中科大 Labimus：机器人化学家要上岗，先得考过这场试

面向精准化学实验室的人形灵巧操控仿真和评测平台

作者丨邓哲敏

编辑丨齐铖湧

一位有机化学家站在通风橱前，拉开天平的玻璃挡风门，把称量舟轻轻放到称量盘正中央，按一下去皮键把读数归零。然后，她用药匙从试剂瓶里舀起一小撮粉末，根据粉末的粗细和黏性调整力道，最后一点点把粉末抖落到称量舟里，让显示屏停在0.850克，上下不超过0.001克。

这是她日常工作中的基本操作，也许一天要重复几十次。

新药、新材料、新催化剂的发现，背后是一场场的大规模试错。要试的配方成千上万，每一次试验都要有人称量、混合、加热、检测。如果能把这些事交给机器人，人类科学家便可以把更多精力放在提出假设、设计实验和解释结果上。

近日，中国科学技术大学联合北京人形机器人创新中心推出了 Labimus，一个专门针对精准化学实验室人形机器人灵巧操控的仿真和评测平台。这个为机器人化学家专设的考官，希望打破传统的二元评判标准，设计更严格、更精准、更有效的考题。

01

为什么把人形机器人培养成化学家？

学者们相信，用人工智能辅助完成科学研究，或能成为科学发现的第五范式。

一方面，大模型正越来越多地参与科学研究流程。从阅读文献、设计实验方案，到预测材料性质、规划实验步骤，再到根据实验结果决定下一轮实验，AI 正逐渐承担起动脑的工作。另一方面，机器人开始动手。机械臂可以按照既定流程完成移液、混合、加热、检测等重复实验，把过去需要研究人员一遍遍操作的工作自动化，大幅提升实验效率和可重复性。

近年来，从英国利物浦大学提出移动机器化学家，到越来越多自主实验室的出现，“AI 决策+机器人执行”已经成为 AI for Science（即人工智能驱动的科学研究）的一条重要技术路线。

然而，目前的自主实验室，大多是定制出来的。机器人不用适应实验室，实验室倒需要适应机器人。为了方便机器人工作，实验台需要重新布局，实验设备需要重新设计，机械臂被固定在预设位置，连夹爪都针对某一个实验步骤专门定制。这样的系统可以高效完成固定流程，却很难直接迁移到另一间实验室。

以最普通的固体称量为例，实验员需要持续微调手握药匙的角度，让数字一点点逼近目标值，而不是一次性全部倒进去。整个过程往往依赖的是人的触觉反馈和经验判断。对于机器人而言，这远比抓起一个杯子复杂得多。

因此，中科大团队没有选择继续优化机械臂，而是把目标放在人形机器人和灵巧手上。在他们看来，人形机器人并非所有场景下的最优解。也许流水线等高度标准化场景，专用机器人有自己的优势。但对于需要大量灵巧操作的化学实验室，人形机器人与灵巧手的搭配是一条值得探索的路线。

02

如何给机器人设计一场化学实验考试？

为了让机器人接受科学实验层面的考核，Labimus首先把化学实验室搬进了仿真世界。

当然，这并不是简单地给实验室建一个3D模型。如果机器人最终评价的是称量精度，那么仿真环境本身就必须足够真实。否则，后面的所有评测都失去了意义。

因此，团队从真实有机化学实验室出发，利用 Real-to-Sim 的方式，重建了30余件实验室资产，包括分析天平、烧杯、量筒、圆底烧瓶、药匙等常见实验器材。但真正重要的，并不是数量，而是这些设备都具有真实的物理属性。

例如，分析天平的玻璃挡风门是能沿着导轨滑动的，并不是一段播放着的开门动画，机器人需要像人一样捏住把手，控制力度，才能将挡风门缓缓推开。分析天平也不是一个静态道具，当粉末落入称量舟后，屏幕上的数字会实时更新，就像现实中的电子天平一样。

最难模拟的，是粉末。在许多机器人仿真平台里，液体、颗粒等可变形物体一直是最困难的部分。Labimus没有把粉末处理成一团简单的视觉特效，而是将每一粒粉末建模成独立的刚体，并赋予质量、碰撞等物理属性。机器人舀起粉末时，颗粒会随着药匙运动，落入称量舟后，每一粒颗粒的质量都会被累计到分析天平中，最终形成真实的称量结果。

解决了在哪里考，Labimus 进一步回答考什么。

借助大语言模型，系统首先解析 SOP 文档，再自动完成场景组装、物体绑定和任务生成，最终拆解出六个原子操作，包括打开挡风门、关闭挡风门、抓取放置、按下去皮键、拾取工具、舀粉称量，以及一个完整的七步固体称量工作流。

