多伦多大学团队提出“自建实验室”：AI自主构建数字孪生，完成真实化学实验
如果有一天，科学家只需要告诉 AI 自己想研究什么，AI 就能判断实验室里有哪些设备、还缺少什么工具，甚至自己规划机器人动作、搭建实验流程，最后让一场实验真正运行起来，会是什么样？
过去，实验室自动化的目标主要是让机器代替人类执行实验。但随着 AI 智能体（Agent）的发展，研究人员开始尝试让 AI 承担更多工作：不仅要学会使用实验室里的设备，还要能够根据新的科研需求，为自己补充尚不具备的能力。
近日，来自多伦多大学（University of Toronto）、人工智能向量研究所（Vector Institute for Artificial Intelligence）、加速联盟（Acceleration Consortium）、加拿大高级研究院（Canadian Institute for Advanced Research，CIFAR）以及 NVIDIA 的研究团队，在 arXiv 发布了题为《Self-Building Labs》的论文。论文由白家儒和赵宇驰共同担任第一作者，Yang Cao、Varinia Bernales 和 Alán Aspuru-Guzik 担任共同通讯作者。
两位共同第一作者均来自人工智能与自主实验室研究领域。 赵宇驰是多伦多大学计算机科学系博士三年级研究生，同时也是加拿大 Vector Institute（向量人工智能研究所）的研究人员。他的研究主要聚焦于机器人学习与具身智能，重点探索如何让机器人自主完成复杂、精细的实验操作，推动化学实验室向智能化、自动化和自主化发展。白家儒是多伦多大学“埃里克与温迪·施密特 AI 赋能科学研究”博士后研究员（Eric and Wendy Schmidt AI in Science Postdoc Fellow），致力于探索人工智能驱动的科学研究与分布式实验室自主化。
（来源：论文） SBL 不仅希望自动执行已有的实验流程，还试图让 AI 自主识别实验室的能力缺口，通过数字孪生、智能体和机器人，逐步构建新的设备接口、操作技能和实验工作流。
研究团队以硫化镉量子点合成为例，展示了系统如何协调液体处理机器人、机械臂和光学检测设备，完成从试剂配制、样品转移到光学测量的一系列操作。除此之外，他们还在仿真环境中探索了多机器人协作和多工作站之间的实验流程。
这意味着，实验室自动化正在出现一种新的可能： AI 不再只是使用人类预先搭建好的实验系统，而是开始尝试根据科研目标，主动扩展实验室自身的能力。
有了自驱动实验室，还需要自建实验室吗？
让机器人代替人类做实验，并不是一个新概念。过去十余年，自驱动实验室（SDL，Self-Building Lab）逐渐成为 AI for Science 的重要研究方向。它通常围绕设计、制造、测试和分析（DMTA）循环展开：研究人员提出实验目标，自动化系统根据已有数据设计实验，机器人执行操作，再将实验结果反馈给模型，用于调整下一轮实验方案。
这类系统已经被用于材料合成、化学反应优化、纳米晶体制备等研究。它们能够在较少人工干预的情况下，连续开展实验并优化实验条件，从而提高科研效率。
然而，SDL 的自动化能力通常存在一个边界： 它能够执行什么任务，很大程度上取决于实验室在搭建之初已经具备哪些设备和操作能力。 例如，一套自动化平台已经能够完成试剂配制、液体转移和光学检测，研究人员便可以利用它开展相应的实验。
但如果新的科研问题需要使用另一台设备，或者需要改变原有设备的布局、增加新的机器人操作步骤，系统就未必能够直接完成。这时，往往需要专业工程师介入。他们需要了解设备的控制接口，编写相应程序，设计机器人运动路径，再经过多轮测试和调试，才能将新设备整合进原有的实验流程。
问题在于，科研问题并不会始终停留在实验室最初设定的范围内。随着研究方向变化，实验人员可能需要引入新的仪器、尝试不同的操作方式，甚至重新设计整个实验流程。如果每一次变化都需要工程师重新进行定制开发，自动化实验室的扩展速度就很难跟上科研需求。
