多伦多大学团队：AI如何自建实验室完成真实化学实验？

假如只告诉AI想研究什么，它就能摸清实验室里有哪些设备、还差哪些工具，自己规划机器人动作、搭出实验流程，最终让一场实验真正跑起来，这会是什么光景？

以往实验室自动化追求的是用机器顶替人做实验。如今AI智能体发展起来，研究人员的想法变了：不只让AI会用实验室里的设备，还要它面对新的科研需求时，能给自己补上尚不具备的本事。

近日，多伦多大学、人工智能向量研究所、加速联盟、加拿大高级研究院（CIFAR）以及NVIDIA的研究团队在arXiv发布论文《Self-Building Labs》。白家儒和赵宇驰共同担任第一作者，Yang Cao、Varinia Bernales和Alán Aspuru-Guzik为共同通讯作者。

两位共同第一作者都深耕人工智能与自主实验室方向。赵宇驰是多伦多大学计算机科学系博士三年级研究生，同时在加拿大Vector Institute（向量人工智能研究所）做研究，主攻机器人学习与具身智能，重点探索怎么让机器人自主完成复杂精细的实验操作，推动化学实验室走向智能化、自动化和自主化。白家儒是多伦多大学“埃里克与温迪·施密特 AI 赋能科学研究”博士后研究员（Eric and Wendy Schmidt AI in Science Postdoc Fellow），研究兴趣在人工智能驱动的科学研究与分布式实验室自主化。

SBL想做的，不只是把已有实验流程自动跑一遍。它还要AI自己看出实验室缺什么能力，再借数字孪生、智能体和机器人，一步步建起新的设备接口、操作技能和实验工作流。

团队拿硫化镉量子点合成做例子，演示了系统怎样调度液体处理机器人、机械臂和光学检测设备，把试剂配制、样品转移、光学测量这一串操作串起来完成。仿真环境里，他们还试了多机器人协作和多工作站之间的实验流程。

这背后是实验室自动化的一种新可能：AI不再只是使用人类预先搭好的实验系统，而是开始按科研目标，主动去扩展实验室自身的能力。

已经有了自驱动实验室，还需要自建实验室吗？

机器人替人做实验并不新鲜。过去十余年，自驱动实验室（SDL，Self-Building Lab）逐渐成为AI for Science的重要方向。它一般围绕设计、制造、测试和分析（DMTA）循环转：研究人员给出实验目标，自动化系统依据已有数据设计实验，机器人执行操作，结果再反馈给模型，用来调整下一轮方案。

材料合成、化学反应优化、纳米晶体制备等研究里已经用上了这类系统。人工干预不多，它们也能连续做实验、优化实验条件，科研效率随之提高。

不过SDL的自动化能力通常有个边界：能做什么任务，很大程度上取决于实验室搭建之初就有的设备和操作能力。比如一套平台已经能完成试剂配制、液体转移和光学检测，研究人员就能拿它做相应实验。

可新问题一旦要用另一台设备，或者得改动原有设备布局、增加新的机器人操作步骤，系统就未必能直接应付。这种时候往往要专业工程师出手：弄懂设备控制接口，写程序，设计机器人运动路径，再经过多轮测试调试，新设备才能并进原有实验流程。

问题是，科研问题不会一直停在实验室最初设定的范围内。研究方向一变，实验人员可能就要引入新仪器、换操作方式，甚至把整个实验流程重新设计。每次变化都得工程师重新定制开发，自动化实验室的扩展速度就很难跟上科研需求。

近几年，一些模块化实验平台和可重构机器人系统已经能在一定程度上调整设备布局、重新组合已有工作流程。但任务需要超出现有系统能力的新技能时，还是离不开人来开发。

在DeepTech的采访中，白家儒这样区分SBL和SDL：实验室能力边界该怎么划定、又该怎么往外扩，这件事也要放进整套自动化流程里去。也就是说，SDL管的是实验室怎么自己跑起来；SBL则往前多走一步——碰上实验室做不了的新任务，它能不能自行找出缺的那块能力，并试着补上？

团队希望这套系统能从不同状态的实验室起步。不管是已经有部分自动化设备的实验室，还是需要增加新实验流程的SDL，抑或未来还没配设备的实验空间，系统都能按科研目标判断该建哪些能力。

一套可以迁移的智能实验室搭建方法

那么，AI凭什么知道实验室里有什么，又怎么让机器人完成此前没做过的任务？在SBL的设计里，数字孪生是整个系统的重要基础。说白了，数字孪生（Digital Twin）就是在计算机里建一个和真实实验室对应的虚拟环境。它不光要有设备的外形和空间位置，还得描述设备的运动部件、机器人与设备之间的相对位置，以及设备能执行哪些操作。

在SBL中，研究人员要先提供实验室照片、设备型号以及已有的设备控制接口等信息。接着Twin Agent识别照片里的设备，试着找对应的计算机辅助设计（CAD）模型或机器人描述文件。没有现成模型，智能体就根据制造商提供的产品资料、技术参数和参考图片，重建一个近似的三维模型，再给设备加上门、盖板等可活动部件及相应的运动约束。

