连文昭回国创业：源络机器人进实验室，自主科研闭环还有多远？

2023 年，连文昭做出离开硅谷、回国创业的决定。此前他在机器人领域已积累十多年，先后在 Vicarious 做通用人工智能研究、在 Google X 担任资深研究科学家、在 Figure AI 出任技术总监，还是 Figure AI 的初创成员之一。从通用人工智能探索到机器人模型、软硬件协同，他走过好几个不同阶段。多模态大模型起来之后，他看到了机器人走进真实物理世界的新机会，也想把多年技术积累真正做成产品。

回国以后，他联系上高中同学谢铮。两人一个长期在硅谷研究 AI 模型与算法，一个在国内深耕机器人硬件，曾负责优必选 Walker 人形机器人产品线。他们决定把各自的经验合到一起，共同创办

不过，创业方向并没有选当时更受关注的工业制造、仓储物流或家庭服务，而是生命科学实验室。

连文昭的判断是，实验室要求机器人同时做到高柔性、高精度，还得能执行长序列任务，这个场景足够难。“难是一件好的事情。”在他看来，只有从这样的场景切入，才能倒逼机器人长出真正通用的能力。

公司成立近三年，具身智能正热，源络也开始把机器人部署到真实实验室里。从实验操作走到自主科研，机器人离真正改变科学研究还有多远？近日，DeepTech 在北京海淀与连文昭聊了聊。

以下为经编辑整理的对话内容：

从硅谷回国，为什么选择生命科学实验室？

DeepTech：你先后在 Vicarious 从事通用人工智能研究、在 Google X 任资深研究科学家、在 Figure AI 任技术总监，也是 Figure AI 的初创成员之一。2023 年，为什么决定离开 Figure AI，回国创业？

连文昭：我在机器人行业干了十多年。最早加入的 Vicarious 是一家探索通用人工智能（AGI）的公司，后来到了 Google X，我进一步接触到机器人技术的工程实践，也接触到最前沿的模型和算法研究。

2022 年前后，多模态大模型发展得很快，我判断这些技术有望加速机器人的实际应用。机器人比大语言模型面临更多物理约束，得在复杂、动态的真实环境里完成任务，但我认为它很可能成为 AI 下一阶段的重要方向。

在 Figure AI 那段时间，我第一次和硬件团队深入合作，对软硬件协同有了更全面的认识。有些问题用软件解决很容易，落到硬件上却非常难，反过来也一样。

这些年的积累下来，我觉得该自己出来做一件事了。同时，国内在人才、供应链和软硬件协同研发上有优势，能支撑更快的产品迭代，所以最终决定回国。

DeepTech：你在硅谷接触过不少工业制造、物流之类的应用场景。为什么创业之后，选了生命科学实验室？

连文昭：我之前工作的几家公司，主要探索的是家庭、工厂和仓库这些场景，但真正进入部署阶段后，我们发现工厂未必是发展智能机器人的最佳试验场。工业制造追求标准化、低成本和高效率，很多问题调整一下环境和流程就能解决，不一定要求机器人具备很高的智能水平。

生命科学实验室不一样。实验流程、样本配比和操作要求可能经常变，不同研究人员的操作方式也不完全一样，很难把所有条件都标准化。同时，实验室对机器人的要求又很高，除了柔性，还得精细操作，还要连续动态地完成多个步骤，这对

难度高其实是件好事。场景一开始就够有挑战，才能逼着我们去搭建智能机器人真正需要的能力。这些能力后面还能用到别的领域去。

DeepTech：2023 年前后，生命科学领域已经出现了不少自动化实验室，包括

连文昭：实验室的发展我分成三个阶段来看。实验室 1.0 是传统实验室，以人为核心，科研人员用双手和眼睛完成各种实验操作；实验室 2.0 则转到以设备为核心，走自动化路线，靠高通量仪器、工作站和机械臂把固定流程串起来。这种模式对付标准化、重复性高的任务没问题，灵活性就差一些。还有一点，固定式高通量设备往往要跑到一定实验规模，优势才出得来。

我们希望推动的是

这并不是要替代所有自动化设备，而是让机器人用柔性操作能力，把现有仪器和实验环节连接起来。AI 可以根据实验结果调整下一步计划，机器人负责执行，再把新的数据反馈给模型。这样才有机会形成真正的科研实验闭环。

