2025年由美國MITRE公司Alexander V. Tobias、Adam Wahab等發表于《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科研能力、云端應用模式，并展望了自驅動實驗室從“參數優化"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，清晰區分硬件自動化與 AI 決策軟件的不同價值，解決了過去行業對 SDL 自主程度缺乏統一評判標準的問題。

從硬件、軟件、云端三種落地路徑出發，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，給后續研究者和企業提供清晰落地參考。同時也梳理了三類落地路徑的優劣，幫助藥企、新材料、合成生物企業降低技術選型與產業化試錯成本。

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級實現部分智力環節自動化，3級即“有條件自主"——系統能自主完成“實驗-分析-決策-新實驗"的完整循環，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。系統的最終等級由兩者共同決定。

SDL案例

● 化學

利物浦大學開發了一個由三個多用途機器人協同工作的固態合成平臺，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實驗室的閉環分子發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化，實現分子性能的持續改進。

這些系統的共同趨勢是：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%的工業基礎與70%的技術創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化的全流程自動化閉環，其后續版本通過增加六軸機械臂和增強型機器學習算法，發現了比現有工藝低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化設施，成功發現了21種具有激光性能的新型有機固態材料。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"，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，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，則專注于開發生物學的AI“引擎"，致力于構建能夠提出假設、規劃實驗、進行機制性推理的AI科學家系統。

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：SDL的發展軌跡、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生成發明的知識產權歸屬，以及自主系統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多用于參數優化，流程成熟但格局有限。期待SDL利用AI優勢，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.