自动化设备，并搭载了一款定制的AI智能体。其中，AI智能体可以解读实验结果，并规划下一轮实验方案。研究人员称它为“实验室闭环”，一套能够自主开展实验、反复迭代并构思下一轮实验的系统。塞德表示：“我觉得人们还没意识到，即将到来的科研变革将多具颠覆性。”
但在科学界，速度并不等同于可靠性。A-Lab成了检验该领域当前局限的一块试金石。2023年，这个实验室在《自然》杂志上发表了一篇引发广泛关注的早期论文，宣称它在短短几天内就自主合成了几十种新材料。
然而，外部研究人员质疑这些材料是否称得上真正的创新，以及相关数据能否支撑其主张。随后，研究团队对这篇论文做出了勘误。这场事件暴露了自主科研的核心矛盾：机器固然能以远超人类的速度运行实验，但对实验结果的验证与解读，依然离不开人类。
这种矛盾绝非A-Lab所独有。如今，机器人正以人类无法企及的规模收集数据，机器学习在数据洪流中捕捉规律，AI智能体也开始协助研究人员决定接下来的实验走向。支持者认为，这三种工具相结合可以缩短科学发现的周期。而加速科研进程，不仅关乎新药的研发成本，更关系到全球生物技术的主导权之争。但问题是，科研速度的加快，是否就意味着科研质量的提升？
在A-Lab运行的三年里，它的进展速度常常让市面上的工具望尘莫及。起初，为了让机器人能够启动实验设备，塞德的团队不得不给那些设备临时装上了“假手指”。如今，这个实验室的运行速度大约是人类研究人员的100倍。人类在其中主要充当“流程架构师”的角色，负责优化设备、设定研究方向，并决定后续实验内容。
A-Lab之所以能有如此惊人的速度，关键在于它所依托的劳伦斯伯克利国家实验室的数据基础设施，包括位于该实验室的美国国家能源研究科学计算中心（NERSC）。该计算中心的超级计算机能为大规模科学建模和AI研究提供强大的算力支持。
目前，美国国家能源研究科学计算中心正在与戴尔和英伟达合作，携手打造下一代超级计算机“杜德纳”。该超级计算机以加利福尼亚大学伯克利分校生物化学家詹妮弗·杜德纳的名字命名。杜德纳曾因对基因编辑技术CRISPR-Cas9的贡献而共享了2020年诺贝尔化学奖。这款超级计算机的设计初衷之一，便是为了让美国能源部系统内的AI工具、科学仪器和数据实现互联互通。对于自主实验室而言，算力正在成为实验台的一部分。
此外，A-Lab正在安装一套全新的炉体系统，它可以实时、连续地追踪化学合成的全过程。目前研究人员只能掌握反应前后的状态，对中间的反应过程一无所知。比如他们已知将某些化合物在大约540摄氏度（1000华氏度）下煅烧3小时，就能得到特定的结果，却不清楚这是如何实现的。如今，该实验室希望通过实时捕捉整个实验过程，并即时动态调整实验方案，最终构建出足够的数据集，以便AI实现高效合成预测。
“我还发现，速度可以改变人们的思考方式，”塞德说，“如果你有了一个科研想法，却需要等三个月才能看到结果，其间你很难对此始终保持专注。”
塞德补充说：“当人们能够迅速得到反馈时，就可以持续保持研究热情与专注力，并且会顺势提出全然不同的科学问题。”
研究人员更大的期望是，规模与速度的叠加能让他们对纷繁复杂的系统建立更精准的模型，从而提出更有可能直击本质的科学问题。
专注于基因组编辑的创新基因组学研究所的执行主任布拉德·林盖森表示：“高达90%的实验失败率简直让我抓狂。”正因为有太多实验以失败告终，生物技术行业在药物研发上的投资才会动辄数十亿美元。
对此，林盖森提出了两种解决方案：一是在失败率不变的情况下，通过高度自动化把实验规模做到极大；二是采用创新基因组学研究所的思路，致力于构建一个更精准、更完善的疾病模型。
前所未有的科研体验
2026年2月初的一个周日，在波士顿举办的实验室自动化与筛选协会国际年会上，参会者可以免费搭乘优步前往一家名为“银杏生物”的美国生物技术公司。当时，这家公司正在展示其“可重构自动化推车”。
这是一种带轮子、配有条形码扫描器和机械臂的模块化组件，排列得宛如一排升级版抓娃娃机。它们支持即时动态编程，能够随时随地精准复现任意一套实验操作流程。
当天早些时候，几位参会者在银杏生物的邀请下，通过在公司界面上输入通俗易懂的语言指令，提出了实验设想。等到下午访客抵达时，实验室已经在同时推进数十项实验。该公司首席执行官兼联合创始人贾森·凯利表示，最令人印象深刻的并不是速度或精度，而是实验的灵活性。
