AI4S Lab：一文读懂自动化实验室

2023年11月29日，《Nature》在同一天刊出两篇论文：一篇是Google DeepMind的GNoME，用深度学习大规模预测稳定晶体；另一篇来自劳伦斯伯克利国家实验室：一个名叫A-Lab的自主实验室连续运转17天，报告从58个目标里合成出41个化合物。

不到一个月后，卡内基梅隆大学的Coscientist再登《Nature》：一个GPT-4驱动的系统，把查文献、写代码、指挥自动化实验串成了一条链。两年多过去，这个故事有了后续。2026年1月，A-Lab论文刊发作者更正，作者人工重新分析数据后确认，40个报告成功案例中36个结论成立、4个不确定。热潮与质疑几乎同时到场，这大概就是「自动化实验室」这条赛道眼下的真实处境。

当AI for Science的讨论大多围着模型转的时候，有个问题始终绕不开：模型再强，实验谁来做，数据从哪来？

答案还是要回到实验室，回到那个以手工移液、人工记录为主的地方。

所谓自动化实验室，就是把机器人、软件和AI重新组织进实验流程的这条赛道。它不算新，被行业史记为第一个实验室机器人系统的Zymate 1，1981年就已经出现。但它确实在变，从「自动执行人设计好的流程」，慢慢走向「由算法决定下一个实验做什么」。

本篇文章尝试回答三个问题：这是一条什么样的赛道，技术走到了哪一步，国内外有哪些值得关注的玩家。

这是一条什么样的赛道

“实验室自动化”（lab automation）通常指用设备与软件替代实验流程中的重复性人工操作，比如移液、搬运、存储、调度与记录。

有两个边界需要澄清：它不等于科学仪器，色谱、质谱等分析设备是自动化系统的「被集成对象」；它也不等于「自动化实验室」这个整体形态—前者是设备与软件的集合，后者是以完整工作流为单位的系统，可以自建，也可以作为服务购买。

六个细分环节

沿工作流拆开，这条赛道大致包括六个环节：

•液体处理工作站：负责移液、稀释、分装等重复性操作。据Market Research Future，一套完整配置的自动化液体处理工作站通常售价15万至50万美元。

•机械臂与移动机器人：在仪器之间搬运样品与耗材，形态包括固定机械臂、轨道机器人、协作机器人和移动机器人。

•高通量筛选（HTS）：以微孔板为载体的大规模自动化实验体系，是制药业应用较为广泛的自动化场景之一。

•LIMS/ELN软件：实验室信息管理系统与电子实验记录本，管样品、流程与数据。

•云实验室：研究者远程提交实验指令，由机器人与少量技术人员执行并回传数据。

•自驱动实验室（SDL）：2023年《Nature Synthesis》综述将其定义为「机器学习辅助的模块化实验平台，迭代执行由算法选定的实验，以达成用户定义的目标」。它和前面几类形态最大的区别在闭环：不是执行固定流程，而是由算法解读每一轮结果，再决定下一步做什么。

市场规模

据MarketsandMarkets 2026年发布的报告，全球实验室自动化市场2025年约62.6亿美元，预计2031年增至86.2亿美元（2026–2031年复合增长率 6.6%）；其中自动化工作站是最大产品品类（2025年占40.2%），药物发现是最大应用（占39.0%）。

细分中，高通量筛选的盘子更大「口径含试剂耗材」：据MarketsandMarkets，2025年约264亿美元，预计2031年达459亿美元，与实验室自动化口径有交集但不可相加。据行业文章转引Grand View Research估计，全球LIMS市场规模约20亿美元量级（2026年前后）。至于云实验室与自驱动实验室，目前尚无权威独立的市场规模统计。

据灼识咨询数据（镁伽科技港股招股书引用），中国智慧实验室自主智能体市场从2020年的11亿元增至2024年的65亿元；截止2024年，中国约14.9万家实验室中，智慧实验室占比不足 3%。

