实验室永不休眠。但科学发现能否跟上其步伐？
从电池化学到癌症疗法，机器人和人工智能（AI）正在全天候运行实验。然而，我们能否完全信任它们的结果？
在加州大学伯克利分校赫斯特纪念采矿大楼（Hearst Memorial Mining Building）内，午夜过后，穿过拱形入口，走下大理石楼梯，A-Lab的实验仍在无人值守的状态下持续进行。粉末状的前体和氧化物在清酒杯状的坩埚中旋转，随后在带有氧化锆珠的离心机中制成浆液并旋转，接着在工业烤箱中烘烤，通过X射线衍射进行扫描，并在电池测试中测量离子电导率。每一次结果都为下一个实验提供了数据输入。
当出现问题时——例如卡住的支架、溢出的样品或前体耗尽——整个实验流程便会中断。Minerva、Alfred、Prometheus、Jeeves以及其他几台负责夜间实验室运行的AI机器人并非总能自行解决问题。这时，熟睡中的研究生会收到一封电子邮件和Slack警报，然后可以从床上登录，查看实验室摄像头，并尝试修复问题。
A-Lab的负责人、加州大学伯克利分校的材料科学家Gerbrand Ceder表示：“我们想要更好的材料。但我们真正感兴趣的是：能否构建一个像科学家一样行动的AI？”
A-Lab是少数几个正在形成新型研究基础设施的地点之一。它由加州大学伯克利分校和劳伦斯伯克利国家实验室（LBNL）共同运营，将机器人技术和实验室自动化与一个定制的AI代理相结合，该代理负责解释结果并提出下一轮实验方案，并由LBNL的计算资源提供支持。研究人员称之为“闭环实验室”（lab in the loop）：一个能够实验、迭代并建议下一步行动的系统。Ceder预言：“我认为人们还不知道这将带来怎样的冲击。”
然而，速度并非等同于可靠性。A-Lab也成为了该领域当前局限性的一个试验案例。其早期一篇备受瞩目的论文于2023年发表在《自然》（Nature）杂志上，报告称该实验室在几天内自主合成了数十种新材料。但随后，在外部研究人员对这些材料是否真正是新材料以及数据是否支持其主张提出质疑后，该论文进行了修正。这一事件揭示了自主科学的核心矛盾：机器运行实验的速度远超人类，但结果仍需由人类进行验证和解释。
这种矛盾远不止A-Lab。机器人现在能够以人类无法比拟的规模收集数据；机器学习在海量数据中发现模式；AI代理开始帮助研究人员决定下一步尝试什么。支持者认为，这三项工具结合起来，可以大大缩短科学发现的时间线——其影响范围从新药成本到全球生物技术领导力竞争。问题在于，更快的科学是否也会是更好的科学。
A-Lab运行的三年中，其速度常常超越了市面上的商业工具；早期，Ceder的团队甚至不得不给一台机器安装一个假手指，以便机器人能够启动它。如今，该实验室的迭代速度大约是人类研究员的100倍，而人类则充当流程的架构师，负责改进机器、设定研究方向并决定下一步测试什么。
这种速度之所以可能，是因为A-Lab利用了LBNL的数据基础设施，包括国家能源研究科学计算中心（NERSC），其超级计算机支持大规模科学建模和AI工作。NERSC作为LBNL的一部分，还在与戴尔（Dell）和英伟达（Nvidia）合作，建造下一代超级计算机“杜德纳”（Doudna），以连接AI工具、科学仪器和美国能源部的数据。对于自动化实验室而言，计算能力正成为实验台的一部分。
A-Lab正在安装一个新的炉系统，将实时跟踪化学合成的每一个瞬间。研究人员目前只知道“之前”和“之后”——例如，将这些化合物在1000华氏度下烘烤三小时，就能得到这个结果——但不知道中间的反应过程。通过实时捕捉整个序列并即时调整实验，实验室希望构建用于预测性合成所需的数据集。
Ceder表示：“我还了解到，速度会让人思考方式不同。如果你有一个想法，但需要等待三个月才能得到答案，你在智力上就不会保持投入。”他补充道：“当人们得到快速答案时，他们会持续投入，并且倾向于提出不同的问题。”
更大的希望是，规模加上速度将能更好地建模研究人员试图理解的复杂系统，并提出更有可能带来真正答案的问题。创新基因组学研究所（IGI）执行董事Brad Ringeisen表示：“我们90%的时间都失败，这让我非常沮丧。”生物技术行业在药物开发上投入数十亿美元，正是因为有太多实验失败。Ringeisen提出了两种解决方案：一是“以相同的失败率，但以更自动化的方式进行大量更多实验”；二是采取IGI的方法，尝试构建一个更好、更精确的疾病模型。
二月初的一个周日，在波士顿举行的年度国际实验室自动化与筛选大会（Society for Laboratory Automation and Screening International Conference）的与会者可以免费乘坐优步前往Ginkgo Bioworks公司。该公司正在展示其“可重构自动化推车”（Reconfigurable Automation Carts）——带条形码扫描仪和机械臂的模块化轮式单元，排列得像一排升级版的街机抓娃娃机——可以即时编程以复制任何实验室步骤序列。