“作为一名科学家，你大概会惊叹道，‘我竟然能让实验连夜自主运行。这样第二天早上起来我就可以一边喝咖啡，一边查收数据了。’”凯利说，“这完全是一种前所未有的科研体验。”
机器人成本的下降、数据管道的不断完善，以及AI驱动的自然语言控制技术，共同促成了现代自主实验室的诞生。银杏生物成立于2008年，曾几经调整商业模式，包括通过基因工程改造酵母菌株来生产香料和食品，最终将核心业务聚焦于实验室机器人。这家公司花费了数年时间打磨、完善这套技术路线，正如宣传视频中所言，他们的终极目标是彻底取代传统的实验台。如今，这套模块化系统可以同时操控100多台设备，并能按照科学家设定的实验流程，自动化处理384孔样本板。
凯利将自动化实验室比作自动驾驶汽车，称他实验室目前的自动化水平，大致相当于美国自动驾驶公司Waymo五年前的水平。Waymo是谷歌母公司字母表旗下的子公司。
银杏生物近期推出了一项云实验室服务，使全球科学家都能在线提交实验方案，获取成本估算。如果他们决定继续推进，实验就会在远端实验室自动完成。目前，这项服务每天都会收到许多新的业务咨询。
除了灵活性，工业化规模是另一种发展模式。在美国犹他州盐湖城，美国递归制药公司的机器人系统坐落于一个由迪克体育用品旧卖场改建的场地内。这套以拍摄细胞和培养物图像为核心的自动化系统，每周可运行高达220万项实验。那些索引卡片般大小（国际通用尺寸为短边7.6厘米、长边12.7厘米）、带有1536个孔的样本板会在孵育、施加处理和多角度显微成像之间循环，其间产生的数据则交由AI系统分析。
递归制药公司会通过自研超级计算机BioHive-2，处理公司逾50拍字节（PB）的专有数据，并利用这些数据绘制生物过程图谱，以及寻找意料之外的药物靶点。该公司神经科学副总裁克里斯托弗·温罗表示，利用神经元和小胶质细胞的模型，该公司的平台帮助构建了大规模细胞图谱。目前，这家公司已有多款候选药物进入临床试验阶段。
制药行业的其他企业也在朝同一方向迈进，尽管对大多数企业而言，这种投入的实际回报还有待验证。美国商业地产服务与投资公司世邦魏理仕的生物技术专家马特·加德纳指出，制药行业正在重新设计实验室建筑，为服务器预留了更多空间，并为机器人系统、生物制造和数据中心配备了更强大的电力供应。
2026年3月，瑞士制药巨头罗氏表示，在AI的助力下，抗肿瘤候选药物的研发速度比传统方法快了25%。近期，英伟达与礼来公司也宣布，将联手花费五年时间、斥资高达10亿美元建立一个AI药物研发实验室。
“人们期待未来这种技术能让药物研发变得更快、更好、成本更低，”加德纳说，“但我们目前还没有走到那一步。”
这种高通量实验模式的应用，并不局限于人类治疗的范畴。如今，创新基因组学研究所正在用同样的方法应对一个全球性的环境威胁：甲烷。该实验室正在谷歌和泰德（TED，科技、娱乐、设计的首字母缩写）“大胆计划”的支持下，采集牛群的肠道微生物组样本，并深入追踪了母牛体内的微生物组会如何影响幼崽的微生物组。
随后，研究人员会在实验室里复制这些样本，并将它们送入一套配有计算机视觉的自动化系统中。这套系统经过训练，可以识别新型微生物的形态与结构。目前，研究人员正致力于利用该系统分离出那些为产甲烷菌提供养分的微生物，而产甲烷菌正是甲烷这种强效温室气体的主要来源。
该项目正在产生太字节级的数据，并构建了一个牛类微生物组的工作模型。研究人员希望找到一种干预手段（可能涉及CRISPR技术），使这种菌群转变能够持久维持。而这套造价100万美元的系统，日常仅需一名自动化工程师和一名微生物学家便可正常运转。创新基因组学研究所的林盖森指出：“我们其实把机器人和自动化技术视为一种辅助工具。”
凯利则表示，今年早些时候，银杏生物与开放人工智能（OpenAI）达成合作，部分目的是测试机器人实验室能否像实验科学家一样开展工作。他们将一个OpenAI智能体接入银杏生物的自动化系统，该智能体接受过关于“无细胞蛋白质合成”（一种无需培养活细胞即可生成蛋白质的技术）文献的训练。研究团队在一篇预印本论文（尚未经过同行评审）中报告称，经过数轮实验和3.6万多次独立反应后，该系统超越了已发表的行业基准，将蛋白质的生产成本降低了40%。凯利认为，这些模型已经证明自己是称职的实验人员。
但具备执行能力，并不等同于拥有真正的洞察力。如何弥合这一差距，已然成为一批资金雄厚的初创公司关注的焦点。