国内外格局简述

国外硬件层长期由Tecan、Hamilton、Beckman Coulter等传统设备商把持；2010年代起，云实验室与开源设备初创陆续出现，近几年则发生了一些整合与波动，2023年12月，机器人制药公司Multiply Labs宣布收购云实验室公司Strateos，2024年9月，礼来将圣地亚哥的自动化实验室Life Sciences Studio出售给英国公司 ；2025年以来的新变量，是Periodic Labs、Lila Sciences这类由顶级AI研究者创办的公司，成立不久即拿到数亿美元级融资。

国内则是另一幅图景：上市公司（晶泰控股、华大智造）、初创公司（智化科技、创材深造、镁伽科技等）与政府主导的大科学设施（深圳的合成生物大设施、国家生物制造产业创新中心）几条路线并存。

值得注意的是，企业之外，科研机构与重大科技基础设施正在成为这条赛道的重要一极，美国的A-Lab和深圳的大设施都是例子。详细情况见第三部分。

技术发展的脉络

过去：从自动分析仪到实验室机器人（1956–2000）

实验室自动化的起点在临床检验。1956年12月，Technicon展示AutoAnalyzer，可在2.5分钟内测定血液样本中尿素、糖和钙的浓度。1971年，Hamilton推出半自动注射式移液系统Digital Dilutor；1970年代末，Hamilton与Tecan联合开发的 AMICA系统，成为两家公司后来移液工作站产品线的基础。

1981年，Zymark推出Zymate 1，被实验室自动化协会（SLAS前身）的行业史记为第一个实验室机器人系统。1980年代初，日本高知医科大学的Sasaki团队建成首个全自动化临床实验室，用传送带、负责装卸分析仪的机器人加上过程控制软件，跑通了全实验室自动化（TLA）这条路线。Tecan1980年创立于瑞士，1985年推出其称为「第一个过程控制全自动移液工作站」的Sampler 500系列。

制药端，高通量筛选兴起于1980年代中后期：以辉瑞为例，其HTS从1986年每周800个化合物起步，1989年达到每周7200个，到1992年已为约40%的发现项目提供苗头化合物。软件侧，第一代LIMS于1982年以集中式小型机的形式出现，此后经历关系数据库、客户端/服务器等数代演进。至此，“自动执行固定流程”的范式基本定型，并在此后二十余年里几乎没有发生根本变化。

现在：云实验室与自驱动实验室（2012至今）

第一次变化，是把实验搬到「云」上。2012年上线的Transcriptic是第一家提供广泛自动化实验服务的商业云实验室（2019年合并为Strateos）；Emerald Cloud Lab于2014年进入市场。这一模式吸引人的地方在于，研究者不必自建实验室，也能用上自动化设备。2021年，卡内基梅隆大学与ECL合作建设全球首个高校云实验室，造价约4000万美元，用户可远程调度200多台仪器。据RAND 2024年的一份报告，ECL运营着两处设施，一处在奥斯汀，约10.5万平方英尺，另一处在匹兹堡，约2万平方英尺，与CMU合作共建。2022 年《Nature》刊出云实验室专题报道，提到学术机构、初创公司与大药企正日益转向这一模式。不过结合近几年行业内的并购与业务调整来看（详见01、03部分），这门生意的可持续性，市场还在检验。

第二次变化，是让算法进入决策环。早在2009年，《Science》杂志报道的「机器人科学家Adam」已能自主生成并检验酵母功能基因组学假设。2020年《Nature》报道利物浦大学的「移动机器人化学家」：一台自由移动机器人8天自主完成688次实验，在十维变量空间内将光催化体系活性提升至初始配方的6倍；论文称这一思路为「自动化研究者，而非自动化仪器」。

2023年的A-Lab则同时展示了潜力与边界，值得多说两句。劳伦斯伯克利国家实验室与Google DeepMind合作的这一自主实验室，目标是自主合成无机粉末材料：候选目标取自Materials Project与GNoME的大规模相稳定性预测，合成配方由文献训练的自然语言模型提出，再由基于热力学的主动学习算法一轮轮优化。换句话说，语言模型进入实验决策环，其实比GPT-4驱动的系统还要早一些。17天连续运行中，A-Lab报告从58个目标中合成出41个化合物。

