连文昭谈机器人进实验室：源络科技瞄准实验室3.0

2023 年，连文昭离开硅谷，回国创业。

做出这个决定之前，他已在机器人领域积累了十多年。连文昭先后在 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 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，他走过了几个不同阶段。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，他找到高中同学谢铮。谢铮长期在硅谷研究 AI 模型与算法，连文昭则熟悉国内机器人硬件，曾负责优必选 Walker 人形机器人产品线。两人把各自的经验拼到一起，共同创办了物理智能机器人公司源络科技。连文昭如今还是上海交通大学人工智能学院教授。

创业方向没有选当时更受关注的工业制造、仓储物流或家庭服务，他们盯上的是生命科学实验室。

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，从这种场景入手，才能倒逼机器人建立真正通用的能力。

公司成立近三年，具身智能迎来热潮，源络也开始把机器人部署到真实实验室。从实验操作到自主科研，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 做通用人工智能研究、在 Google X 任资深研究科学家、在 Figure AI 任技术总监，还是 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，要在复杂、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 期间，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。有些问题用软件很容易解决，落到硬件上却非常困难，反过来也一样。

这些年的积累让我觉得，到了该自己做一件事的时候。国内在人才、供应链和软硬件协同研发方面有优势，能支撑更快的产品迭代，所以我最终决定回国。

DeepTech：你在硅谷接触过不少工业制造、物流等应用场景。为什么创业后选了生命科学实验室？

连文昭：我之前工作的几家公司，主要探索家庭、工厂和仓库这些场景。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，很多问题调整环境和流程就能解决，不一定需要机器人具备很高的智能水平。

生命科学实验室的情况不太一样。实验流程、样本配比和操作要求常常要变，不同研究人员的操作习惯也有差异，把所有条件都标准化并不容易。同时，实验室对机器人的要求很高：不光要柔性，还得精细操作，要连续、动态地走完多个步骤。物理智能在这里确实有真需求。

难度确实不小，但这是好事。起步场景如果够有挑战，就能逼着我们把智能机器人真正需要的能力建起来。这些能力以后也能迁移到别的领域。

DeepTech：2023 年前后，生命科学领域已经冒出不少自动化实验室，有高通量实验平台，也有“黑灯实验室”。在你们看来，为什么还需要新的智能机器人？

连文昭：实验室的发展我分成三个阶段。实验室 1.0 是传统实验室，以人为核心，科研人员靠双手和眼睛做各种实验操作；实验室 2.0 是自动化实验室，以设备为核心，用高通量仪器、工作站和机械臂把固定流程串起来。这种路子适合标准化、重复性高的任务，灵活性偏弱。还有一点，固定式高通量设备通常要跑到一定实验规模，优势才出得来。

我们希望推动的是实验室 3.0，也就是由上层 AI 模型和智能体规划任务，底层智能机器人负责执行，实现“手脑联动”。

这不是要把所有自动化设备都换掉，而是让机器人靠柔性操作能力，把现有仪器和实验环节接起来。AI 能根据实验结果调整下一步计划，机器人负责执行，再把新数据回传给模型。这样才有机会形成真正的科研实验闭环。

DeepTech：未来，你认为实验室 3.0 会逐渐取代前两个阶段，还是三种模式会长期共存？

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慢慢变少；流程固定、实验量大、重复性高的任务，传统自动化工作站仍有成本和效率优势。实验室 3.0 的占比则可能越来越高。AI 能力往上走，实验室会逐步具备自主规划和执行实验的能力，不过这应该是个持续发展的过程。

DeepTech：当初创业，你专门请来了优必选 Walker 系列产品线负责人谢铮。两人此前就相识吗？为什么选他一起干？

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；他则留在国内，长期做机器人硬件、机械结构和控制技术。

机器人这套系统，软硬件耦合得很紧。我过去对算法更熟，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。

所以我觉得，现阶段更合适的是学苹果那套垂直整合：关键硬件、底层控制、AI 模型捏在一起做。谢铮的硬件背景跟我正好互补。如今机器人本体和底层控制由他主抓，模型与算法研发归我。

从技术演示走到真实部署，难在哪儿？

DeepTech：源络成立快三年，跟最初的想法比，产品和技术路线变了哪些？

连文昭：通过数据闭环推动机器人技术研发和落地，这个设想我们一直没变，路线也基本照旧。2023 年起，我们一边持续攒实验室场景的数据来训练模型，很早之前就采集了大量第一视角视频；一边不断研发高柔性、高精度的机器人本体。