这意味着，机器人面对的不再是工程师凭经验设计出来的测试，而是真实实验室每天都会发生的操作。

在论文通讯作者、中国科学技术大学人工智能与数据科学学院特任教授夏彦看来，这也是机器人化学家最终形态的一部分。他设想，未来研究人员只需要告诉机器人实验目标，例如寻找一种新的催化剂，大模型便能够自动规划整个实验流程，机器人负责完成实验，并根据实验结果继续调整下一轮方案，最终形成真正意义上的自主实验室。

不过，这距离现实还有不小的距离。目前，大语言模型生成的实验流程仍需要人工校验，Labimus也只是向这一目标迈出的第一步。

有了真实的实验环境，也有了来自真实SOP的实验任务，最后还差关键一步：该怎么评分？

Labimus最核心的观察可以用一句话总结：Task Success ≠ Scientific Success。

过去，大多数机器人Benchmark采用的都是二元评价标准：完成就是成功，没有完成就是失败。在搬箱子、开抽屉的场景里，这没问题。但在化学实验室里，这把尺子失效了。机器人可以把粉末转移到称量盘上，按传统的二元标准，这些操作算是做完了。可只要质量误差超出了SOP规定的±0.001克，这次实验在科学上就是不达标的。

Labimus引入三级递进的评测层级。第一层仍然关注任务是否完成，例如门有没有打开、物体有没有抓起来。第二层开始加入连续精度指标，例如称量误差是否满足实验要求。第三层则进一步关注完整实验流程中的长程表现，如机器人是否能够在连续多个步骤中始终保持精度，又是在第几步开始出现误差累积。每上一级，就多看见一层上一级看不到的失败方式。再配合四种考试条件（标准布局、加光照扰动、加纹理扰动、以及两者叠加的组合扰动），共同构成一张3×4评测矩阵，同时检验机器人策略的精度和鲁棒性。

03

考试的结果如何？

有了考场、考题、判卷标准，Labimus让三位考生正式入场——ACT、Diffusion Policy、π0，三种具有代表性的机器人学习方法。

考试结果呈现一道清晰的难度阶梯。最简单的任务是开门。各家都能做到一定成功率，ACT最高，达到56.7%。到了关门，成绩明显下滑，π0表现最好，也只有40.7%。而需要单根手指精确按下一个小按钮的去皮操作，对所有方法都构成了严峻挑战——ACT只有2.0%，Diffusion Policy和π0直接归零。

这一梯度并不意外。开门只需要抓住把手、施加一定推力，属于相对粗放的接触；关门需要控制力度，避免撞击或夹手；而按下直径仅几毫米的去皮键，要求指尖以特定角度、特定力度完成一次精准的瞬时接触。

有一个发现值得关注：精度差距。

以ACT在抓取放置任务上的表现为例。按传统的二元标准，它完成了5.3%的episode。但如果用Tier 2的精度标准重新审视，只有3.3%的episode满足位置误差不超过15毫米的要求。也就是说，在那些按照传统标准被判为成功的操作中，近四成其实是不达标的。

鲁棒性测试也有类似提醒。π0在开门任务上，单独改变光照或纹理，性能影响都有限。可一旦两种扰动叠加，成功率从47.3%跌至40.0%，降幅明显大于任何单一扰动。这提示我们，真实世界里复合的环境变化，对策略的影响不是简单的线性叠加，而是存在某种共振效应。

04

考试的意义是什么？

被问及具身智能最大的瓶颈时，夏彦没有犹豫："本体、数据、模型，三者都有瓶颈，但当下最突出的是本体能力。"这个判断与Benchmark的测试结果形成了呼应。

Labimus的评测表明，精细的接触控制是当前方法共同的短板。但这些操作对灵巧手本身也提出了极高要求：高自由度、敏感的力觉感知、毫秒级的响应延迟。市场上能达到这一水平的灵巧手，单只售价30万起，且大多尚未量产。

"我们受限于经费，还没有办法把市场上所有灵巧手都买回来测试极限。"夏彦坦言，"但如果本体都完不成动作，收集再多数据也没用；没有好的数据，模型也训练不出来。"

这是一个层层传导的困境：本体→数据→模型，瓶颈从最底层向上放大。

数据采集的混乱进一步加剧了这一困境。视觉、触觉、UMI、egocentric……各种采集方案百花齐放，连摄像头规格都远未统一。夏彦提到一个有趣的对比：特斯拉Optimus能进展较快，很大程度上是因为它复用了自动驾驶同一套传感器规格，数据迁移成本极低。而学术界的机器人研究，几乎每家都在用不同的硬件、不同的协议、不同的坐标系。

