2020 年 7 月，利物浦大学 Andrew Cooper 组的实验室里多了一位"新同事"：一台一米七五高、在实验台间自由走动的机器人。它连续工作了 8 天，自主完成了 688 个实验——称量、配液、光照、测氢气产量，全程无人值守。驱动它的是一个批量贝叶斯搜索算法：每做完一批实验，就用结果更新模型、挑选下一批最有信息量的配方。最终它找到的光催化剂混合体系，产氢活性是起始配方的六倍。这篇发表于《自然》的工作（Burger et al., 2020）让一个词出圈了：自驱动实验室（self-driving lab）。
三年后的 2023 年 4 月，加拿大政府把 2 亿加元——加拿大高校有史以来最大的一笔联邦研究资助——给了多伦多大学的 Acceleration Consortium[grant]，专门押注这条路线。化学这门以"手艺"著称的实验科学，正在被改写成一个闭环系统：AI 提议实验 → 机器人执行 → 仪器测量 → 数据回流更新模型 → 再提议。
破除误解：不是"AI 取代化学家"，而是"把试错循环开足马力"
最大的误解是把自驱动实验室想象成"超级智能在替人类做科学"。现实朴素得多：它解决的是组合爆炸。药物样分子的化学空间估计有 10 的 60 次方量级，一个有十个变量的催化剂配方空间，穷尽搜索在物理上不可能。人类化学家靠直觉和经验每次只试几个点；闭环系统的优势是不睡觉、不带偏见、且每次实验都按信息增益最大化来选。它不是更聪明，而是把"假设—实验—修正"这个老循环的转速提高了一到两个数量级。
第二个误解是"自动化=无人化"。几乎所有现役系统里，人类仍负责定义问题、准备样品库、检修仪器、解释异常。被自动化的是执行与决策的瓶颈环节，不是科学判断本身。而且正如 A-Lab 后来的风波所示（详见下文），"机器做出来了"与"机器做对了"之间，隔着整条验证链。
现场：闭环为什么难，难在化学的"物理层"
闭环的思想在工程上并不新鲜——它就是control-and-feedback的经典回路搬到化学里。难的是化学的物理层比代码世界脏得多：
- 执行层：粉末会结块、液体会挂壁、不同黏度的溶液要不同的移液策略。Cooper 组选择造一台像人一样用现成仪器的移动机器人，正是为了绕开"所有设备都要为机器人重造"的陷阱。
- 决策层：主流方案是贝叶斯优化——用代理模型（常为高斯过程）拟合"配方→性能"曲面，兼顾"利用已知好区"与"探索未知区"。前提是不确定度校准良好，否则采样会困在局部山头。
- 感知层：这是公认的短板。合成可以自动化，但"产物到底是不是你要的东西"——结构确证、纯度、性能复测——往往仍需人读谱。A-Lab 的教训正出在这里。
- 数据层：没有统一的数据格式与阴性结果记录，闭环学到的就是有偏的世界。ChemOS 这类实验室操作系统、以及 Merck 与 Acceleration Consortium 2023 年开源的贝叶斯实验规划器 BayBE，都在补这块地基。
谁在做、做到了哪一步
| 平台 | 团队/机构 | 已验证的事 | 年份 |
|---|---|---|---|
| 移动机器人化学家 | Cooper 组（利物浦） | 8 天 688 个实验，光催化剂活性提升 6 倍（Nature） | 2020 |
| Chemputer | Cronin 组（格拉斯哥）→ Chemify | 把文献合成路线数字化并自动执行（Science） | 2020 |
| A-Lab | Ceder 组（伯克利/LBNL） | 17 天自主合成无机材料（Nature 2023）；2024 年遭 XRD 解读质疑，2026 年《自然》刊出作者更正 | 2023–2026 |
| Acceleration Consortium | Aspuru-Guzik（多伦多） | 2 亿加元资助（2023）；跨实验室云端协作发现有机固态激光分子（2025） | 2023–2025 |
| MINERVA | 德国联邦材料研究院（BAM） | 纳米材料全自动合成-纯化-在线表征（ACS Nano） | 2025 |
A-Lab 的故事值得单独说清，因为它是这条前沿最重要的一剂清醒剂。2023 年《自然》论文宣称机器人在 17 天里合成了 41 种"新颖"化合物；2024 年有团队在 PRX Energy 发文质疑其 X 射线衍射解读，2026 年《自然》刊出作者更正，承认"新颖性"表述易致误解（这一事件的详情可对照ai-for-science）。这不是说方向错了——闭环确实可行——而是证明：自动化的合成没有自动化的验证可靠，而验证恰恰是更难自动化的那一半。
代价与争议
- 验证瓶颈。 机器人可以一天做一百个反应，但结构确证与性能复测跟不上，闭环就会"自信地犯错"。
- 窄域成功 ≠ 通用能力。 现有平台几乎都在单一任务类（某类催化、某类晶体）上闭环；换一类化学，硬件与方法往往要重来。
