AI 是如何一步步进入湿实验室的？

湿实验室不是一间房，AI 也不是推开一扇门就能进去。

AI 进入湿实验室，不是从聊天框直接跳到机械臂，而是一层层把实验工作切成机器能够理解、执行和反馈的标准操作。

先是文献、数据库和专业模型被接到同一个工作流里；然后，实验被拆成边界清楚、可以比较的测试；再往后，仪器通过接口被调度，稳定流程被改造成自动化产线。到了仍然依赖人的探索性实验室，AI 面对的就不只是设备问题，而是经验、临场判断和失败记录都没有被写下来的问题。

所以，AI 进入湿实验室，不只有一条路，也不只有一个终点。高通量实验室、标准化检测平台、企业研发现场和科研单位的探索性课题组，需要的是不同层次的 AI 化。

真正重要的问题不是“谁先造出一座无人实验室”，而是：

实验室里的哪一部分，已经可以被切成标准操作；下一部分，又该由谁来执行？

一、AI 先进入的不是湿实验室，而是湿实验的“可计算部分”

过去几年，AI for Science 最先进入的是屏幕里的科研工作。

它可以检索文献、整理数据库、生成候选分子、预测蛋白结构，也可以调用计算工具完成虚拟筛选。这个阶段的共同特点是：输入和输出都已经是数字对象，模型只需要通过软件接口访问它们。

但一个计算结果要成为科学结论，还必须经过真实世界的验证。于是，AI 开始向湿实验移动。

最早被接住的，通常不是一整个研发流程，而是一个可以被单独定义的问题。比如，一条蛋白序列能不能表达、是否能够结合目标、亲和力是多少；一种材料配方的稳定性是否达到要求；一个化学反应路线是否具备合成可行性。

这就是科学单元测试的意义。

它不是把一项复杂研发压缩成一次“实验按钮”，而是先明确一项实验究竟要回答什么问题，什么结果算成功，什么结果算失败，以及这张答卷能够支持下一步什么判断。

在蛋白质设计中，Adaptyv Bio 与 Anthropic 的合作提供了一个典型样本。模型提交候选序列，实验室完成表达和结合检测，再把结构化结果返回给模型。它首先验证的不是候选物能不能成为药物，而是模型认为“会结合”的序列，在真实实验中是否真的结合。

这样的实验未必复杂，也未必覆盖完整的药物研发流程，但它具备几个关键属性：边界清楚、周期可控、结果可比较，而且能够改变下一轮设计。

因此，科学单元测试切的是评价边界。它让物理世界给模型一张机器可读的答卷，而不是让模型直接接管整条湿实验流程。

这一步很重要，因为“AI 生成了一个看起来合理的答案”和“这个答案在真实世界中经得起验证”之间，隔着一套评价体系。没有这套体系，模型只能不断生成；有了这套体系，模型才知道自己究竟错在了哪里。

二、从测试到设备，AI 进入的是不同类型的实验室

当实验结果已经能够被标准化描述，下一步就是让实验过程也逐渐被标准化。

但这里不能把所有湿实验室混成一种。

企业的分析检测实验室，目标通常是放行、质控和方法复验。样品量大，流程稳定，参数和合规要求明确。对这类实验室而言，把步骤切成工位、字段和设备指令，再通过自动化工作站提高通量，是自然的技术路线。

企业研发实验室则处在中间位置。它既有稳定的分析方法，也有不断变化的工艺开发、制剂优化和条件探索。一部分流程适合自动化和高通量，另一部分仍然需要研究人员根据结果调整假设。它不会一次性变成无人产线，而是把已经稳定的环节逐步交给系统。

科研单位的研发实验室又不同。课题可能每周改变实验条件，硕士和博士既是实验执行者，也是经验的学习者。许多关键判断并没有写进标准操作规程：移液时的手感、样品状态的变化、某个异常现象是否值得继续、上一次失败究竟可能由哪一步造成。

这并不意味着探索性实验室不需要标准化。恰恰相反，它需要另一种标准化。

分析检测实验室切的是稳定的方法和执行工位；科学单元测试切的是清晰的评价问题和反馈边界；探索性实验室需要切的是一次实验如何被执行、观察、解释和复盘。

它们的对象不同，但底层动作相同：把原来只存在于人的记忆、设备软件或一份模糊 SOP 里的流程，变成可被记录、比较和再次调用的标准操作。

这也解释了为什么高通量不是所有湿实验室的共同终点。

在需要搜索大规模组合空间、单次实验成本可控、结果能够快速比较的任务里，高通量可以显著扩大模型探索的范围。自动化实验室和云实验室解决的是这一类问题，它们把稳定的方法转化为可以批量调用的实验能力。

