中科大给机器人化学家设考场：光完成任务还不够

八年前Meta就有万亿参数模型了。这话放在今天，可能会让许多人一愣，因为印象中大模型的参数竞赛是近年才白热化的。但在化学实验室里，另一场更隐蔽的竞赛也早已开始——不是比谁的模型大，而是比谁的手更稳。一个有机化学家每天要重复几十次的动作：拉开天平玻璃门，放上称量舟，用药匙抖落粉末直到显示屏恰好停在0.850克，误差不超过0.001克。人类手指尖那一点微妙的力道控制，成了机器人最难跨越的门槛。

最近，中国科学技术大学联合北京人形机器人创新中心推出了一套名为 Labimus 的仿真和评测平台。它不是一个能直接替你称粉末的机器人，而是一个专门为“机器人化学家”设置的考官，考题就来自真实实验室里每天都在发生的固体称量操作。和过去那种完成任务就给通过的宽松标准不同，Labimus 拿出了一套更严苛的评分体系：光做完不算，要做得准才算。

自主实验室并不是新鲜概念。从英国利物浦大学的移动机器化学家，到各类模块化实验平台，“人工智能（AI）决策加机器人执行”已经成为 AI for Science（人工智能驱动的科学研究）的一条显眼的技术路线。大模型负责动脑——阅读文献、设计实验方案、预测材料性质，机器人负责动手——移液、混合、加热、检测。两边一合，看起来实验效率能翻倍。但落到现实里，绝大多数自主实验室其实是“削足适履”的产物：实验台要重新布局，设备要重新设计，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，却很难直接搬到另一间实验室。

中科大团队选择了一条不同的路。他们没有继续优化传统机械臂，而是把目标放在人形机器人和灵巧手上。在他们看来，流水线这类高度标准化的场景，专用机器人有优势；但在需要大量灵巧操作的化学实验室里，人形机器人的仿人手设计反而更能适应人类原有的实验环境。Labimus 的整个仿真环境，就是从一个真实的有机化学实验室用“实到虚”（Real-to-Sim）的方式重建出来的，里面包括分析天平、烧杯、量筒、圆底烧瓶、药匙等30余件器材。不过，真正让这套考官变严格的，不是器材的数量，而是它们都具有真实的物理属性。

举个最简单的例子：分析天平的玻璃挡风门。在很多仿真里，这扇门要么一直开着，要么点一下自动滑开，像一段预设动画。但在 Labimus 里，机器人需要像人类一样捏住把手，控制力道，才能沿着导轨把门推开。分析天平本身也不是静态道具，当粉末落入称量舟，屏幕上的数字会实时跳动更新，就像真实的电子天平。最难模拟的粉末更是被细致地处理成独立刚体颗粒，每一粒都有质量和碰撞属性。机器人用药匙舀粉，颗粒会随着药匙运动洒落，每一粒的质量都被累计，最终给出一个精准的称量结果。这就意味着，如果机器人的动作稍有抖动，多抖落了一丁点粉末，成绩单上就会立刻反映出来。

有了考场，接下来要解决考什么。Labimus 借助大语言模型解析标准操作程序（SOP）文档，然后自动组装场景、绑定物体、生成任务，最终拆解出六个原子操作：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。再把这些原子操作连起来，就形成一个完整的七步固体称量工作流。这样一来，机器人面对的就不再是工程师凭经验设计的简化测试，而是真实实验员每天都会执行的流程。该论文的通讯作者、中科大人工智能与数据科学学院特任教授夏彦将这套思路视作机器人化学家最终形态的一部分：未来，研究人员只需要告诉机器人实验目标，比如寻找一种新的催化剂，大模型自动规划实验流程，机器人完成操作，并根据结果调整下一轮方案，形成真正的自主实验室。当然，这一步离现实还有不小的距离，目前大模型生成的实验流程仍需人工校验，而 Labimus 只是向这个目标迈出的第一步。

最关键的环节是怎么打分。Labimus 团队的核心观察可以用一句话总结：任务成功不等于科学成功。过去，绝大多数机器人基准测试用的都是二元评价——完成了就是成功，没完成就是失败。搬箱子、开抽屉这类任务中，这套标准完全够用。但在化学实验室里，这把尺子失效了。一个机器人可以把粉末转移到称量盘上，按传统标准就算做完了，但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。于是，Labimus 引入了一套三级递进的评测层级。第一级仍然看任务是否完成，比如门有没有打开、物体有没有抓起来；第二级加入连续精度指标，比如称量误差是否满足实验要求；第三级进一步考察完整流程中的长程表现，看机器人是否能够在连续多个步骤中始终保持精度，误差是从哪一步开始逐渐累积的。每上一级，就能多看见一层上一级看不到的失败方式。配合四种考试条件——标准布局、加光照扰动、加纹理扰动、两者叠加的组合扰动，最后形成一张 3 级×4 条件的评测矩阵，同时检验机器人策略的精度和鲁棒性。

现在，三位考生入场了：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 成功率仅 2.0%，Diffusion Policy 和 π0 直接归零。这个梯度并不奇怪：开门只需抓住把手施加推力，属于比较粗放的接触；关门需要控制力道避免撞击；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点按。还有一个发现格外值得关注：精度差距。以 ACT 在抓取放置任务上的表现为例，按传统二元标准，它完成了 5.3% 的操作片段；但如果用第二级的精度标准重新审视，只有 3.3% 的片段满足位置误差不超过 15 毫米的要求。也就是说，那些按照传统标准被判为成功的操作里，近四成其实是不达标的。鲁棒性测试的结果也类似，随着光照和纹理扰动的加入，各方法的成功率和精度都有不同程度的下滑，显示出当前灵巧操控策略对视觉环境的敏感。

从给机器人定做专用工具的旧思路，到让机器人适应人类实验室的新尝试，Labimus 的这套考核体系像一个放大镜，把灵巧操作中的微小动作、细微误差、以及那些容易被二元评判掩盖的性能缺口一一暴露出来。它不仅考机器人有没有动手，还考机器人动得够不够准、能不能在多步操作中始终保持稳定。对于那些想把重复实验交给人形机器人的实验室而言，这或许正是它们等待已久的第一份上岗证。