数据质量是关键
美国AI初创公司利拉科学专注于研发用于科学推理的AI模型，该公司首席技术官（CTO）安德鲁·比姆表示：“大多数诺贝尔奖级别的发现，关键在于认知能力的突破，并不会受制于实验通量。”比姆指出，在生物学领域，大多数诺贝尔奖都颁给了那些将原本互不关联的不同分支联系起来的发现。他补充说，单纯靠堆数量、拼速度只能小修小补，却无法带来真正突破性的疗法。
目前，数家初创公司与AI巨头正竞相打造具备科学推理能力的AI模型。他们将大量实验数据“喂”给AI，并与研究机构合作开展模型训练与测试。
安特罗匹克生命科学合作与部署负责人乔纳·库尔表示，2026年2月，安特罗匹克宣布与艾伦研究所及霍华德·休斯医学研究所达成合作。AI进驻实验室，不仅可以支持实验室的日常运营，还能提出科学假设并设计实验方案。库尔指出，科学家的日常工作往往充斥着枯燥乏味的观察与数据分析，而这恰恰是安特罗匹克期望AI能加速完成的工作。
其中的关键则在于，用合适的数据以及恰当的学习范式来训练模型。以利拉科学为例，该公司采用了定制化的专属数据，并匹配了通过强化学习训练出的推理模型。比姆指出：“ChatGPT和克劳德被投喂的数据往往来自互联网。但互联网上的内容参差不齐，‘吃’得太多难免会‘反胃’。”
此外，利拉科学的实验室搭建方式也有所不同。它摒弃了传统自动化系统封闭、按固定流程走的模式，转而支持开放式的实验探索。正如该公司首席自主科学官约翰·格雷瓜尔所形容的，这种实验方式就如同爵士乐里的即兴演奏。
因此，比姆坚信，利拉科学的模型在科学推理任务上的表现，足以超越现有的前沿模型。该公司声称，他们利用旗下AI模型，成功开发并优化了一款体内嵌合抗原受体T细胞（CAR-T）疗法。这是一种实验性癌症疗法，通过改造患者自身免疫细胞来精准攻击肿瘤。而且研发成本仅为目前该领域主流开发路线的1%左右。不过，该成果目前仍仅属于公司内部案例研究，还没有经过第三方独立验证。
相比之下，林盖森的态度则要谨慎得多。他担心，在当前科研经费紧缩的环境下，研究人员会选择走捷径，直接用现有的数据训练AI。“把能找到的数据胡乱清理一番就喂给AI，其中很可能夹杂着大量毫无价值的虚假数据。”
他认为，正确的做法应该是先投入成本把数据质量做好。比如，深度思维的蛋白质结构预测模型阿尔法折叠就是一个很好的范例。“阿尔法折叠之所以能大获成功，正是得益于经过精心筛选的高质量、高度相关且规模庞大的数据集，”林盖森指出，“让我们学习阿尔法折叠的模式，针对人类疾病，先做出符合真实生理规律的科学选择，从而让AI模型能获得更优质的训练数据。”
未来的实验室
2025年12月，在华盛顿州里奇兰的太平洋西北国家实验室，作为美国联邦政府发起的AI领域“创世纪计划”的一部分，一套耗资4700万美元、由银杏生物打造的自动化系统落成。创世纪计划是一项获得数亿美元资金支持的“人工智能赋能科学”战略，目标是把顶尖AI模型、自动化实验设施以及美国国家实验室的海量数据整合起来，建成一个协同运转的全美科研网络。
美国国家科学基金会技术、创新与合作部助理主任埃尔温·詹钱达尼指出，美国联邦政府对这类科研项目的投资，投入产出性价比很高。
支持者说，要让这一愿景真正落地，美国联邦政府需要做的不仅仅是采购设备。一个通用性的云实验室体系需要一套明确的“运行规则”，包括硬件和软件标准、数据收集与共享标准、云存储规范等。而这些正是詹钱达尼和团队在致力于制定的规则。此外，这套体系的建设或许还需要美国政府提供科研资助，就像此前多次提供的那样。
“我们的任务是证明，只要恰当地使用AI，就能让科学研究的速度翻倍，”劳伦斯伯克利国家实验室的主任迈克尔·威瑟雷尔说，“我们需要核聚变技术，也需要更先进的水资源再处理技术。”
科学探索常常被比作黑夜里的一盏路灯：研究人员往往固守在已有知识所照亮的方寸之间，却畏惧未知的阴影，不敢轻易涉足。然而，当整片夜空被彻底点亮时会发生什么？世邦魏理仕的加德纳指出，届时涌现出的某些科研前景将令人惊叹，比如能够实时观测细胞的动态行为。
不过，即便科学发展的速度再快，研究结果最终仍然需要接受传统科学标准的检验。未来的实验室或许会永不停歇地在黑夜中独自运转，而科学家的工作，则是在黎明破晓、新的一天到来时，决定接下来实验该如何推进。
（作者：帕特里克·西森）