多轮迭代下来，机器人末端执行精度现在能做到 ±0.1 毫米，目标实验室场景的要求可以满足。前期攒下的数据也没白费，相关模型已经训练出来，在物体和任务层面具备了一定程度的泛化能力。

商业化上，我们跟一些科研机构和企业有了合作。客户一般分阶段提需求，前期目标完成后，再往上加运行速度、覆盖更多实验环节。

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，估得比较粗略，具体要看实验流程范围怎么划定。

就眼下的能力而言，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。

真做到那一步，实验室里原本要人搭把手的设备就能串起来，实现每周 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。你们现在研发了哪些机器人形态？

连文昭：我们正从单一产品转向多种模块化机器人组合。最早的 Monte 01 是轮式双臂机器人，后来的 Monte 02 延续类人形设计。轮式单臂机器人 Monte S1 也推出了，固定式单臂、双臂等其他形态同样支持。

形态虽然不一样，关键硬件模组、底层控制系统和上层 AI 模型却是共享的。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，轮式单臂机器人或许就够了。我们没打算让一种机器人包打所有任务，而是按实际需求，让不同形态的机器人协同干活。

DeepTech：如今各类硬件和开源模型越来越容易拿到。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儿？

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了。

从技术演示看，让机器人完成一次抓取并不难。靠着开源模型和成熟硬件，不是机器人 PhD，也可能很快搭出一个演示系统。可真正的难点不在让机器人成功操作一次，而在于让它在真实环境里持续、可靠地把任务做完，同时把成本压在合理范围内。

这有点像电动汽车。造一辆能跑的车，跟做出性能稳定、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里。这些能力，靠的都是长期工程积累和跟用户合作慢慢沉淀。

DeepTech：实际研发和客户合作中，有没有哪些实验操作，现在的智能机器人仍然很难完成？

连文昭：没有绝对做不了的操作，关键看用什么方法、要付出多大成本。

比如实验室常要高精度称量粉末或颗粒样品。一种办法是让机器人像人一样拿勺子取样，再靠调整动作控制落入天平的重量。这种端到端模型我们训练过，机器人遇到新样品，也能自主完成比较精细的称量。可这条路要大量数据和模型训练，精度也有一定上限。另一种办法是用专用自动化称量设备，靠气泵等装置控制样品输出。这类设备可能更高效、成本更低，但通常难以适应所有样品。

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；专用设备可能更经济，灵活性却要打折扣。所以我们不认为所有实验都得让通用机器人独自完成，而是看任务要求，选机器人、专用设备，或者两者结合。

机器人要学会做实验，数据与模型层面究竟还差哪些东西？

DeepTech 问到，前面提到高精度称量离不开海量数据训练，那眼下采集机器人训练数据都走哪些路子？连文昭说，来源有好几块。一块是第一视角与第三视角的视频，模型靠它理解任务、认准要操作的对象。可光有视频不够，机器人在精细动作控制上还是吃力。所以他们也会收真实机器人的操作数据：要么人工带着机器人的末端执行器走，要么用遥操作设备去控制机器人，把动作和环境反馈一并记下来。这类数据到现在仍然很要紧。

另外一条路是让机器人自己摸索着学。拿称量实验来说，机器人会反复用勺子取样，再看电子秤上重量的变化，慢慢琢磨出该怎么调整动作。这里头的关键在于，机器人不光模仿人的动作，还能从自己的操作里拿到反馈，一点点改。

OPN 模型（Object-Centric Physics-Native Model）是你们自己开发的，它和眼下主流的 VLA、世界模型这些技术路线比，差别在哪？

连文昭的回答是，他们不太去强调各条技术路线之间的分野，很多能力本来就能揉到一起。他们的框架里既有视觉语言模型（VLM），也用了世界模型的监督方式，去预测未来的视频帧、力觉信号等。比较特别的一点是，自研的 OPN 模型走的是以物体为中心的表征路子，为的是把模型的数据效率和可靠性提上去。眼下一些端到端模型直接拿原始图像和机器人状态去预测动作，容易吃训练数据里具体场景的亏：物体的位置、颜色、材质一变，就得补大量新数据才能跟上。他们的模型则把物体的姿态、可供性等结构化信息提取出来，再把物体之间的关系编码进去，据此预测未来状态、生成动作，数据需求能降下来，泛化能力和操作可靠性也能提上去。

