2025年由美國MITRE公司Alexander V. Tobias、Adam Wahab等發(fā)表于《Royal Society Open Science》的文獻《Autonomous ‘self-driving’ laboratories: a review of technology and policy implications》,對融合人工智能與實驗室自動化的自驅動實驗室技術進行了評述，通過化學、材料、生物等領域的代表性案例介紹其完整閉環(huán)科研能力、云端應用模式，并展望了自驅動實驗室從“參數優(yōu)化"邁向“范式革新"的演進方向。

研究亮點及意義

通過評述兩套量化分級體系，清晰區(qū)分硬件自動化與 AI 決策軟件的不同價值，解決了過去行業(yè)對 SDL 自主程度缺乏統(tǒng)一評判標準的問題。

從硬件、軟件、云端三種落地路徑出發(fā)，完整拆解 SDL 落地過程中資金、技術、人才層面的全部成本痛點，給后續(xù)研究者和企業(yè)提供清晰落地參考。同時也梳理了三類落地路徑的優(yōu)劣，幫助藥企、新材料、合成生物企業(yè)降低技術選型與產業(yè)化試錯成本。

導圖

SDL等級劃分

為衡量自驅動實驗室的能力邊界，學術界借鑒自動駕駛分級思路，建立了1至5級的自主度標尺。1級為機器輔助單點任務，2級實現部分智力環(huán)節(jié)自動化，3級即“有條件自主"——系統(tǒng)能自主完成“實驗-分析-決策-新實驗"的完整循環(huán)，僅在異常時需人工介入，這是當下絕大多數SDL所處的層級。4級系統(tǒng)則堪稱高度自主的科研助理，可在人類給定初始目標后自行修改和更新假設；而5級自主的AI研究員尚未實現。

除上述單維分級外，學術界還提出了一個更精細的二維評估框架，將“硬件自主度"和“軟件自主度"分開考量。硬件自主度衡量的是實驗執(zhí)行的自動化程度——從單步操作到全流程無人化運行；軟件自主度則評價系統(tǒng)在實驗設計、方案選擇、參數決策等智力層面的獨立程度。系統(tǒng)的最終等級由兩者共同決定。

SDL案例

● 化學

利物浦大學開發(fā)了一個由三個多用途機器人協同工作的固態(tài)合成平臺，能夠自主完成晶體生長、樣品制備和粉末X射線衍射分析的全流程。勞倫斯伯克利國家實驗室的A-Lab在文獻數據和主動學習算法的驅動下，自主規(guī)劃和合成目標無機材料，進行X射線衍射分析并解讀結果，成功合成了超過70%的目標化合物。IBM的RoboRXN平臺集成了云計算和多個大型語言模型，能夠自動將化學文獻轉化為結構化知識圖譜，通過逆合成分析設計合成路線，并自主完成目標化合物的合成與驗證。麻省理工學院Jensen實驗室的閉環(huán)分子發(fā)現平臺則能夠設計具有特定性質的新分子，自主合成、測量性質，并利用所得數據不斷迭代優(yōu)化，實現分子性能的持續(xù)改進。

這些系統(tǒng)的共同趨勢是：新一代化學SDL正在將“知識驅動"與“自主學習"深度融合，展現出遠超前輩的化學智能和實驗通量。

● 材料學

材料科學領域對自驅動實驗室的需求尤為迫切，這背后是大約20%的工業(yè)基礎與70%的技術創(chuàng)新都依賴于先進材料的現實。不列顛哥倫比亞大學的Ada平臺實現了薄膜材料合成與性能優(yōu)化的全流程自動化閉環(huán)，其后續(xù)版本通過增加六軸機械臂和增強型機器學習算法，發(fā)現了比現有工藝低50°C以上的鈀薄膜新合成路徑。埃爾朗根-紐倫堡大學的AMANDA平臺則將150多臺自動化儀器整合為分布式網絡，通過中央軟件樞紐協調多地實驗資源，成功催生了具有高功率轉換效率的有機光伏電池。

更值得關注的是自驅動實驗室協作模式的創(chuàng)新。一個橫跨三大洲、連接五個SDL的超級實驗網絡通過中央AI模塊設計、規(guī)劃和調度實驗方案，將合成與表征任務分配給地理上分散的專業(yè)化設施，成功發(fā)現了21種具有激光性能的新型有機固態(tài)材料。另一個由五國團隊參與的分布式平臺則通過“代理"軟件系統(tǒng)實現實驗室間的任務分解與資源共享，作為概念驗證成功優(yōu)化了電池電解液的密度與粘度。

這些案例揭示了一個重要趨勢：自驅動實驗室正在從孤立的“孤島"走向互聯的“生態(tài)"，未來真正限制科研效率的將不再是單個實驗室的能力，而是全球范圍內實驗資源的調度與整合能力。

● 生物學

生物學領域的自驅動實驗室發(fā)展相對化學和材料科學稍顯滯后，但不乏標志性成果。Genesis平臺將配備1000個微型生物反應器及集成的質譜和RNA測序系統(tǒng)，能夠同時測量約100種代謝物和6000個基因的表達水平，力圖對酵母的代謝與轉錄調控網絡進行全景式解析。2024年報道的SAMPLE平臺則將酶工程實驗搬到云實驗室中遠程運行，通過搜索不到2%的突變組合空間便獲得了熱穩(wěn)定性提升12°C以上的酶變體。諾華的MicroCycle平臺則將自主合成化學與原位物理化學、藥效學和生化分析能力相結合，實現了藥物發(fā)現中從化合物合成到多維數據獲取的全流程自動化。而FutureHouse這一由慈善機構資助的新興企業(yè)，則專注于開發(fā)生物學的AI“引擎"，致力于構建能夠提出假設、規(guī)劃實驗、進行機制性推理的AI科學家系統(tǒng)。

這些進展雖然各具特色，但指向一個共同判斷：當生物實驗的周期、污染風險和復雜性被逐步克服后，自驅動實驗室在這片“最未知的科學"領域中將釋放出比化學和材料科學更為深遠的變革力量。

主要結論及展望

面臨關鍵挑戰(zhàn)：SDL的發(fā)展軌跡、普及速度及影響受多重“順風"（如AI技術進步）與“逆風"（如成本、標準缺失）共同作用，難以預測。需解決人類科研方式變革、AI生成發(fā)明的知識產權歸屬，以及自主系統(tǒng)的安全與風險管控等問題。

存在“莫拉維克悖論"現象：對人類簡單的重復實驗對機器很難，而復雜的科研思考AI卻能快速掌握。

未來方向是“范式革新"：當前處于“低垂果實"階段，SDL多用于參數優(yōu)化，流程成熟但格局有限。期待SDL利用AI優(yōu)勢，進行更具突破性的實驗（如Genesis等項目）。

前景是人機協同：AI與人類智力互補，未來有望形成共生模式，共同攻克重大科學難題。

主要圖表

表 1. 自驅動實驗室自主能力分級標準

圖 1. 優(yōu)化類實驗是自驅動實驗室最常開展的實驗類型

圖 2. 自驅動實驗室當下受到多重反向制衡因素影響

參考文獻

Tobias AV, Wahab A. 2025 Autonomous ‘self-driving’ laboratories: a review of technology and policy implications. R. Soc. Open Sci. 12: 250646.