单台设备建好模之后，还得把它们摆进对应的实验室场景里。这一步可不是照着照片随便放几个模型就完事。机械臂上装了相机，能从不同位置拍下实验室的彩色图像和深度图像；智能体拿真实拍到的画面跟虚拟场景对照，一点点修正设备的位置和朝向，让数字孪生尽量贴近真实实验室。

研究团队使用数字孪生搭起来以后，接下来要解决的问题是实验该怎么跑。为此，团队设置了三个协同工作的智能体：Scientific Agent、Twin Agent 和 Safety Agent。

Scientific Agent（科学智能体）管的是理解研究人员提出的科学目标，它要结合文献、实验原理和领域知识，把相对抽象的研究问题拆成具体的实验步骤。可科学语言没法直接变成机器人动作。同样是量取一定体积的试剂，各实验室用的反应容器规格、移液设备、操作平台可能都不一样，设备摆在哪、机械臂能伸到哪，也会左右最终怎么执行。

这时候就轮到 Twin Agent 上场了。它把 Scientific Agent 给出的实验方案，翻译成当前实验室真正能执行的指令。要是现有设备缺某种控制接口或操作技能，Twin Agent 还得设法把这项能力补出来，并且先在数字孪生环境里跑一遍测试。

第三个智能体是 Safety Agent（安全智能体）。实验室不是能随便试错的地方——机器人可能撞上设备，试剂可能洒出来或溢出，机械臂操作不当也会弄坏器材。Safety Agent 会在数字孪生环境里推演各种潜在的危险情景，找出可能出现的风险，再据此生成对应的安全规则。

三个智能体围着数字孪生系统一起干活，此前的操作记录、模拟结果和真实实验反馈都共享。任务往前推进时，成功的操作经验会被保留下来，供后面的实验调用。验证工作从量子点合成开始，整套系统由此真正跑了起来。

为了检验 SBL 能不能走通从科学目标到真实实验执行的全程，研究团队挑了硫化镉量子点（CdS QDs）的合成作为实验场景。这项实验涵盖试剂配制、液体转移、孔板封膜和光学检测等环节，既要多台设备之间配合，也对机器人抓取和放置的精度有要求。第一步由 Opentrons OT-2 液体处理机器人完成。

研究人员同时看了几个变量：镉离子与稳定配体的比例、镉离子与硫源的比例，以及反应初始 pH 值，想弄清它们怎样影响量子点的形成和发光性质。为完成这一步，SBL 生成并验证了一套独立的 Python 实验程序，含 236 条操作指令，覆盖设备初始化、移液速度、吸头管理和液体转移等。

试剂配好之后，难的部分才刚开始。机械臂要把 96 孔板从液体处理平台搬到 PlateLoc 封膜仪上，封完膜再送进 Cytation 5 多功能检测仪做光学测量。

几台设备并非简单并排摆着，机械臂得按各台设备的结构规划抓取位置和运动路径，保证孔板转移时保持水平、准确落到指定位置。往检测仪里放孔板尤其麻烦：机械臂先把它搁到一个中间支架上，再换抓取方向，从孔板短边重新抓取，才能完成插入。对人类实验员来说，这就是个挺自然的动作；放到机器人身上，牵扯到精确的空间定位、抓取姿态调整，还有对设备接触状态的判断。智能体在自主规划路径时，把这些操作拆成了多个阶段，事先并没有人要求它这么做。论文显示，机器人一共完成 19 个协调操作阶段，包括孔板转移、封膜、重新抓取和装载检测仪。

为提升执行可靠性，系统没有完全照着仿真结果去直接驱动真实机器人。对需要毫米级精度的抓取和插入，以及需要亚毫米级定位精度的 HPLC 孔板装载来说，数字孪生里的模型误差可能让实际动作跑偏。所以机器人还得结合视觉、深度信息以及力和力矩传感器的反馈，实时调整动作。最终，从试剂配制到光学检测的整套实验流程被完整跑通。

这项实验的重点不在于让 AI 发现一种全新的量子点材料，而是要检验 SBL 能否按科研目标协调不同设备，真正完成一套较长流程的物理实验。那么，从一个实验台走向多个工作站，实验室又该怎么扩展？

假如 SBL 只能在一套固定设备上做量子点实验，它跟传统自动化平台的区别也还是有限。于是研究团队试着把这套方法往不同类型的机器人和实验工作站上推。按团队的设想，扩展分两个方向。一个是横向扩展，即适配更多类型的实验任务和设备。2026 年 10 月 30 日上线的论文第二版，已经加入流动光化学与高效液相色谱（HPLC）设备操作的演示。

