大模型與 Agent 技術正加速重塑科研范式。 諸如可生成科學假設的 Co-Scientist、自動化多智能體系統(tǒng) Robin 等，正深度滲透至文獻解構、假設生成、代碼編寫及數據分析等 “干實驗” 環(huán)節(jié)。這表明，AI 已然超越單純的輔助工具，正作為數字化 “研究伙伴” 深度參與科研流程。

然而，從產業(yè)落地的視角審視，自主科學發(fā)現(xiàn)必須實現(xiàn)濕實驗閉環(huán)。 醫(yī)藥研發(fā)、化學合成及新材料創(chuàng)制等場景，本質上是與物理世界進行長程交互的復雜系統(tǒng)工程。這意味著，AI for Science 的下一步，不僅要求 AI “擅長構想實驗”，更亟需探索如何讓 AI 深度融入真實實驗系統(tǒng)，確保物理裝置能夠長周期、高穩(wěn)定、安全可控地運行。

晶泰科技聯(lián)合復旦大學、浙江大學和同濟大學等提出了 LabHarness 框架。 在通用智能體領域，“Harness” 作為運行框架，核心在于協(xié)助 Agent 進行工具調用、狀態(tài)管理、過程追溯及異常容錯。而在更為復雜的物理實驗室場景中，面對設備協(xié)同、樣品流轉、環(huán)境狀態(tài)及安全邊界等多元異構要素，AI 生成的實驗方案極難直接轉化為穩(wěn)定的物理流水線。因此，將 Harness 的 “狀態(tài)控制與穩(wěn)定保障” 思想延伸至實驗室生態(tài)，構建起連接數字智能與實體裝置的 “LabHarness”，正是我們當前致力于攻堅的關鍵技術路徑。

LabHarness 是一種面向真實實驗室的運行保障層。它位于科學智能與真實實驗系統(tǒng)之間，嘗試把 AI 生成的實驗計劃，轉化為真實設備可以執(zhí)行、系統(tǒng)可以監(jiān)測、異?？梢蕴幚怼⑦^程可以追溯、關鍵節(jié)點可以審批的實驗流程。如果說科學智能負責提出實驗目標和策略，實驗設備負責完成具體操作，那么 LabHarness 要做的是，讓這兩者之間的連接更加可靠。

為什么長周期自主實驗室

需要LabHarness？

真實實驗室并不是一個穩(wěn)定不變的環(huán)境，自動化執(zhí)行過程中需要面對一個核心挑戰(zhàn)：漂移。

• 設備會漂移

移液設備可能出現(xiàn)液面識別誤差，機械臂位置可能發(fā)生細微偏移，傳感器讀數也可能隨時間產生變化。

• 樣品會漂移

樣品位置可能發(fā)生變化，等待時間可能超出實驗允許范圍，溫度、濃度、揮發(fā)、污染等因素也會改變樣品狀態(tài)。

• 流程會漂移

某個任務的延遲可能影響后續(xù)多個步驟，局部失敗可能導致隊列阻塞，某一步看似已經完成，但真實狀態(tài)卻尚未同步。

• 數據也會漂移

條碼綁定、檢測結果、設備日志、任務狀態(tài)與樣品狀態(tài)之間可能出現(xiàn)不一致。

因此，當 AI 設計出一套實驗方案后，不能直接假設自動化平臺可以穩(wěn)定、連續(xù)、無誤地執(zhí)行。其中一個解決思路，是借鑒世界模型的理念：在真實執(zhí)行前，先對實驗方案進行虛擬預演，以驗證方案的可靠性和可執(zhí)行性。在這一過程中，系統(tǒng)需要提前審查設備能力、孔位映射、稱量閾值、UPLC 隊列等關鍵約束。下面的 demo 展示了在 AI 完成實驗流程設計后，LabHarness 如何對流程進行審查與虛擬預演，并在正式執(zhí)行前成功識別出 “托盤偏移” 和 “A7 固體過量投料” 等潛在風險。

然而，靜態(tài)的預演無法完全預測動態(tài)的未來。當實驗真正開始、長達數天甚至數周的自動化流程運轉起來時，物理世界的 “漂移” 依然會如期而至。因此，長周期自主實驗的關鍵，并不是簡單地 “讓設備自動執(zhí)行”，而是要解決以下問題：

• 系統(tǒng)如何精準捕獲正在發(fā)生的、細微的漂移？

• 面對漂移，系統(tǒng)如何判斷哪些操作可以繼續(xù)，哪些必須暫停？

• 出現(xiàn)異常后，系統(tǒng)如何動態(tài)重規(guī)劃（Re-planning），盡可能將實驗過程自主糾正回來？

LabHarness如何支撐

實驗室運行？

LabHarness 不是一個單一模塊，而是一套面向真實實驗室的運行保障框架。

從整體上看，它需要把 AI 計劃、實驗知識、現(xiàn)場感知、設備能力和虛擬驗證連接起來。為此，我們正在探索四類基礎組件：

• 知識本體系統(tǒng)（LabOntology）

讓系統(tǒng) “懂規(guī)則”。它把設備、樣品、實驗流程、操作規(guī)則和安全約束結構化。

• 多模態(tài)感知

讓系統(tǒng) “看得見、接得上”。它深度融合真實實驗環(huán)境中的視覺、語言和動作信息，幫助系統(tǒng)實時理解設備狀態(tài)、樣品位置、操作意圖以及現(xiàn)場的瞬態(tài)變化。