但在探索性科研中，决定下一步的往往不是再增加一百个样本，而是知道这一次为什么失败、哪个参数真正发生了偏离、哪一个现象值得追问。如果同一种错误被重复记录一百次，高通量只会把不可解释的结果生产得更快。

所以，高通量、科学单元测试和现场过程记录不是互相替代的三条路线，而是实验室不同位置的三种 AI 化切法：

• 高通量自动化
  把稳定方法切成可批量执行的实验单元；

• 科学单元测试
  把科学问题切成边界清楚、可以反馈的评价单元；

• 现场协同系统
  把探索性规程切成可观察、可追溯、可复盘的执行单元。

没有哪一种天然高于另一种。真正的区别在于，实验室当前最需要被切开的究竟是哪一层。

三、最后一步不是替人下台，而是让人带着 AI 留在台上

2026 年，Anthropic 公开模型硬件标准（Model Hardware Standard，MHS）研究预览，并在随后被报道已在湾区建设生物学湿实验室。MHS 试图让智能体通过统一接口调用显微镜、移液工作站和机械臂等设备。

这件事的重要性，不只是某个大模型开始控制实验设备，而是它把“AI 如何接触物理世界”明确成了一个工程问题：设备需要被描述、被发现、被调用，实验结果还要回到智能体能够理解的环境中。

但 MHS 也暴露了现实边界：没有编程接口的设备还无法直接接入；模型对空间和物理状态的理解仍需要专家监督；能调用设备，也不等于知道下一轮实验应该验证什么。

大规模自动化实验室提供了另一种答案：把实验室本身改造成机器可以稳定运行的系统。镁伽科技、晶泰科技以及蛋白质研发自动化平台所代表的，都是把设备、样品流转、流程和数据组织成更标准的实验环境。

这条路线适合流程稳定、通量优先、能够承担改造成本的场景。但对于大量仍然由 PI、博士和硕士共同推进的实验室来说，实验室不会在短时间内全部改造成自动化岛；许多设备也不会突然拥有统一接口。

于是，AI 进入湿实验室还需要一个中间形态：

人继续执行实验，AI 先接管理解、提示、记录和复盘。

研究人员可以在实验开始前，让系统对照历史记录和失败案例，检查本次方案是否存在明显风险；实验进行时，AI 观察步骤、记录参数和异常，回答“为什么这样做”；实验结束后，系统把一次 Run 的过程、偏离、证据和结果放在一起，帮助研究者判断失败发生在哪里，并推动下一版 SOP 修改。

这里的关键不是某一副眼镜，也不是把摄像头装到实验台上。现场设备只是入口。真正需要被建立的是一条能够把“科学意图—实验步骤—过程观察—结果—成败归因”连接起来的记录链。

过去的电子实验记录通常是给人填写、给人审阅的文档。AI 要参与实验，则需要另一种实验账本：一次实验什么时候开始，使用了哪一版 SOP，哪一步发生了偏离，现场观察到什么，哪些问题被提出，最后结果如何。这些信息只有在实验发生的同时被记录，才不会在下班后被凭记忆补写。

这不是对高通量自动化的替代，而是把尚未被自动化的那部分实验先变成可理解、可比较、可复盘的对象。一个课题组可以先用它减少重复失败、缩短新人上手时间、提高操作一致性；当某一段流程逐渐稳定，再把它交给自动化工作站或外部标准化实验服务。

AI 进入湿实验室，可能正是这样一个顺序：

先把科学问题切成可验证的测试，再把稳定的方法切成可调用的设备流程，最后把仍然需要人的探索性执行也记录成机器能够理解的标准操作。

这条路径没有要求所有实验室变成工厂，也没有要求所有研究人员退出实验台。它真正改变的是：人的经验不再只停留在人的手上，实验的失败不再在一次结束后消失，模型也终于能够从每一次真实执行中获得一张可以使用的答卷。

湿实验室的下一步，不一定是更大的机器、更快的流水线，或者更多的实验数量。

它也可能是：同样的人、同样的设备和同样的实验空间，开始留下更完整的过程，做出更少的无效尝试，并让每一次实验都能为下一次判断提供更可靠的依据。

关于我们

「碳硅破壁」专注碳硅文明融合赛道的前沿研究与投资方法论。

AI for Science × BT for IT ｜ 硅解碳 · 碳重硅 · 碳硅共演

我们关注双向破壁机会，为前沿创业团队与投资机构提供赛道深度研究、创投对接和投资方法论。

如果你是碳硅赛道的创业者、研究者或投资人，欢迎交流。

微信联系：[xm-jyc]邮箱：[507108923@qq.com]

碳硅破壁 · 硅解碳 · 碳硅共演