各实验室用的仪器、跑的流程往往不一样，碰上不同用户的需求，是不是都得重新开发一套系统？

连文昭说，仪器种类虽多，可单看操作类型，不少实验步骤其实相像，能拆成有限几种基础技能。机器人把这些基础能力学到手，再去适应不同设备的位置、尺寸和结构，就不必为每台设备重写程序。他们正在一点点攒这类可复用的操作技能，朝着真正开箱即用去走。

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)

这两年有些 AI 公司在推实验仪器接口标准化，让模型直接调用设备。要是将来设备都能通过统一协议连起来，机器人还有存在的必要吗？

连文昭认为，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、拿样品，把不同的实验环节串起来，智能机器人可以扮演类似的角色。当然，如果各家厂商肯采用统一协议，AI 能直接调用设备，实验室的集成效率肯定会上一个台阶。可就算设备能靠软件直接控制，样品转运、上下料这些物理活儿还是得有人干。所以未来这两种方式一定会慢慢走向动态的平衡。

实验室 3.0，能不能撑起 AI for Science 的新基础设施？

你们长期想做的通用物理智能，目前却主要服务生命科学实验室。会不会担心技术越走越垂直，日后难迁到别的行业？

连文昭说，创业公司先得把具体任务定清楚，硬件设计和模型研发才有明确目标。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不能少。要是把通用物理智能当成终极考试，他觉得实验室可能就是最好的模拟考场。比如将来大家盼着机器人进家门，做饭、洗碗、清洁这些活儿，都要摆弄电器、使用容器、处理液体，还得连着完成好几步，跟实验室有不少相似的地方，只是实验室对精度的要求一般更高。所以扎在实验室并不算偏离通用物理智能的目标，反倒可能帮着提前攒下通用机器人需要的关键能力。

AI 行业现在常把 Scaling Law（规模定律）挂在嘴边。操作数据和实验量往上走，科学实验机器人的能力是否也会跟着一直涨？

连文昭分两头说。一头是机器人的物理操作能力：任务做得越多、操作经验攒得越厚，精度和速度都有机会往上提，他们在一些完整实验流程和液体处理等单项操作里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：过去科学模型主要靠论文和历史实验数据训练，往后机器人能持续做实验、产出新数据，再把这些数据喂回科学模型让它自我迭代。他把科学模型比作一块海绵，眼下容量还大得很，能继续吸水。至少现阶段，模型能力提升的明显天花板他们还没见着。

很多实验室的数据并不公开，可恰恰可能更值钱。毕竟最后发出来的，往往只是那些做成功的实验结果。

连文昭点头称是，说这实际上牵扯到科学数据的缺失和偏差问题。

连文昭提到，一项研究往往要跑很多次实验，最后发表的只是一部分结果。模型若只靠这种筛选过的数据训练，系统误差躲不掉。他举了 P-Value Hacking 的例子——科研里长期存在这类做法，相关数据一旦进了训练集，模型的判断必然受影响。也正因如此，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下来，失败的实验同样保留。在他们看来，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 接着问：如果真进入你所说的实验室 3.0 阶段，机器人短时间内能不能跑通自主科研闭环？

连文昭的回答是，这样的闭环他们其实已经在一些具体案例里试过并做成了，难点在于怎么划定问题的范围。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。一旦问题被限定在清晰范围内，系统就有可能做到很高的可靠性，自主运行也就不成问题。

他介绍了团队的思路：先挑边界明确的问题下手，在这些场景里把实验闭环跑稳，再一点点放宽约束，把能自主完成的任务范围扩大。这样做的好处是能持续产生实际价值，同时积累真实数据，而这些数据又可以拿去继续训练、改进模型。

换句话说，自主科研闭环未必得等机器人具备完全通用的智能才谈得上，从具体任务起步，再往更复杂的科研场景扩展，这条路是走得通的。

DeepTech 最后把话题拉回源络科技：现阶段，你最希望公司实现的目标是什么？

连文昭说，现阶段的目標比较清楚，就是让智能机器人在实验室里实现规模化部署，同时和行业合作伙伴一起，搭起科学智能与物理 AI 相结合的闭环生态，从 AI for Science 出发，构建通用物理智能。

往更远处看，他也希望 AI 能在科学研究上拿出突破性成果。近年来 AI 在数学、软件工程领域已经显出能力，未来在科学领域，同样有希望做出超越人类现有水平的成果。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成