Labimus的v0版本显然不完整：只覆盖了四个原子操作和一项Tier 2精度任务，完整工作流评测仍在进行，Sim2Real迁移尚未验证。

但团队选择在这个节点发布，是因为他们想先把人形机器人化学家这个方向抛出来。

"这是一个非常交叉的领域，做AI的人不懂化学，做化学的人不懂AI。"夏彦说，"我们先把概念提出来，让大家看到这个赛道到底能做成什么样。如果更多人加入，事情会推进得更快。"

这种先占位、再完善的策略，在AI研究领域并不罕见。Labimus的特殊之处在于，它提出了一个新的评价范式。

过去，机器人Benchmark的竞争逻辑是刷分，在固定数据集上追求更高的成功率。但夏彦认为，这种逻辑在科学场景下会失效。"最终评价一个机器人科学家的，不应该只是它完成了多少任务，而是它是否真正加速了科学发现。 比如把发现一个新物质的时间从100年缩短到一周。这个效率维度，现有的Benchmark都没有体现。"

这是一个更宏大的问题，也是 Labimus 留给行业的真正命题。

以下是AI科技评论（雷峰网公众号）与论文通讯作者、中国科学技术大学人工智能与数据科学学院特任教授夏彦的对话，经不改变原意的编辑整理：

▎AI科技评论：为什么直接瞄准人形机器人+灵巧手的终局，没有先找一个中间态过渡？

夏彦：对，我们确实没有考虑一个中间的状态。我们觉得这样才是未来。

现有的自动化实验室，本质上是用夹爪去做定制化的事情。换一个实验，换一个夹爪，换一个硬件，这条路我们觉得不是未来。化学操作天然具有灵巧性，称多了要抖一抖，搭装置要拧冷凝管，这些中间态的专用设备解决不了。人形机器人可以直接走进没有任何改造的实验室，用人类现成的工具完成操作。

不是为了让它看起来像人，是因为这间实验室，本来就是为人的双手设计的。

▎AI科技评论：但灵巧手现在这么贵，又容易坏，如果本体能力长期跟不上，这个评测会不会悬置在半空？

夏彦：这个确实是我们担心的。所以我们现在希望有更多灵巧手厂家能够一起合作，去探索本体的极限。

现在市面上有的说22个自由度，有的说25个，但实际上能不能做到精准化学操作？我们受限于经费，目前采用的还是比较基础的灵巧手。如果我们用了更好的本体，是不是事情会更容易一点？评测先行是有风险的，但如果没有人先把方向提出来，行业可能永远不会往这个方向投入。 所以我们选择先把Labimus抛出来，哪怕它现在只是一个v0版本。

▎AI科技评论：你预计人形机器人什么时候能真正走进化学实验室？

夏彦：我希望在简单任务上，接下来一两年内能做一些比较经典的基础动作。全面铺开的话，可能需要5到10年。但我跟几个专门做机器化学家的化学工作者聊过，他们更乐观，认为随着AI发展，3到5年可能就实现了。我作为做机器人的人，可能稍微保守一点。

▎AI科技评论：AI和化学是两个完全不同的学科，这个交叉领域的困境怎么突破？

夏彦：这确实是一个非常交叉学科的事情。做具身智能的人其实是不懂化学的，化学的人也不懂AI。我们希望双方的研究者都能进入这个赛道看一看，它到底能做成什么样。这也是为什么我们要现在推出v0版本。不是我们等不及，而是这个概念需要先提出来，才能吸引更多人加入。 如果只有我们一家在做，这个事情永远做不大。

▎AI科技评论：现在模型学习速度越来越快，很多benchmark很快被刷穿，具身领域会不会也有这个问题？一个面向科学的benchmark，该怎么避免沦为刷分工具？

夏彦：确实存在。很多方法在数据集上刷得很高，但很难泛化到其他场景。

我觉得这里有一个根本性的问题：最终评价一个机器人科学家的，不应该只是它完成了多少任务，而是它是否真正加速了科学发现。 比如发现一个新物质，从100年缩短到一周，这个效率维度现有的benchmark都没有体现。

如何建立一个既能量化操作精度、又能衡量科研效率的完整评价体系？这是一个又大又难的问题。Labimus也只是初步尝试，肯定不完美。但如果行业能围绕这个问题持续讨论，比单纯刷分要有意义得多。

▎AI科技评论：目前具身智能最大的瓶颈在哪里？

夏彦：我觉得模型、数据、本体都有瓶颈，但本体能力是当下最突出的。我们想做很简单的化学操作，但本体能力就已经受限了。我们希望把市场上所有灵巧手都买回来测试极限，但受限于经费还没做到。如果本体都完不成动作，收集再多数据也没用；没有好的数据，模型也训练不出来。另外，数据采集设备也远未统一，视觉、触觉、UMI、egocentric……各种方案百花齐放。

雷峰网

论文：arxiv.org/abs/2606.31037

项目主页：labimus.github.io

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