DeepTech：未来，你认为

连文昭：我认为三种模式会长期共存，但比例会发生变化。

以人工操作为主的实验室可能会逐渐减少；对于流程固定、实验量大、重复性高的任务，传统自动化工作站仍然具有成本和效率优势。

DeepTech：当初创业，你还把优必选 Walker 系列产品线负责人谢铮拉了进来。两人此前就相识吗？为什么选他做合伙人？

连文昭：谢铮是我高中同学。后来我去了美国读博士，研究方向一直是机器人模型和算法；他留在国内，长期做机器人硬件、机械结构和控制技术。

机器人这个系统，软硬件耦合得很紧。算法是我过去更熟的部分，可眼下机器人硬件还没完全成熟，软件研发要是全指望外部硬件平台，性能和迭代速度都会被卡住。

所以在我看来，现阶段更合适的做法是走类似苹果那样的路线。

从技术演示走到真实部署，卡点在哪？

DeepTech：源络成立将近三年，和当初的设想比，产品和技术路线改了什么？

连文昭：我们最初的设想，一直是靠……

反复迭代到现在，机器人末端执行精度能到 ±0.1 毫米，目标实验室场景的要求可以满足。前期积累的数据也没白攒，我们据此训练了相关模型，物体层面和任务层面都已经有一定程度的泛化能力。

商业化上，我们跟一些科研机构、企业建立了合作。客户一般会分阶段提需求：前期目标完成了，再往上加运行速度、扩到更多实验环节。

DeepTech：之前有报道说，你们的机器人能复现 80% 以上的常见实验流程。这个比例到底指什么？离完全自主运行还差多远？

连文昭：80% 说的是关键流程的覆盖率，只是个比较粗略的估计，具体还要看实验流程的范围怎么划。

就现在的能力而言，细胞培养与传代、细胞毒性检测、核酸提取与检测这些常见实验，我们已经能覆盖相当多的操作环节。但最终目标肯定不止这些。我们想让机器人覆盖完整的实验流程，真正做到无人值守运行。

真做到了这一步，实验室里那些原本要人搭把手的设备就能连起来，每周 7 天、每天 24 小时不停转。所以接下来还得继续扩大操作覆盖范围，把运行速度和可靠性提上去。

DeepTech：不同实验的操作方式差别很大。你们现在做了哪些机器人形态？

连文昭：我们正从单一产品转向多种模块化机器人的组合。最早的那款……

形态虽然不一样，关键硬件模组、底层控制系统和上层 AI 模型是可以共享的。不同实验任务要的能力不同：称量、滴定这类操作可能要双臂协作，单纯转运样品，轮式单臂机器人也许就够了。我们没打算让所有任务都交给同一种机器人，而是按实际需求，让不同形态的机器人配合干活。

DeepTech：如今各类硬件和开源模型都越来越容易拿到。别的公司买现成硬件、配上先进模型杀进科学实验室，你们的技术壁垒在哪？

连文昭：其实十年前做物流仓储机器人时，类似的问题我们就碰上过。

单从技术演示看，让机器人完成一次抓取不难。现在有开源模型和成熟硬件，不是机器人 PhD 也可能很快搭出一套演示系统。可真正的难点不在成功做一次操作，而在真实环境里持续、可靠地把任务做完，同时把成本压在合理区间。

这有点像电动汽车。造一辆能跑的车，和做出性能稳定、成本可控、能大规模交付的产品，完全是两码事。机器人也一样。模型和硬件之外，系统可靠性、运行速度、成本控制，还有怎么满足客户的实际需求，都得解决。科学实验室尤其如此，实验工艺、操作经验这些行业知识得融进机器人系统。这些能力靠的是长期工程积累和与用户的合作沉淀。

DeepTech：实际研发和客户合作中，有没有哪些实验操作，现在的智能机器人还是很难搞定？

连文昭：没有绝对做不了的操作，关键看用什么方法、要花多大成本。

比如实验室经常要高精度称量粉末或颗粒样品。一种办法是让机器人学人，拿勺子取样，再靠调整动作控制落进天平的重量。这样的操作我们训练过……

这背后是两条技术路线的取舍：通用机器人适应能力更强，成本和效率却未必最优；专用设备可能更划算，但灵活性要打折扣。所以我们不认为所有实验都得让通用机器人独立完成，而是看任务要求，选机器人、选专用设备，或者两者结合。

机器人要学会做实验，数据和模型这两关还差在哪？

DeepTech：你刚才说到，高精度称量要靠大量数据来训练。那眼下你们采集机器人训练数据，走的是哪几条路？

连文昭：数据来源大致有几个方向。

一块是第一视角和第三视角的视频，用来帮模型弄懂任务、认准操作对象。可光有视频不够，机器人在精细动作的控制上还是吃力。所以我们同时会收真实机器人的操作数据：人带着机器人的末端执行器做，或者用遥操作设备去操控机器人，把动作和环境反馈一并记下来。这类数据到今天依然很关键。