• 標準技能庫

讓系統(tǒng) “會調用”。它把加料、控溫、攪拌、檢測、轉運等實驗動作封裝成可自由組合、可定量評估、可高頻復用的標準化技能單元，實現(xiàn)設備能力的統(tǒng)一調度與協(xié)同。

• 虛擬仿真

讓系統(tǒng) “先排練”。它在真實實驗執(zhí)行前提供高精度的虛擬訓練與驗證環(huán)境，用于流程預演、異常注入、長程壓測和安全通過性評估，從而最大程度降低實體運行的試錯成本和安全風險。

這四類組件共同支撐起 LabHarness 的閉環(huán)運行機制：“多模態(tài)感知” 負責精準感知現(xiàn)場態(tài)勢，“標準技能庫” 負責輸出靈活的設備操控能力，“虛擬仿真” 負責在執(zhí)行前完成防錯驗證，而 LabOntology 則作為中樞，提供貫穿全程的知識結構與邏輯安全約束。

LabHarness 要應對長周期實驗中的漂移，不能只靠流程編排。因為真實實驗中的關鍵問題，往往不是 “下一步是什么”，而是 “在當前狀態(tài)下，這一步還能不能做”。LabOntology 嘗試把設備、樣品、試劑、容器、實驗步驟、操作規(guī)則、安全約束和數據結果結構化，形成可被機器理解和推理的實驗知識網絡。

以下 demo 展示的就是基于 LabOntology 進行實驗方案設計。

有了 LabOntology，LabHarness 可以圍繞 “漂移” 實現(xiàn)三類關鍵能力：

第一，檢測。判斷設備、樣品、流程和數據狀態(tài)之間是否出現(xiàn)不一致，及時識別潛在偏差。

第二，約束。判斷當前操作是否仍然滿足實驗條件、設備能力、樣品狀態(tài)以及安全邊界。

第三，糾正。當偏差出現(xiàn)后，輔助系統(tǒng)選擇自動重試、替代路徑、任務暫停，或提交人工審批。

例如，一個樣品需要在特定溫度區(qū)間內保存，并且離開恒溫環(huán)境的時間不能超過規(guī)定上限。此時，系統(tǒng)不能僅按照預設流程順序轉運樣品，而必須結合當前設備隊列、轉運路徑、儀器可用性和樣品實時狀態(tài)，判斷任務是否仍然滿足實驗約束。再比如，當 AI 建議調整某個關鍵反應參數時，系統(tǒng)需要判斷該參數是否處于設備允許范圍內，是否觸及安全邊界，是否會影響下游檢測，以及是否需要科學家審批。

以下 demo 展示了這一過程：系統(tǒng)在虛擬預演中發(fā)現(xiàn)風險，例如 “托盤偏移”和 “A7 固體過量投料”；隨后訓練并生成對應的技能包，例如 “托盤定位糾偏” 和 “稱量閉環(huán)重做”；加載技能包后，系統(tǒng)再次進行預演。重復預演通過后，系統(tǒng)會生成技能包、UPLC 檢測隊列和審計記錄，并最終下發(fā)給真實的合成工作站設備執(zhí)行。

因此，LabOntology 是 LabHarness 從 “流程驅動” 走向 “邏輯驅動” 的關鍵。它讓 LabHarness 不只是 “會執(zhí)行”，而是開始具備 “懂條件、懂邊界、懂依賴、懂風險” 的能力。LabHarness 的目標，并不是讓 AI 自由行動，而是在強邏輯約束下，讓 AI 更穩(wěn)妥、更可靠地參與真實實驗運行。

從概念到初步驗證

目前，LabHarness 仍處于前沿探索階段。我們并不認為現(xiàn)階段長周期自主實驗室可以一步到位地在開放場景中實現(xiàn)完全自主。相反，真實實驗室中的設備差異、樣品差異、環(huán)境波動、安全要求以及數據一致性等問題，都需要長期積累、持續(xù)驗證和逐步解決。

因此，我們的思路是從端到端流程較短、邊界相對清晰的應用場景切入，構建覆蓋 AI 規(guī)劃、實驗流程編排、設備執(zhí)行、狀態(tài)記錄與數據反饋的最小閉環(huán)。通過自主實驗在具體場景中持續(xù)產生學術價值和經濟價值的過程，發(fā)現(xiàn)問題和進行工程化迭代，使 LabHarness 從概念逐步轉化為可運行、可驗證、可擴展的實驗框架。在此基礎上，LabHarness 后續(xù)可以逐步拓展至更長流程的實驗場景，覆蓋更多任務類型、更多異常情況以及更長時間尺度的運行測試。從一次性演示走向長期穩(wěn)定運行，所需要的并不是單個模型、單臺設備或單條流程，而是一套能夠持續(xù)監(jiān)測實驗狀態(tài)、施加運行。

用AI駕馭實驗室,

還需要一條安全帶

AI 自主實驗平臺的突破，不只是讓 AI 更會設計實驗，也不只是讓設備更會自動執(zhí)行。真正值得探索的問題是：當真實實驗系統(tǒng)在長周期運行中不斷發(fā)生漂移時，AI 如何保持實驗過程盡可能準確、穩(wěn)定、安全和可恢復。

LabHarness 正是沿著這一思路提出的前沿探索：把實驗對象、操作規(guī)則、設備能力、安全邊界和運行狀態(tài)組織起來，使系統(tǒng)能夠嘗試檢測漂移、施加邏輯約束、輔助異常糾正，并在關鍵節(jié)點引入人類審批。

真正的 AI 自主實驗室，不只是有聰明的 Agent，也不只是有自動化設備，更需要一套能夠幫助 AI 駕馭長周期實驗運行的系統(tǒng)工程。