当天早些时候，Ginkgo邀请了几位与会者提出实验建议；他们可以通过公司的界面输入自然语言指令。当访客下午抵达时，实验室正在同时进行数十项实验。首席执行官兼联合创始人Jason Kelly表示，引人注目的并非速度或精度，而是实验的灵活性。Kelly说：“如果你是一名科学家，你会想，‘等等，我可以在一夜之间运行一个实验？早上喝咖啡时就能看到数据？’这是一种全新的体验。”
机器人成本的下降、更好的数据管道以及AI驱动的自然语言控制共同促成了现代自动化实验室的诞生。Ginkgo成立于2008年，在专注于实验室机器人技术之前，曾尝试过多种商业模式，包括为香料和食品工程酵母菌株。该公司多年来一直在完善这种方法；正如其宣传视频所示，其目标是让实验室工作台“灭绝”。该模块化系统可以操作100多台设备，并能将384孔样品板通过科学家编程的任何配置进行处理。
Kelly将实验室自动化比作自动驾驶汽车，称其实验室目前大约处于Waymo汽车五年前的水平。Ginkgo最近推出了云实验室服务，让全球科学家可以提交实验，接收成本估算，如果继续，则可以远程运行实验。该公司每天都会收到一些新的咨询。
“能否构建一个像科学家一样行动的AI？” —Gerbrand Ceder 加州大学伯克利分校
灵活性是一种模式；工业规模是另一种。在盐湖城，前迪克体育用品店的场地内，Recursion公司的机器人系统——负责对细胞和培养物进行成像——每周可运行多达220万次实验。索引卡大小的1536孔板在孵育、处理和多角度显微镜成像之间循环；由此产生的数据由AI系统进行分析。
Recursion通过其内部超级计算机BioHive-2处理超过50拍字节的专有数据，并利用这些数据绘制生物过程图谱，寻找意想不到的药物靶点。Recursion神经科学副总裁Christopher Winrow表示，其平台已帮助构建了大规模的细胞图谱，使用了神经元和小胶质细胞模型。该公司已有多款候选药物进入临床试验。
制药行业的其他公司也在朝着同一方向发展，尽管对大多数公司而言，回报尚未得到证实。商业房地产公司CBRE的生物技术专家Matt Gardner表示，实验室建筑正在重新设计，为服务器、机器人系统、生物制造和数据中心提供更多空间和更重的电源。瑞士罗氏公司（Roche）在3月份表示，AI已帮助其开发一种肿瘤药物候选物比传统方法快25%；英伟达（Nvidia）和礼来公司（Eli Lilly）最近宣布了一项为期五年、价值高达10亿美元的AI药物发现实验室合作。Gardner说：“人们希望未来这能带来更快、更好、更便宜的药物发现。我们还没有达到那个阶段。”
这种高通量发现模式不仅限于人类治疗。IGI正在将同样的方法指向一个全球性威胁：甲烷。在谷歌和TED“大胆项目”（Audacious Project）的支持下，该实验室正在对牛群的肠道微生物组进行采样——甚至追踪母牛的微生物组如何影响其犊牛——然后复制它们，并通过一个带有计算机视觉的自动化系统进行运行。该系统经过训练以识别新型微生物结构，正在努力分离出那些以产甲烷菌为食的生物体，这些产甲烷菌会产生强效温室气体。
该项目正在生成数太字节的数据和一个牛微生物组的工作模型。希望是找到一种干预措施，可能涉及CRISPR技术，使其转变持久有效。这个价值100万美元的设置由一名自动化工程师和一名微生物学家运行。IGI的Ringeisen说：“我们把机器人技术和自动化视为一种辅助。”
Kelly表示，今年早些时候，Ginkgo与OpenAI合作，部分是为了测试机器人实验室是否能像实验科学家一样运作。一个经过细胞无细胞蛋白合成（一种无需培养活细胞即可生成蛋白质的方法）文献训练的OpenAI代理，被连接到Ginkgo的设置上。在一篇预印本中，该团队报告称，经过几轮实验和超过36000次独特的反应，该系统以蛋白质生产成本降低40%的成绩，超越了已发表的基准。Kelly认为这些模型证明了它们是称职的实验者。他说：“科学中绝大多数重要的东西都发生在原子世界中。”
然而，执行能力强并不等同于洞察力强。弥合这一差距已成为一批资金雄厚的初创公司的重点。
Lila Sciences的首席技术官Andrew Beam表示：“大多数诺贝尔奖级别的发现并非受限于通量，而是受限于智能。”Lila Sciences是一家致力于构建用于科学推理的AI的初创公司。他说，大多数生物学诺贝尔奖都是因为连接了此前不相关的领域而颁发的。他补充说，蛮力可以让你得到一种稍微好一点的药物，“但它不会带来下一个突破。”