近年来，一些模块化实验平台和可重构机器人系统已经能够在一定程度上调整设备布局、重新组合已有工作流程，但当任务需要超出现有系统能力的新技能时，仍然离不开人类开发。
白家儒在接受 DeepTech 采访时，将 SBL 与 SDL 的区别概括为：他们希望把实验室能力边界的定义和扩展，也纳入整个自动化闭环之中。 换句话说，SDL 主要解决的是如何让实验室自动运行，而 SBL 进一步尝试解决：当实验室无法完成一个新任务时，能不能让它自己找到缺少的能力，并尝试将其补齐？
图 | SBL 概念（来源：论文图 1） 研究团队希望，这套系统能够从不同状态的实验室出发。无论是一间已经拥有部分自动化设备的实验室，还是一套需要增加新实验流程的 SDL，甚至是未来尚未配置设备的实验空间，系统都可以根据科研目标，判断需要构建哪些能力。
一套可以迁移的智能实验室搭建方法
那么，AI 究竟如何知道实验室里有什么，又该怎样让机器人完成此前没有执行过的任务？在 SBL 的设计中，数字孪生是整个系统的重要基础。 简单来说，数字孪生（Digital Twin）就是在计算机中建立一个与真实实验室相对应的虚拟环境。它不仅包含设备的外形和空间位置，还需要描述设备的运动部件、机器人与设备之间的相对位置，以及设备能够执行哪些操作。
图 | SBL 架构（来源：论文图 2） 在 SBL 中，研究人员首先需要提供实验室的照片、设备型号，以及已有的设备控制接口等信息。随后，Twin Agent 会识别照片中的设备，并尝试寻找对应的计算机辅助设计（CAD）模型或机器人描述文件。如果没有现成的模型，智能体就会根据制造商提供的产品资料、技术参数和参考图片，重建一个近似的三维模型，再为设备添加门、盖板等可活动部件及相应的运动约束。
完成单个设备的建模后，系统还需要将它们放入对应的实验室场景中。这一步并不只是根据照片大致摆放几个模型。机械臂上安装的相机可以从不同位置获取实验室的彩色和深度图像，智能体再将真实观测到的画面与虚拟场景进行比较，逐步修正设备的位置和朝向，尽可能缩小数字孪生与真实实验室之间的差异。
研究团队使用英伟达的 Isaac Sim 作为仿真平台。通过这个虚拟环境，智能体可以提前测试机器人如何移动、如何抓取样品，以及如何在不同设备之间转移实验材料。
图 | 数字孪生（来源：论文图 3） 建立数字孪生之后，系统还需要决定实验应该怎样执行。 为此，研究团队设计了三个相互协作的智能体：Scientific Agent、Twin Agent 和 Safety Agent。
Scientific Agent，也就是科学智能体，负责理解研究人员提出的科学目标。它需要结合文献、实验原理和专业领域知识，将一个相对抽象的科研问题转化为具体的实验步骤。
但科学语言并不能直接转化为机器人动作。同样是加入一定体积的试剂，不同实验室可能使用不同规格的反应容器、移液设备和操作平台，设备的位置、机械臂的运动范围，也会影响最终的执行方式。
这就需要 Twin Agent 接手。它负责将 Scientific Agent 提出的实验方案，转换为当前实验室能够执行的具体指令。如果现有设备缺少某种控制接口或操作技能，Twin Agent 还需要尝试开发相应能力，并先在数字孪生环境中进行测试。
第三个智能体是 Safety Agent，即安全智能体。实验室并不是一个可以随意试错的环境。机器人可能撞到设备，试剂可能发生洒落或溢出，机械臂也可能因为操作不当损坏实验器材。Safety Agent 会在数字孪生环境中探索不同的潜在危险情景，识别可能出现的风险，并生成相应的安全规则。
三个智能体围绕数字孪生系统协同工作，并共享此前的操作记录、模拟结果和真实实验反馈。随着任务不断推进，系统可以将成功的操作经验保留下来，供后续实验调用。
图 | 技能提升（来源：论文图 4） 从量子点合成开始，让整套系统真正运行起来
为了验证 SBL 能否完成从科学目标到真实实验执行的整个过程，研究团队选择了硫化镉量子点（CdS QDs）的合成作为实验场景。