质疑随之而来。2024年，伦敦大学学院的Robert Palgrave、普林斯顿大学Leslie Schoop等人在PRX Energy发表正式评论，认为其中约三分之二「新化合物」实为已知无序化合物的有序变体，且AI自动完成的衍射数据精修水平不足；A-Lab通讯作者Gerbrand Ceder则回应称，论文的目标是展示自主实验室能做到什么，而非与人类专家的精修水平比较。2026年1月《自然》刊发作者更正：人工重新分析衍射数据后，确认40个报告成功案例中36个结论成立、4个不确定，并澄清「新」系指对预测平台而言是新目标，未必是科学上的新物质。这一轮“发表、质疑、更正”走下来，也给外界观察自驱动实验室的能力边界，留下了一个难得的公开样本。

大模型的加入是最近一次变量。2023年12月《自然》报道卡内基梅隆大学的Coscientist：由GPT-4驱动，结合检索、代码执行与实验自动化，在六类任务中展示了（半）自主实验能力，包括成功优化钯催化交叉偶联反应。2024年发表于《自然·机器智能》的ChemCrow则显示，为GPT-4接入化学工具集后，其在化学任务上的表现显著提升。此后这类研究明显多了起来。2025年《Chemical Science》刊出一篇系统综述，把大语言模型和自主智能体在化学中的能力与边界仔细梳理了一遍，可以看作这个方向的一次阶段性盘点。也要看到，这些工作大多仍是受控条件下的演示性实验，离日常化、规模化的研究流程还有不短的路。

学界观点：对于自动化实验室下一步的看法

2026年《Nature Reviews Chemistry》的一篇综述认为，自驱动实验室的下一阶段取决于三项相互依赖的要求：可扩展性、可泛化性，以及全谱系的实验记录；要实现这些，有赖于互操作的数据与元数据标准、模块化可集成的实验硬件，以及能在严格安全与伦理边界内运行的可信AI智能体。标准化已有实践基础：设备通信标准SiLA与分析数据标准AnIML的推广应用正在推进。

验证是另一个被反复强调的瓶颈。2026年美国橡树岭国家实验室牵头的《Toward Trustworthy Autonomous Science: A Two-Year Community Roadmap》，以一项标志性自主发现成果的更正事件作为切入点指出：产生候选发现已不再是难点，验证才是；截至目前，还没有任何系统能够端到端完成真正新颖发现，并实现实验层面的自我闭环验证。在人机关系上，2025年《Nature-Communications》的一篇立场文章主张，自驱动实验室应成为人类研究者的「协作者」，而非替代者，系统承担重复实验与数据分析，人类保留科学创造力与专业判断。

国内外典型机构与企业

国外典型机构与企业：

A-Lab（美国）：前文提到的劳伦斯伯克利国家实验室自主实验室，可以看作「国家队」的代表。它不是公司，目标也不是盈利，但那17天连续运行的实验，以及之后的质疑与更正，给整个行业提供了少见的公开参照。

Opentrons（美国）：2014年成立，开发开源实验室自动化机器人，主打相对低门槛的移液自动化。2021年9月完成2亿美元C轮融资（软银愿景基金2期领投）。据PitchBook数据，其累计融资约3.29亿美元，2025年12月完成2010万美元D轮。

Emerald Cloud Lab（美国）：云实验室模式的代表，前身2010年创立、2016年分拆为独立公司，2014年对外提供服务；总部2023年由南旧金山迁至奥斯汀，运营奥斯汀与匹兹堡（与CMU合作）两处设施。

Automata（英国）：2015年成立于伦敦，为生命科学实验室提供集成式自动化平台（LINQ）。2026年1月宣布完成4500万美元C轮融资，由Dimension领投，丹纳赫创投等参投。

