盘点MIT、伯克利、诺华等顶尖机构自驱实验室落地成果：一场席卷三大学科的科研重构

2025年由美国MITRE公司Alexander V. Tobias、Adam Wahab等发表于《Royal Society Open Science》的文献《Autonomous ‘self-driving’ laboratories: a review of technology and policy implications》,对融合人工智能与实验室自动化的自驱动实验室技术进行了评述，通过化学、材料、生物等领域的代表性案例介绍其完整闭环科研能力、云端应用模式，并展望了自驱动实验室从“参数优化”迈向“范式革新”的演进方向。

研究亮点及意义

通过评述两套量化分级体系，清晰区分硬件自动化与 AI 决策软件的不同价值，解决了过去行业对 SDL 自主程度缺乏统一评判标准的问题。

从硬件、软件、云端三种落地路径出发，完整拆解 SDL 落地过程中资金、技术、人才层面的全部成本痛点，给后续研究者和企业提供清晰落地参考。同时也梳理了三类落地路径的优劣，帮助药企、新材料、合成生物企业降低技术选型与产业化试错成本。

导图

SDL等级划分

为衡量自驱动实验室的能力边界，学术界借鉴自动驾驶分级思路，建立了1至5级的自主度标尺。1级为机器辅助单点任务，2级实现部分智力环节自动化，3级即“有条件自主”——系统能自主完成“实验-分析-决策-新实验”的完整循环，仅在异常时需人工介入，这是当下绝大多数SDL所处的层级。4级系统则堪称高度自主的科研助理，可在人类给定初始目标后自行修改和更新假设；而5级完全自主的AI研究员尚未实现。

除上述单维分级外，学术界还提出了一个更精细的二维评估框架，将“硬件自主度”和“软件自主度”分开考量。硬件自主度衡量的是实验执行的自动化程度——从单步操作到全流程无人化运行；软件自主度则评价系统在实验设计、方案选择、参数决策等智力层面的独立程度。系统的最终等级由两者共同决定。

SDL案例

●化学

利物浦大学开发了一个由三个多用途机器人协同工作的固态合成平台，能够自主完成晶体生长、样品制备和粉末X射线衍射分析的全流程。劳伦斯伯克利国家实验室的A-Lab在文献数据和主动学习算法的驱动下，自主规划和合成目标无机材料，进行X射线衍射分析并解读结果，成功合成了超过70%的目标化合物。IBM的RoboRXN平台集成了云计算和多个大型语言模型，能够自动将化学文献转化为结构化知识图谱，通过逆合成分析设计合成路线，并自主完成目标化合物的合成与验证。麻省理工学院Jensen实验室的闭环分子发现平台则能够设计具有特定性质的新分子，自主合成、测量性质，并利用所得数据不断迭代优化，实现分子性能的持续改进。

这些系统的共同趋势是：新一代化学SDL正在将“知识驱动”与“自主学习”深度融合，展现出远超前辈的化学智能和实验通量。

●材料学

材料科学领域对自驱动实验室的需求尤为迫切，这背后是大约20%的工业基础与70%的技术创新都依赖于先进材料的现实。不列颠哥伦比亚大学的Ada平台率先实现了薄膜材料合成与性能优化的全流程自动化闭环，其后续版本通过增加六轴机械臂和增强型机器学习算法，发现了比现有工艺低50°C以上的钯薄膜新合成路径。埃尔朗根-纽伦堡大学的AMANDA平台则将150多台自动化仪器整合为分布式网络，通过中央软件枢纽协调多地实验资源，成功催生了具有高功率转换效率的有机光伏电池。

更值得关注的是自驱动实验室协作模式的创新。一个横跨三大洲、连接五个SDL的超级实验网络通过中央AI模块设计、规划和调度实验方案，将合成与表征任务分配给地理上分散的专业化设施，成功发现了21种具有最先进激光性能的新型有机固态材料。另一个由五国团队参与的分布式平台则通过“代理”软件系统实现实验室间的任务分解与资源共享，作为概念验证成功优化了电池电解液的密度与粘度。

这些案例揭示了一个重要趋势：自驱动实验室正在从孤立的“孤岛”走向互联的“生态”，未来真正限制科研效率的将不再是单个实验室的能力，而是全球范围内实验资源的调度与整合能力。

●生物学

生物学领域的自驱动实验室发展相对化学和材料科学稍显滞后，但不乏标志性成果。Genesis平台将配备1000个微型生物反应器及集成的质谱和RNA测序系统，能够同时测量约100种代谢物和6000个基因的表达水平，力图对酵母的代谢与转录调控网络进行全景式解析。2024年报道的SAMPLE平台则将酶工程实验搬到云实验室中远程运行，通过搜索不到2%的突变组合空间便获得了热稳定性提升12°C以上的酶变体。诺华的MicroCycle平台则将自主合成化学与原位物理化学、药效学和生化分析能力相结合，实现了药物发现中从化合物合成到多维数据获取的全流程自动化。而FutureHouse这一由慈善机构资助的新兴企业，则专注于开发生物学的AI“引擎”，致力于构建能够提出假设、规划实验、进行机制性推理的AI科学家系统。

这些进展虽然各具特色，但指向一个共同判断：当生物实验的周期、污染风险和复杂性被逐步克服后，自驱动实验室在这片“最未知的科学”领域中将释放出比化学和材料科学更为深远的变革力量。

主要结论及展望

面临关键挑战：SDL的发展轨迹、普及速度及影响受多重“顺风”（如AI技术进步）与“逆风”（如成本、标准缺失）共同作用，难以预测。需解决人类科研方式变革、AI生成发明的知识产权归属，以及自主系统的安全与风险管控等问题。

存在“莫拉维克悖论”现象：对人类简单的重复实验对机器很难，而复杂的科研思考AI却能快速掌握。

未来方向是“范式革新”：当前处于“低垂果实”阶段，SDL多用于参数优化，流程成熟但格局有限。期待SDL利用AI优势，进行更具突破性的实验（如Genesis等项目）。

终极前景是人机协同：AI与人类智力互补，未来有望形成共生模式，共同攻克重大科学难题。

主要图表

表 1. 自驱动实验室自主能力分级标准

图 1. 优化类实验是自驱动实验室最常开展的实验类型

图 2. 自驱动实验室当下受到多重反向制衡因素影响

参考文献

Tobias AV, Wahab A. 2025 Autonomous ‘self-driving’ laboratories: a review of technology and policy implications. R. Soc. Open Sci. 12: 250646. （https://doi.org/10.1098/rsos.250646）