另一块是让机器人自己探索着学。拿称量实验来说，机器人会一遍遍试着用勺子取样，再看电子秤上重量的变化，慢慢学会怎么调动作。这里头的关键是，机器人不光在模仿人，它还能从自己的操作里拿到反馈，然后接着改。

DeepTech：你们也做了自己的

连文昭：不同技术路线之间的差别，我们不太刻意去强调，因为很多能力本来就能合到一块。我们的框架里既有

现在一些

DeepTech：各个实验室用的仪器、跑的流程可能都不一样。碰上不同的用户需求，是不是每回都得重新开发一套系统？

连文昭：仪器种类确实多，可按操作类型来看，不少实验步骤是相似的，能拆成有限几种基础技能。机器人把这些基础能力掌握了，再去适应不同设备的位置、尺寸和结构，就不用为每台设备重写程序。这种可复用的操作技能我们一直在攒，目标是逐步做到开箱即用。

图 | Monte 系列机器人可连续实现 50 余种操作技能(来源:受访者提供)

DeepTech：这几年有些 AI 公司在推实验仪器接口标准化，让模型直接去调设备。假如以后设备都能通过统一协议连起来，机器人还有存在的必要吗？

连文昭：先说一点，人本来就是实验室里最通用的那个接口。设备不管出自哪家厂商，人都能按按钮、拨开关、拿放样品，把不同实验环节串起来。智能机器人可以干类似的事。

要是各家厂商真能采用统一协议，AI 直接调用设备，实验室的集成效率肯定会上去。不过就算设备能靠软件直接控制，样品转运、上下料这些物理活还是得有人干。所以往后这两种方式会慢慢找到一个动态的平衡。

实验室 3.0

DeepTech：长远来看，你们希望发展通用

连文昭：创业公司得先把具体任务定清楚，硬件设计和模型研发才有明确的目标。实验室其实是个要求很高的场景，高柔性、高精度、长序列任务能力，一样都不能少。

如果把实现通用

所以说，专注实验室并不会偏离通用

DeepTech：现在 AI 行业里经常聊

连文昭：一头是机器人的物理操作能力。机器人不断执行任务、攒下操作经验，精度和速度都有机会往上走，在一些完整实验流程和液体处理这类单项操作里，我们已经看到了这种变化。另一头是实验数据对科学模型的价值。以前科学模型主要靠论文和历史实验数据来训练。往后机器人能持续做实验、产出新数据，再把这些数据送回科学模型，让它自己迭代。

把科学模型比作海绵的话，它现在容量还大得很，还能继续吸水。至少目前，我们没看到模型能力提升有明显天花板。

DeepTech：不少实验室的数据并不公开，可恰恰是这些数据可能更值钱。毕竟最后发出来的，往往只是成功的那些实验结果。

连文昭：对，这其实就是科学数据的缺失和偏差问题。

一项研究可能做了好多遍实验，最后发表的只是其中一部分结果。模型要是只靠这些筛过的数据，那一定带系统误差。比如科学研究里一直存在

因此，团队想用智能机器人把实验设备连起来，把实验条件、操作过程和最终结果尽量完整地记录下来，失败的实验同样要留。只有这样，才能给科学模型提供更完整、更可靠的一手数据，供后续训练和改进使用。

DeepTech：假如进入您前面提到的

连文昭：这类闭环其实已经在一些具体案例里试过，也做成了，问题在于怎么划定范围。实验室和自动驾驶面对的开放道路不一样，前者通常是个相对可控的环境，任务目标、设备条件、操作范围都能提前定清楚。范围一旦清晰，可靠性就有机会做得很高，系统也就能自主跑起来。

团队的做法是先拿下边界明确的问题，在这些场景里把实验闭环稳定跑通，再一点点放宽约束，扩大能自主完成的任务范围。这样一来，实际价值会不断产生，真实数据也随之积累，而这些数据又能反过来继续训练、改进模型。

说到底，自主科研闭环未必得等机器人有了完全通用的智能才谈得上，从具体任务入手，再一步步往更复杂的科研场景推，是可行的路径。

DeepTech：聊回源络科技。现阶段，您最想让公司达成什么目标？

连文昭：现阶段的目標很清楚，就是让智能机器人在实验室里实现规模化部署，同时跟行业伙伴一起，把科学智能和物理 AI 结合起来的闭环生态建起来。从

放长远看，我们也盼着 AI 在科学研究上拿出突破性的成果。这几年 AI 在数学、软件工程领域已经显出本事，将来在科学领域做出超过人类现有水平的成绩，同样值得期待。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成