自主实验室需沉淀人类实操经验，不能只靠堆机器人

让机器接管科研流程的尝试并不新鲜。2009年问世的“机器人科学家”Adam 曾围绕酵母功能基因组学自主提出假说并用实验室自动化设备完成验证，整项研究被形式化为包含逾1万个研究单元、深达10层的嵌套树状结构，关联660万次生物量测量^[2]；Adam 随后还识别出酵母代谢通路中催化特定反应的12个基因，其倡导者主张从假说生成、实验设计、机器人执行到数据分析的全流程自动化，并认为科学报告应走向完全形式化^[3]。但这条路线长期卡在从自动化迈向自主的台阶上：要让系统自主决定下一步实验，算法可读取的数据表示与标准化通信协议被视为不可或缺，知识图谱更被推想为把数据变成知识的驱动力^[1]。

BioPharma Analyst 分析师 Lindsay Martin 于2026年10月14日刊出的文章给出了另一种诊断。阿斯利康、赛默飞和 Sofinnova Partners 在文中共同强调：完全自主的实验室缺的不是更多机器人，而是人的知识。文章认为，自主实验室有望让科学家学得更快——以更少的中断运行实验，并用结果引导接下来的安排；但前提是捕捉科学家的实操经验，即如何让实验不跑偏、如何察觉出了问题、如何决定应对。文章同时承认现状：自动化擅长的是预定义、可重复、大批量的任务，孔板等设备的标准化推动了普及，而真正的自主需要系统在科学家目标的引导下，自行决定做什么实验、怎么做、以及如何用结果挑选后续实验。

与以往把瓶颈主要放在数据表示与协议层面的讨论^[1]相比，这篇报道把缺口指向了人本身——实验台边的判断力。这其实是老问题的产业化延伸：当年 Adam 靠本体和逻辑语言把机器对科学的贡献记录下来^[2]，如今要被记录的换成了科学家的隐性经验。产业侧也已有铺垫：阿斯利康在瑞典哥德堡的 iLab 是其全自动化药物化学实验室的原型^[4]；今年6月 C&EN 的报道亦指出，自驾驶实验室正在改变化学家的工作方式，一批初创公司与学术实验室已开始依靠 AI 智能体和机器人而非人来加速化学研究^[5]。

不过，就摘要所见，这篇文章仍是方向性论断：实操经验如何被捕捉、编码并验证，文中未见机制细节，“学得更快”也尚缺量化证据。谁来定义“实验出了问题”、隐性知识能否被形式化，仍是悬而未决的问题——而这正是自主实验室十余年来反复面对的老门槛^[1][3]。