- 基准缺失。 各家用不同任务、不同指标宣称"加速十倍"，缺乏公认基准，横向比较困难——与computational-materials-design领域同病。
- 成本账存疑。 一台移动机器人的折旧与维护，对比一组研究生的产出，经济性远非不言自明；支持者的论据是数据质量与复现性，而非单纯人力替代。
- 可复现性与开放。 阴性结果不记录、数据格式各自为政，闭环之间无法互相学习；2025 年多伦多-格拉斯哥跨实验室云端协作是一个正面样本，但远未成行业标准。
- 安全与治理。 能自主执行合成的系统，理论上也能被用于危险分子的自动探索——化学品自动合成的访问控制与审查，是刚被提上日程的治理议题。
未知的边界
- 闭环方法能否从"优化已知体系"跨到"发现全新反应类型"，而不只是填已有空间的格子？
- 表征自动化（机器读谱、自动结构确证）何时能追上合成自动化的速度？
- 不同实验室的闭环系统能否共享数据与模型，形成"全球大脑"，而不是一座座自动化孤岛？
- 端到端的证据：从立项到新材料发表/专利，自驱动实验室究竟把周期压缩了多少？严格的对照研究仍缺。
- 当实验的边际成本趋近于零，科学假设本身会不会成为新的瓶颈——谁来决定"值得让机器人试什么"？
跨域连接
- 同一枚硬币的两面：CS 视角的自驱动实验室是"智能体+工具调用"的物理世界版本，A-Lab 的更正风波在两边都是教材级案例。化学视角的独特增量在于物理层的脏问题——粉末、挂壁、副产物——这些在纯计算管线里不存在；而 CS 视角提醒化学家：没有结构化数据与评测基准，再贵的机器人也只是在更快地产生噪音。
- 不确定度是闭环的燃料：贝叶斯优化跑赢随机搜索的前提，是代理模型的不确定度经过校准——模型若对陌生区域盲目自信，采样就会困在已知山头上反复开采。所以自驱动实验室的核心竞争力不在机械臂，而在"知道自己不知道"的数学：这直接继承自贝叶斯统计的传统，也把不确定度量化从可选加分项变成了系统刚需。
- 经典控制论的化学化身：感知—决策—执行—反馈的回路在工程里存在了半个世纪，化学的新意在于被控对象是会副反应、会分解、批次有差异的分子体系。传感器（表征）慢于执行器（合成）是这个回路的固有不匹配——控制系统理论告诉我们，反馈延迟过大的回路会振荡失稳，这正是"验证瓶颈"的工程本质。
- 连续流是机器人的母语：间歇烧瓶为人手设计，连续流反应器则天然适配自动化——参数（温度、停留时间、配比）可程序化扫掠，产物在线检测。MIT 等机构的自动流动化学平台已证明"优化一个反应"可以无人值守；瓶颈在于从单反应优化到整条多步合成的流动化重写，这本领域的方法学专文有详细讨论。
- 可靠性的物理账单：具身智能的研究表明，机器人在真实物理世界的故障率远高于仿真——打翻样品、移液枪堵头、条码扫不出。自驱动实验室把这些可靠性问题直接计入科学产出的质量：一次未被察觉的加样错误，会被闭环算法当成真数据学进去，错误的实验比没做更糟。
参考文献
- Burger, B. et al. A mobile robotic chemist. Nature 583, 237–241 (2020). DOI: 10.1038/s41586-020-2442-2.
- Mehr, S. H. M., Craven, M., Leonov, A. I., Keenan, G. & Cronin, L. A universal system for digitization and automatic execution of the chemical synthesis literature. Science 370, 101–108 (2020). DOI: 10.1126/science.abc2986.
- Szymanski, N. J. et al. An autonomous laboratory for the accelerated synthesis of novel materials. Nature 624, 86–91 (2023). DOI: 10.1038/s41586-023-06734-w.（含 2026 年作者更正）
- Flores-Leonar, M. M. et al. Materials acceleration platforms: On the way to autonomous experimentation. Current Opinion in Green and Sustainable Chemistry 25, 100370 (2020). DOI: 10.1016/j.cogsc.2020.100370.
- Leeman, J. et al. Commentary on Autonomous Materials Synthesis Claims. PRX Energy (2024).（对 A-Lab 结果的质疑，与上文更正对照阅读）