几家初创公司和大型AI公司正在竞相构建这种模型，它们摄取实验数据并与研究机构合作进行训练和测试。Anthropic首席执行官Dario Amodei，一位受过生物物理学训练的科学家，撰写了2024年的文章《仁慈的机器》（“Machines of Loving Grace”），认为AI可以极大地加速生物学发现。
Anthropic生命科学合作与部署负责人Jonah Cool表示，今年2月，Anthropic宣布与艾伦研究所（Allen Institute）和霍华德·休斯医学研究所（Howard Hughes Medical Institute）建立合作关系，不仅支持实验室运营，还开始制定假设和设计实验。Cool说，科学家的职业生涯往往是枯燥的观察或分析——而Anthropic的目标就是加速这类工作。
共同点在于，利用正确类型的数据进行正确类型的学习。例如，Lila使用定制数据和通过强化学习训练的推理模型。Beam说：“如果你想想ChatGPT和Claude所‘吃’的‘食物’，那些食物来自互联网。如果你吃太多，互联网上有些东西会让你胃酸倒流。”Lila的实验室设置也不同：不是封闭循环中的固定轨道，而是开放式的实验，首席自主科学官John Gregoire称之为“爵士即兴创作”。
Beam认为Lila的模型在科学推理任务上可以超越前沿系统。该公司声称，他们使用这种方法生产并优化了体内嵌合抗原受体T细胞（CAR T）细胞疗法——一种旨在改造患者自身免疫细胞以靶向肿瘤的实验性癌症治疗方法——其成本约为该领域领先开发工作的1%。这一说法仍是公司案例研究，而非独立建立的基准。
Ringeisen则不那么乐观。他担心在当前紧缩的资金环境下，研究人员会走捷径，用现有数据训练AI——“清洗所有现有的数据；可能会有很多虚假宣传”——而不是采取更昂贵的路径，首先改进这些数据。他以DeepMind的蛋白质结构预测模型AlphaFold为例。他说：“那是一个高度策划、高度相关、内容丰富的数据集，才使得AlphaFold得以运作。让我们重新创建这样的数据集，并就人类疾病做出正确的生理选择，以便更好地为这些AI模型提供信息。”
去年12月，美国能源部长Chris Wright在华盛顿州里奇兰的西北太平洋国家实验室（Pacific Northwest National Laboratory）为一套价值4700万美元的Ginkgo系统剪彩。该装置是“创世纪任务”（Genesis Mission）的一部分，这是一项由数亿美元联邦拨款支持的“AI促进科学”计划，其中包括将前沿AI模型、自动化设施和国家实验室的数据宝库连接成一个协调的研究网络。
美国国家科学基金会（National Science Foundation）技术、创新与伙伴关系的首任助理主任Erwin Gianchandani表示，对这种基础设施的联邦投资是“唾手可得的成果”，他正在帮助部署“芯片法案”（CHIPS Act）资金以提高科学家的生产力。
支持者表示，要完全实现这一愿景，联邦政府需要做的不仅仅是购买设备。一个全国性的云实验室系统需要“道路规则”——硬件和软件标准、数据收集和共享标准、云存储约定——所有这些都是Gianchandani和他的团队正在努力设定的。它可能还需要联邦资金，就像政府过去多次提供的那样。
尽管特朗普政府已着手削减或限制许多科学研究领域，但它将AI驱动的实验室基础设施视为一项战略重点。中国生物技术的进步已引起行业领袖和国会议员的警惕，他们将自动化实验室视为一项关键的军民两用能力。新兴生物技术国家安全委员会（National Security Commission on Emerging Biotechnology）以及国会盟友，如印第安纳州参议员Todd Young，已呼吁进行全面的监管改革，并为下一代实验室提供新的联邦资金。该委员会警告称，中国将“将生物技术武器化”。
该委员会的建议正在国会分阶段推进，其中一些已反映在立法中，另一些仍在等待听证或委员会行动。其路线图呼吁对生物制造和生物数据基础设施进行新的联邦投资，扩大生物技术设备的出口管制，并在行政部门内部设立一个协调机构。委员会执行主任Caitlin Frazer表示：“我们现在告诉政策制定者，他们在本立法年度做出的决定，是关于美国是否能在即将到来的生物工业革命中保持领先地位的最重要决定之一。”
LBNL主任Michael Witherell说：“我们的工作是展示通过适当使用AI，可以将科学研究的速度提高一倍。我们需要核聚变。我们需要更好的水再处理技术。所有这些国家挑战——我们都需要比中国更快地解决。”
科学探索常被比作黑暗中的路灯：研究人员聚集在已知的光明之下，警惕阴影。当整个天空都被点亮时，会发生什么？CBRE的Gardner说，一些可能性令人震惊，例如能够实时观察细胞活动。
但更快的科学仍需以老式的科学标准来证明自己。未来的实验室可能会通宵运转。而科学家的工作将是决定当清晨到来时，应该发生什么。