视频 | SBL 操作（来源：https://self-building-labs.github.io/）
这项实验需要完成试剂配制、液体转移、孔板封膜和光学检测等多个环节，涉及不同设备之间的协调，也对机器人抓取和放置的精度提出了要求。实验首先由 Opentrons OT-2 液体处理机器人完成。
研究人员同时考察了几个因素，包括镉离子与稳定配体的比例、镉离子与硫源的比例，以及反应初始 pH 值，希望观察它们如何影响量子点的形成和发光性质。为了完成这一步，SBL 生成并验证了一套独立的 Python 实验程序，包含 236 条操作指令，涉及设备初始化、移液速度、吸头管理和液体转移等操作。
试剂配制完成后，真正的难题才开始出现。机械臂需要将 96 孔板从液体处理平台转移到 PlateLoc 封膜仪，再将封膜后的孔板送入 Cytation 5 多功能检测仪，完成光学测量。
这几台设备并不是简单地并排摆放，机械臂必须根据不同设备的结构，规划抓取位置和运动路径，确保孔板在转移过程中保持水平，并准确进入指定位置。尤其是在将孔板放入检测仪时，机械臂需要先将它放到一个中间支架上，再改变抓取方向，重新从孔板短边抓取，才能完成后续插入操作。
对于人类实验员来说，这只是一个比较自然的动作；但对于机器人而言，它涉及精确的空间定位、抓取姿态调整，以及对设备接触状态的判断。尽管并未事先要求，智能体在自主规划动作路径时，将这些操作拆分为多个阶段。论文显示，机器人共完成了 19 个协调操作阶段，其中包括孔板转移、封膜、重新抓取和装载检测仪。
为了提高执行的可靠性，系统并没有完全依赖仿真结果直接控制真实机器人。对于需要毫米级精度的抓取和插入操作，以及需要亚毫米级定位精度的 HPLC 孔板装载，数字孪生中的模型误差可能导致实际动作出现偏差。因此，机器人还需要结合视觉、深度信息，以及力和力矩传感器的反馈，实时调整动作。最终，系统完成了从试剂配制到光学检测的整套实验流程。
这项实验的重点并不是让 AI 发现一种全新的量子点材料，而是验证 SBL 能否根据科研目标，协调不同设备，真正完成一套较长流程的物理实验。
从单个实验台到多个工作站，实验室还能如何扩展？
如果 SBL 只能在一套固定设备上完成量子点实验，那么它与传统自动化平台之间的区别仍然有限。因此，研究团队还尝试将这套方法扩展到不同类型的机器人和实验工作站。
从研究团队的设想来看，SBL 的扩展还可以分为两个方向。一个是横向扩展，即适配更多类型的实验任务和设备。从研究团队的工作来看，SBL 的扩展还可以分为两个方向。2026 年 10 月 30 日上线的论文第二版，已加入流动光化学与高效液相色谱（HPLC）设备操作的演示。
在既有 RoboChem-Flex 平台上，智能体在专家监督下建立操作流程，完成十次流动光化学实验，并衔接在线氢核磁分析；研究还通过独立的输运测试，校准并检验了液体与气体到达时间的预测模型。
HPLC 部分则展示了机器人操作抽屉、将深孔板从 OT-2 转移并装入仪器的流程，将设备操作技能与样品转运连接起来。这些结果体现了既有平台能力的扩展，仍需人类监督与现场验证。
视频 | 把 HPLC 加入工作流（来源：https://self-building-labs.github.io/）
另一个方向是纵向扩展，即从单个实验台走向更大规模的实验空间。赵宇驰设想，未来机器人或许能够在不同实验室之间转移样品和设备，协调多个实验室的任务。
如果进一步扩大规模，机器人甚至可以乘坐电梯，在科研大楼的不同楼层之间移动，根据各实验室的需求调度设备和实验资源。更进一步，研究团队还希望让智能体根据具体科研需求设计定制化实验设备，再通过 3D 打印等制造方式将设计转化为真实装置，最后让机器人使用这些设备完成实验。
它们指向了 SBL 更长远的目标：实验室不再局限于使用已有的标准化设备，而是能够根据新的科研问题，不断获得新的工具和操作能力。
AI 走进物理世界，人类科学家的位置在哪