Synthace（英国）：2011年成立于伦敦，核心产品是无代码数字实验平台Antha，主打以软件定义实验流程。2021年11月完成3500万美元C轮融资，由维港投资与Sofinnova联合领投。

Periodic Labs（美国）：2025年在旧金山成立，两位创始人来头不小：Liam Fedus是OpenAI前研究副总裁，Ekin Dogus Cubuk曾负责DeepMind的材料与化学研究，主导过GNoME。公司方向是让AI智能体直接驱动物理实验室做材料研发。2025年9月底，公司宣布完成3亿美元种子轮融资，由a16z与Felicis领投，英伟达风投等参投。

Lila Sciences（美国）：2023年由知名风投Flagship Pioneering在波士顿孵化，CEO为Geoffrey von Maltzahn，首席科学家是遗传学家George Church。公司提出「科学超级智能」的概念，把生成式AI与自动化实验室打包成所谓「AI 科学工厂」，覆盖生命科学、化学与材料。融资节奏很快：2025年3月亮相时已拿到2亿美元种子轮，9月完成2.35亿美元A轮，10月又追加1.15亿美元，累计融资约5.5亿美元。

国内典型机构与企业：

深圳的「生物铸造工厂」与「国创中心」：政府主导的重大科技基础设施。光明科学城的合成生物研究重大科技基础设施投资7.22亿元，由深圳先进院牵头建设、华大生命科学研究院等参与，2024年12月正式启动运行，以30多台自动化功能岛组成“生物铸造工厂”，面向全球开放共享；同在光明的国家生物制造产业创新中心2024年启动建设，规划建设自动化生物制造平台等六大平台。

晶泰控股（2228.HK）：2015年由三位MIT博士后创立，以量子物理、AI与机器人结合的方式做药物与材料研发，2024年6月在港交所主板挂牌，为18C特专科技规则第一股，按发行价计算上市时市值约180亿港元。据公司2025年年报，全年收入8.03亿元、首次实现年度盈利，其中包含智能机器人实验室及智能服务的AI4S智慧解决方案板块收入2.65亿元，约占总收入的三分之一。

华大智造（688114.SH）：国内的实验室自动化设备供应方之一，主业是基因测序仪及配套自动化设备。据公司2025年年报，全年营业收入约27.8亿元，其中智能自动化（GLI）业务收入约2.5亿元，同比下降约32%；年报提到，公司推出的AIO建库测序一体机与PrimeGen智能体，用于推动实验室从人工操作向数据驱动转变。

智化科技（武汉）：从AI逆合成路线设计起家，产品线包括合成路线设计平台 ChemAIRS、实验室管理系统ChemAIOS与自动化实验室方案ChemAILAB。据湖北日报报道，公司已与辉瑞、人福医药等上百家药企开展合作。

创材深造（Deep Material）：2021年成立，方向是AI加金属材料，算法模型、高通量实验室与材料数据体系全部自建，产品包括3D打印用高强铝合金、超高强钛合金等。

镁伽科技：2016年成立，定位智慧实验室与智能制造两大场景的自主智能体供应商。据招股书，其2022至2024年收入分别为4.55亿、6.63亿、9.30亿元，同期持续亏损。公司2022年完成3亿美元C轮融资；2025年6月向港交所递交上市申请，该申请于2025年12月失效，截至2026年9月初尚未上市。

结语

回到开头的问题。自动化实验室眼下仍是一个早期赛道：全球硬件盘子不过几十亿美元量级，云实验室和自驱动实验室甚至没有公认的统计口径；A-Lab的更正也提醒人们，自动化能放大实验的规模，却不能自动保证结论的可靠。

业界与学界比较一致的判断是，真正的难点在两处。一是数据闭环，要让实验数据以机器可读、可追溯的方式回到模型里去；二是标准化，设备接口和数据格式不统一，闭环就只能在单个实验室里打转。这条赛道最终能兑现多少价值，多半取决于这两件基础工作的进展，而不是某个单点突破。

对从业者和关注者来说，盯住闭环与标准化的落地节奏，或许比追某一个明星成果更实在。

—The End—