把重复实验交给机器：当AI成为科学家的“新搭档”

不知不觉，深夜的实验楼里仍亮着灯。

一台机械臂从样品架取出小瓶，移液、混合、加热，再把产物送进仪器检测。电脑读完数据后，没有停下来等第二天开会，而是自动调整下一轮配方。

天亮时，实验记录里已经多了上百组结果，等待实验人员前来确认和输入下一步指令。

这听起来有点不可思议，似乎是机器人在独立承担科研任务，但实际上，这是一种正在发展的“自动化实验室”。

当人工智能成为科学家的“新同事”，它们不仅不知疲倦，还能边干边学。不过，这位“卷王”同事真的完美无缺吗？人类科学家又该如何与它打好配合？今天，我们就来聊聊这位实验室里的“新同事”。

简单来说，自动化实验室就是把人工智能、机器人、分析仪器和实验数据连接成一个闭环：

实验人员先提出目标，例如寻找更稳定的电池材料，或筛选更有效的药物配方；经过大数据训练后的AI根据已有知识和上一轮结果，挑选值得尝试的条件；机器人按要求称量、移液、反应和检测；仪器把数据送回系统，算法再决定下一步。

这个过程不断循环，像极了一位会边做边改进方案的实验同事。

图片来源：AI生成

传统实验常常要面对庞大的组合空间。假设一种材料有十种原料、五档温度和多种配比，全部排列起来，实验数量必然会庞大无比，在有限的摸索时间内，实验人员的科研压力可想而知。

如果有AI帮助我们做实验，意义并不是把所有可能性都做一遍，而是根据已有结果选择下一次最有信息量的实验。

这种方法常被称为主动学习，即成功结果告诉系统哪里值得深挖，失败结果也能帮助它排除错误路线，失败的结果可变成下一轮决策的依据，而不是白白搁置和浪费掉。

已有研究展示了这种科研模式的潜力，例如一篇在2023年刊登于Nature的论文报道，Szymanski等人把计算数据库、文献知识、机器学习、机械臂、加热设备和X射线衍射分析连在一起，在17天连续运行中完成了57个目标材料的尝试，其中36种被成功合成。

另一类系统则使用移动机器人在实验室里穿行，操作核磁、色谱等现有仪器。该案例足以说明，自动化实验室不仅会动手做实验，还能读取结果、修正判断并继续行动。

图片来源：AI生成

机器人新同事的优点很明显，它不怕重复，不仅能够严格执行相同的步骤，连续工作，减少等待时间，还能自动保存温度、用量、时间和仪器结果，让实验更容易追溯。

在高温、有毒、易爆或需要隔离的危险环境中，还能减少实验人员受伤的风险，尤其是实验室安全被人们无比重视的今天，这无疑是给我们吃了一颗定心丸。此外，对药物筛选、催化剂优化、电池材料和晶体制备等需要大量重复试验的领域，机器人的这种优势更有价值。

然而，实验室自动化远不是给机械臂装上AI就万事大吉。例如，粉末会结块，液体会起泡，针头会堵塞，仪器的基线会漂移，样品标签也可能被读错。

一个小错误如果没有被发现，那么就有可能在闭环中的每一个环节被连续放大（误差放大）。更重要的是，机器人根据赋予的算法只会在给定目标里寻找答案，却不负责判断目标是否真正重要、实验是否安全、结果是否具有科学意义。

图片来源：AI生成

“人类提方向、系统跑实验”并不是把科研任务全部交给机器人，人们就可以安心等结果，而是需要重新分工，构建人与AI相互配合的新型工作关系。

实验者需要提出问题，设定安全边界，识别异常现象，解释数据背后的机理，并决定何时该相信机器、何时必须停下来复查。机器人则适合承担重复、精细和可标准化的工作，两者之间还需要统一的数据格式、可靠的设备接口和清楚的责任记录。

图片来源：AI生成

未来的实验室也许不会像无人车那样完全“无人”，更可能像一支配合默契的团队：人们秉持对科研的热爱、好奇心、判断力和创造性，AI负责在复杂选择中导航，机器人负责把方案稳定地做出来。

有了机器人同事之后，节省下来的不只是时间，更是把注意力重新放回“为什么做这个实验”、“结果意味着什么”以及“有什么现实应用”上。也许，这是在信息时代，AI赋予我们新的使命吧。

参考文献

[1]Szymanski, N. J.; Rendy, B.; Fei, Y.; Kumar, R. E.; He, T.; Milsted, D.; McDermott, M. J.; Gallant, M.; Cubuk, E. D.; Merchant, A. An Autonomous Laboratory for the Accelerated Synthesis of Novel Materials. NATURE 2023, 624 (7990), 86–91. https://doi.org/10.1038/s41586-023-06734-w.

[2]Dai, T.; Vijayakrishnan, S.; Szczypiński, F. T.; Ayme, J.-F.; Simaei, E.; Fellowes, T.; Clowes, R.; Kotopanov, L.; Shields, C. E.; Zhou, Z. Autonomous Mobile Robots for Exploratory Synthetic Chemistry. NATURE 2024, 635 (8040), 890–897. https://doi.org/10.1038/s41586-024-08173-7.

[3]Kusne, A. G.; Yu, H.; Wu, C.; Zhang, H.; Hattrick-Simpers, J.; DeCost, B.; Sarker, S.; Oses, C.; Toher, C.; Curtarolo, S. On-the-Fly Closed-Loop Materials Discovery via Bayesian Active Learning. Nature Communications 2020, 11 (1). https://doi.org/10.1038/s41467-020-19597-w.

作者：周法戎  中国科学院过程工程研究所 博士研究生

审核：刘颖 李培元 张超 杨柳

审核专家：张凤娇  中国科学院大学 化学科学学院 教授 博士生导师