RoboChem-Flex 平台原本就有，这次智能体在上面跑通了整套操作流程：专家盯着，先把步骤搭起来，再连做十次流动光化学实验，中间接上在线氢核磁分析。液体和气体什么时候到，研究另做了一组输运测试，把预测模型校准后加以检验。HPLC 这边，机器人负责操作抽屉，把深孔板从 OT-2 上转出来、装进仪器，设备操作和样品转运由此串成一条线。看得出来，老平台的本事是被拓宽了，可人还是得盯着，现场也还是得验。

另一个方向是纵向扩展，即从单个实验台走向更大的实验空间。赵宇驰设想，未来机器人或许能在不同实验室之间转运样品和设备，协调多个实验室的任务。规模再大一些，机器人甚至可以坐电梯，在科研大楼的不同楼层间移动，按各实验室的需求调度设备和实验资源。研究团队还希望更进一步：让智能体根据具体科研需求设计定制化实验设备，再借 3D 打印等制造方式把设计变成真实装置，最后让机器人用这些设备做实验。

这些设想都指向 SBL 更远的方向：实验室不用再被现成的标准化设备框住，面对新的科研问题，它能持续拿到新工具、新操作能力。

AI 一旦进入物理世界，人类科学家该站在什么位置

团队为何把重心从实验规划、计算分析挪到实验室里的真实操作？这跟此前的经历有关。白家儒说，团队从 2024 年 11 月就开始摸索计算化学智能体。

Coding Agent 的能力一路往上走，密度泛函理论（DFT）计算、机器学习原子间势（MLIP）这类过去很耗研究人员时间的计算任务，如今已有相当一部分能交给智能体去做。团队早前在 Matter 发表的 El Agente，靠自然语言接口和分层智能体协作，动态生成、调整量子化学计算流程，执行中出错也能处理。

后来刊于 Chem 的 El Agente Quntur 针对开放式化学问题，把文献和软件文档结合起来，在 ORCA 环境里规划、执行、调整和分析计算，为包括 DFT 在内的量子化学研究提供协助。El Agente Gráfico 则用带类型约束的执行图来管理科学状态的传递、验证与来源记录，计算流程因此可以被检查、修改和复用。

面向 MLIP 的 El Agente Potente 把这套执行图和编程模式并到一起，计算与验证交给确定性程序完成，可支持材料筛选、分子能量景观探索、吸附与催化反应等原子尺度模拟。

这并不等于计算化学的问题都已解决，只是说 AI 正在压低部分科研计算任务的技术门槛。真要做实验，物理交互要难得多。赵宇驰把科研流程大体分成实验规划、实验执行和数据分析三段。在他看来，眼下不少智能体已经能帮着定实验方案、处理和分析数据，可真正动手做实验，还是得让机器人和真实设备打交道。

到了物理世界，设备会出误差，机器人会遇到意料之外的情况，实验过程中也可能冒出没法通过现有接口直接拿到的信息。正因如此，真实实验的执行比在计算机里生成方案或分析数据更复杂。白家儒也强调，SBL 现在主要盯的是实验设备和操作层面的数据，不是拿数字孪生去预测化学反应本身的结果。它要回答的是机器人怎么移动、怎么抓取，以及不同设备之间怎么衔接。

可就算这样，虚拟环境也没法完全替代真实实验。另外，智能体可能照着错误假设行动，不同智能体之间还会闹意见分歧，得由人来判断。也就是说，实验室自动化并不是简单地把人从操作流程里拿掉。

白家儒认为，眼下人类科学家的一个重要角色，是给智能体划定边界条件（Boundary Conditions）。哪些操作能做、哪些有风险、哪些方案理论上行得通但实际做起来效率很低，都得由科学家告诉系统。研究人员攒下的经验，还能帮智能体收窄搜索范围，别在不值得试的方向上反复试错。

还有一点，人类要提供真实物理世界的反馈。拿量子点实验来说，有些反应还没到正式测量就先变色了。有经验的研究人员肉眼就能看到，可目前的系统未必能一直盯着整个实验过程，也未必能及时认出这些细微变化。

怎么让 AI 拿到这些仪器还没完整记录的信息，仍是以后要解决的问题。赵宇驰觉得，智能体能力越强，人类在日常实验执行中要给的反馈可能会慢慢变少。但这不代表科学家不重要了，而是人参与实验室工作的方式会变。“我们希望让科学家能够把更多精力放在科学问题本身，而不是花费大量时间学习如何搭建和调试自动化系统。”赵宇驰在采访中说。

这样看，SBL 的意义不只是让机器人多完成几步实验，而是试着改变科研人员和实验室自动化系统之间的关系。以前是科学家照着现有设备和自动化能力去调实验方案；往后，团队希望实验室能顺着科学家的研究目标，主动构建和扩展执行能力。

当然，从一套能协调设备的自动化系统，到真正能自主设计、制造并管理实验室，中间还差得远。实验安全怎么保证，仿真和现实之间的差异怎么处理，不同设备、不同实验室之间怎么共享经过验证的技能，都是接下来要面对的问题。但至少，实验室自动化的目标已经在变：AI 不光要学会怎么用实验室，还得慢慢学会怎么让实验室去适应新的科学问题。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成