2025年由美国MITRE公司Alexander V. Tobias、Adam Wahab等颁发于《Royal Society Open Science》的文件《Autonomous ‘self-driving’ laboratories: a review of technology and policy implications》,对融合人为智能与尝试室自动化的自驱动尝试室技术进行了评述
，通过化学、资料、生物等领域的代表性案例介绍其齐全关环科研能力、云端利用模式
，并瞻望了自驱动尝试室从“参数优化"迈向“范式改革"的演进方向。

钻研亮点及意思

通过评述两套量化分级系统
，清澈分辨硬件自动化与 AI 决策软件的分歧价值
，解决了从前行业对 SDL 自主水平不足统一评价尺度的问题。

从硬件、软件、云端三种落地蹊径启程
，齐全拆解 SDL 落地过程中资金、技术、人才层面的全数成本痛点
，给后续钻研者和企业提供清澈落地参考。同时也梳理了三类落地蹊径的曲直
，援手药企、新资料、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

为衡量自驱动尝试室的能力天堑
，学术界借鉴自动驾驶分级思路
，成立了1至5级的自主度标尺。1级为机械辅助单点工作
，2级实现部门智力环节自动化
，3级即“有前提自主"——系统能自主实现“尝试-分析-决策-新尝试"的齐全循环
，仅在异常时需人为染指
，这是当下绝大无数SDL所处的层级。4级系统则堪称高度自主的科研助理
，可在人类给定初始指标后自行批改和更新如果；而5级自主的AI钻研员尚未实现。

除上述单维分级表
，学术界还提出了一个更精密的二维评估框架
，将“硬件自主度"和“软件自主度"分隔考量。硬件自主度衡量的是尝试执行的自动化水平——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尝试设计、规划选择、参数决策等智力层面的独立水平。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处机械人协同工作的固态合成平台
，可能自主实现晶体成长、样品造备和粉末X射线衍射分析的全流程。劳伦斯伯克利国度尝试室的A-Lab在文件数据和自动进建算法的驱动下
，自主规划和合成指标无机资料
，进行X射线衍射分析并解读了局
，成功合成了超过70%的指标化合物。IBM的RoboRXN平台集成了云推算和多个大型说话模型
，可能自动将化学文件转化为结构化知识图谱
，通过逆合成分析设计合成路线
，并自主实现指标化合物的合成与验证。麻省理工学院Jensen尝试室的关环分子发显旖台则可能设计拥有特定性质的新分子
，自主合成、丈量性质
，并利用所得数据不休迭代优化
，实现分子机能的持续改进。

这些系统的共同趋向是：新一代化学SDL在将“知识驱动"与“自主进建"深度融合
，展示出远超前辈的化学智能和尝试通量。

● 资料学

资料科学领域对自驱动尝试室的需要尤为火急
，这背后是约莫20%的工业基础与70%的技术创新都依赖于先进资料的现实。不列颠哥伦比亚大学的Ada平台实现了薄膜资料合成与机能优化的全流程自动化关环
，其后续版本通过增长六轴机械臂和加强型机械进建算法
，发现了比现有工艺低50°C以上迪胭薄膜新合成蹊径。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散布式网络
，通过中央软件枢纽协调多地尝试资源
，成功催生了拥有高功率转换效能的有机光伏电池。

更值得关注的是自驱动尝试室合作模式的创新。一个横跨三大洲、衔接五个SDL的超等尝试网络通过中央AI？樯杓啤⒐婊偷鞫瘸⑹怨婊
，将合成与表征工作分配给地理上分散的专业化设施
，成功发现了21种拥有激光机能的新型有机固态资料。另一个由五国团队参加的散布式平台则通过“代理"软件系统实现尝试室间的工作分化与资源共享
，作为概想验证成功优化了电池电解液的密杜纂粘度。

这些案例揭示了一个沉要趋向：自驱动尝试室在从孤立的“孤岛"走向互联的“生态"
，将来真正限度科研效能的将不再是单个尝试室的能力
，而是全球领域内尝试资源的调杜纂整合能力。

● 生物学

生物学领域的自驱动尝试室发展相对化学和资料科学稍显滞后
，但不乏标志性成就。Genesis平台将建设1000个微型生物反映器及集成的质谱和RNA测序系统
，可能同时丈量约100种代谢物和6000个基因的表白水平
，力争对酵母的代谢与转录调控网络进行全景式解析。2024年报路的SAMPLE平台则将酶工程尝试搬到云尝试室中远程运行
，通过搜索不到2%的突变组合空间便获得了热不变性提升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这一由慈悲机构赞助的新兴企业
，则专一于开产生物学的AI“引擎"
，致力于构建可能提出如果、规划尝试、进行机造性推理的AI科学家系统。

这些进展固然各具特色
，但指向一个共同判断：当生物尝试的周期、传染风险和复杂性被逐步克服后
，自驱动尝试室在这片“最未知的科学"领域中将开释出比化学和资料科学更为深远的刷新力量。

重要结论及瞻望

面对关键挑战：SDL的发展轨迹、遍及快率及影响受多沉“顺风"（如AI技术进取）与“逆风"（如成本、尺度缺失）共同作用
，难以预测。需解决人类科研方式刷新、AI天生发现的知识产权归属
，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"景象：对人类单一的沉复尝试对机械很难
，而复杂的科研思虑AI却能急剧把握。

将来方向是“范式改革"：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。等待SDL利用AI优势
，进行更具突破性的尝试（如Genesis等项目）。

远景是人机协同：AI与人类智力互补
，将来有望形成共生模式
，共同攻克沉大科学难题。

重要图表

表 1. 自驱动尝试室自主能力分级尺度

图 1. 优化类尝试是自驱动尝试室最７⒄沟某⑹岳嘈

图 2. 自驱动尝试室当下受到多沉反向造衡成分影响

参考文件

Tobias AV, Wahab A. 2025 Autonomous ‘self-driving’ laboratories: a review of technology and policy implications. R. Soc. Open Sci. 12: 250646.