瑞典查尔姆斯理工大学的实验室里，一台被称作"Eve"的机器人研究员完成了一轮完整的科学发现循环。它提出假设、设计实验、通过实验室自动化执行操作，再解读数据回头修正自己的知识库。这项同行评审的研究发表在《Journal of the Royal Society Interface》上，论文标题是"Agentic AI integrated with scientific knowledge: laboratory validation in systems biology"。

参与机构包括查尔姆斯理工大学、哥德堡大学和剑桥大学。演示场景选在了系统生物学，用的生物是酿酒酵母——也就是啤酒酵母。

这件事的分量不在某一次具体实验的结果，而在于它把科学发现的多个阶段串成了一条闭环，并且是在真实的实验室环境里跑通的。

它到底做了什么

过去我们谈AI进实验室，多半是让它读论文、写代码，或者辅助某一段孤立的数据分析。查尔姆斯这套系统走得更远：它把推理和物理实验操作接进了同一个迭代流程。

具体来说，这个循环包含四个环节：

  • 基于系统可获取的科学知识生成假设
  • 围绕待验证的假设设计并提交实验方案
  • 通过实验室自动化完成湿实验操作
  • 拿到结果后进行数据解读，并迭代修正认知

这个组合之所以值得关注，是因为传统的实验室自动化通常只负责执行预先定义好的流程。而查尔姆斯的工作把假设生成和实验推理也拉进了同一条工作流。

但需要说清楚边界：这仍然只是一个酵母系统生物学的演示，不能据此认为自主实验室已经能独立处理所有科学领域或研究问题。

人为什么还是核心

查尔姆斯在官方表述里明确把这套系统定位成加速常规研究循环的工具，而不是研究者的替代品。这个区分很关键。

生成一个看似合理的假设、拿到一个结果，和判断一个问题值不值得追、识别一个研究项目的局限、决定一项成果该如何负责任地使用，完全是两回事。

人类科学家仍然负责那些赋予实验意义的高层工作：设定优先级、评估解读、指挥后续研究方向、提供伦理监督。系统可以让研究循环更自主，但已发表的演示并没有取消可问责的科学判断的必要性。

对运营实验室或投资生物产品开发的团队来说，最直接的启发是：那些目前被拆成多次交接的任务，有机会被更直接地连接和迭代。

一个团队现在可能要从文献回顾走到假设讨论，再到方案设计、实验室执行和数据分析，中间经过好几套工具和好几个人。查尔姆斯的工作展示了一种把这些阶段串起来、更直接迭代的路径。

机会不在于跑更多实验，而在于缩短一个结果到下一个明确定义的问题之间的延迟。对于拥有可重复实验流程、并且已经具备合适实验室自动化的团队，这可能有用。相关报道把生物学、医学和生物技术列为可能相关的领域。

不过这项研究不该被读成自主研究系统已经准备好大规模部署到每个实验室的证据。后续的重要问题包括：这套方法能否复制到其他生物体和工作流上，它如何扩展到演示场景之外，以及当AI系统影响实验室决策时，什么样的安全和治理实践才是合适的。

考虑类似路线的公司，应该从一个有边界的工作流开始，而不是把自主性当成一个全有或全无的目标。一个务实的评估可以帮你识别：研究循环里哪些部分是可重复、可自动化的，数据质量或仪器在哪里构成约束，以及哪个人工审批点必须保留。

AI驱动的实验室工作流能减少交接、加速可重复的研究循环，但它必须适配团队已经在用的工具、数据和决策点。