为什么要把研究重心从实验规划和计算分析，转向实验室中的真实操作？这与团队此前的研究经历有关。 白家儒 介绍，团队从 2024 年 11 月开始探索计算化学智能体。
随着 Coding Agent 能力不断提升，一些过去需要研究人员花费大量时间完成的计算任务，例如密度泛函理论（DFT）计算和机器学习原子间势（MLIP）相关工作，现在已经能够借助智能体完成相当一部分。团队此前在 Matter 发表的 El Agente，通过自然语言接口和分层智能体协作，动态生成、调整量子化学计算流程，并处理执行中的错误。
随后发表于 Chem 的 El Agente Quntur 面向开放式化学问题，结合文献和软件文档，在 ORCA 环境中规划、执行、调整和分析计算，为包括 DFT 在内的量子化学研究提供协助。El Agente Gráfico 则以带类型约束的执行图管理科学状态的传递、验证与来源记录，使计算流程能够被检查、修改和复用。
面向 MLIP 的 El Agente Potente 将这类执行图与编程模式结合，由确定性程序完成计算和验证，支持材料筛选、分子能量景观探索、吸附与催化反应等原子尺度模拟。
这并不意味着计算化学中的所有问题都已经解决，而是说，AI 正在降低部分科研计算任务的技术门槛。相比之下，真实实验中的物理交互仍然困难得多。 赵宇驰 将科研流程大致分为实验规划、实验执行和数据分析三个阶段。 他认为，当前已有不少智能体能够帮助研究人员制定实验方案、处理和分析数据，但真正执行实验，仍然需要机器人与真实设备发生交互。
在物理世界中，设备可能出现误差，机器人可能遇到意料之外的情况，实验过程也可能产生无法通过现有接口直接获取的信息。这些问题都使得真实实验的执行比在计算机中生成方案或分析数据更加复杂。 白家儒 也强调，SBL 目前关注的主要是实验设备和操作层面的数据，而不是利用数字孪生预测化学反应本身的结果。它要解决的是机器人怎样移动、怎样抓取，以及不同设备之间如何衔接。
但即便如此，虚拟环境也无法完全替代真实实验。此外，智能体也可能基于错误假设采取行动，不同智能体之间甚至会出现意见分歧，需要人类介入判断。这意味着，实验室自动化并不是简单地将人类从操作流程中移除。
在 白家儒 看来，目前人类科学家的一个重要作用，是为智能体提供边界条件（Boundary Conditions）。 科学家需要告诉系统，哪些操作可以进行，哪些操作存在风险，哪些方案虽然理论上可行，但在实际实验中效率很低。研究人员长期积累的经验，也可以帮助智能体缩小搜索范围，避免在不值得尝试的方向上反复试错。
除此之外，人类还需要提供来自真实物理世界的反馈。以量子点实验为例，部分反应可能在正式测量之前就出现颜色变化。经验丰富的研究人员能够通过肉眼观察到这些现象，但目前的系统未必能够持续监测整个实验过程，也未必能及时识别这些细微变化。
如何让 AI 获取这些尚未被仪器完整记录的信息，仍然是未来需要解决的问题。 赵宇驰 认为，随着智能体能力提升，人类在日常实验执行中需要提供的反馈可能逐渐减少。但这并不意味着科学家不再重要，而是人类参与实验室工作的方式可能发生变化。 “我们希望让科学家能够把更多精力放在科学问题本身，而不是花费大量时间学习如何搭建和调试自动化系统。” 赵宇驰 在采访中说。
从这个角度看，SBL 的意义并不只是让机器人完成更多实验步骤，而是尝试改变科研人员与实验室自动化系统之间的关系。过去，科学家需要根据已有的设备和自动化能力调整实验方案；未来，研究团队希望实验室能够根据科学家的研究目标，主动构建和扩展执行能力。
当然，从一套能够协调设备的自动化系统，到真正能够自主设计、制造并管理实验室，还有很长的距离。如何保证实验安全，如何处理仿真与现实之间的差异，如何让不同设备和实验室共享经过验证的技能，都是接下来需要面对的问题。但至少，实验室自动化的目标正在发生变化：AI 不只是要学会怎样使用实验室，还要逐渐学会如何让实验室适应新的科学问题。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成