自主“机器人实验室”会取代生物学家吗？

本文来自微信公众号： 自然系列 ，作者：Nature Portfolio

全文要点速览：

• 银杏生物与OpenAI合作研发的自主实验室系统在6个月内测试了超过3万个实验条件，将无细胞蛋白质合成成本降低40%。

  
  

• 该“自主实验室”系统由GPT-5大语言模型设计实验、机器人执行操作、人类监督员调配试剂并微调流程，GPT-5展现了出色的生物化学推理能力。

  
  

• 目前主要短板在于机器人技术而非AI模型的能力；此外，自动化系统成本高昂，难以在所有流程中推广。

  
  

• 共享云实验室有望降低使用门槛，自主实验室或将成为生物学研究的未来趋势，但人类的专业知识始终是科研工作中不可或缺的要素。

  
  

原文作者：Ewen Callaway

AI驱动的自主机器人正走进生物实验室，但研究人员认为，人类的专业技能仍不可或缺。

由聊天机器人操控的实验室机器人正将蛋白质合成等实验方法自动化。来源：Du Yu/Xinhua via Alamy

去年，合成生物学家Meagan Olsen完成了她职业生涯中数一数二的实验研究。

这位美国西北大学的博士生，彼时正尝试在试管中更高效地合成蛋白质。在四个月的时间里，她开展了40余次实验，测试了1231种糖类、氨基酸及其他实验成分（包括细胞器）的组合，研发出一种混合配方，将无细胞蛋白质合成配方成本降低了至少6倍[1]。

如今，由美国AI公司OpenAI、生物技术公司银杏生物工程的科学家研发的一套“自主实验室”系统，打破了Olsen的纪录。该系统由大语言模型“科学家”、可自动完成移液等简单操作的实验室机器人，以及人类监督员组成，在六个月内测试了逾3万个实验条件，将成本再降低了40%。

这项研究成果于2月5日发表在预印本网站bioRxiv上[2]，引发了学界关于聊天机器人操控的机器人在多大程度上能取代人类的讨论。

“这将成为生物学研究的未来趋势。”美国威斯康星大学麦迪逊分校的蛋白质工程师Philip Romero表示。

不过，这项技术要实现广泛应用，仍有一段路要走。现有的实验室机器人仍难以完成需要精细操作的任务，也无法开展定制化实验，比如涉及组织样本或动物的实验。同时，一些复杂的研究目标，目前的AI工具也无法实现。但即便自主实验室系统的能力不断提升，科学家仍强调，人类的专业知识始终是科研工作中不可或缺的要素。

自驱动实验室

目前，将自主实验室应用于生物学研究的尝试，大多聚焦于蛋白质工程领域。例如，Romero的研究团队将简易机器学习模型与实验室移液机器人相结合，以改善一种蛋白质的耐热性[3]。还有研究人员利用更先进的“蛋白质语言模型”预测氨基酸的突变方式，并通过实验室机器人完成相关实验，以此增强酶的活性[4]。

OpenAI生命科学研究负责人Joy Jiao表示，无细胞蛋白质合成实验——即把多种化学物质组合，与含有蛋白质合成机制的细菌细胞裂解液、编码蛋白质的DNA序列混合反应，是检验OpenAI的GPT-5等前沿大语言模型的理想课题，这类模型已在数学、计算机编程和理论物理领域表现出色。“我们希望能以实际的生物学研究为基准，测试GPT-5的性能。”

银杏生物与OpenAI合作搭建的实验系统，由GPT-5解读实验结果、设计实验方案，再由银杏的实验室机器人完成实验操作。研究人员负责提供实验试剂、落实GPT-5设计的实验方案，同时对实验流程进行微调。在完成三轮实验后，研究人员让GPT-5阅读一篇介绍Olsen研究成果的预印本论文，还开放了其互联网文献检索权限。GPT-5会将实验数据解读和研究假设记录在实验室电子笔记中。

在未获得互联网检索权限、未阅读Olsen的预印本论文时，GPT-5的一份电子笔记中就提出了一种更换试剂以降低成本的设想，Olsen的研究团队也采用了这种方法。“该模型确实具备相当不错的生物化学推理能力。”Jiao说。

尽管如此，蛋白质合成效率的大幅提升，还是出现在GPT-5获得权限之后的实验阶段。“这些信息让模型实现了飞跃，超越了人类目前的水平。”Jiao补充道。

有限的灵活度

指导Olsen开展这项研究的，是斯坦福大学的合成生物学家Michael Jewett。他表示，银杏公司与OpenAI研发的无细胞蛋白质合成配方，与他、Olsen及同事研发的配方大体相似。但难以知晓，其实验室的研究成果为GPT-5设计实验方案提供了多少帮助。

Jewett认为，能在短时间内开展数万次实验的自主实验室，在这类研究中会表现出色——此类研究可通过调整多种实验条件，达到明确的预期研究目标。他研发的蛋白质合成方法涉及约1000次反应，他说：“我也想有30000次，能开展这么大规模的实验，想想就好棒。”

但Jewett补充道，对于那些无法通过单一明确的检测方法追踪实验进展的研究，自主实验室将面临挑战。他的研究团队及银杏-OpenAI的合作团队，均通过荧光蛋白的合成量来衡量实验进展，而许多研究目标并不容易通过这种方式量化。

Romero认为，相较于AI模型的能力，机器人技术才是目前的主要短板。“有很多实验很难实现自动化。”他说，比如制作组织薄片。麻省理工学院的生物工程师Evan Collins表示，在药物研发过程中，通过动物模型测试获得的实验数据（如毒性水平），很难轻易用自主实验室适用的试管实验替代。

自主生物实验室实现广泛应用，面临的另一大挑战在于可获得性。Collins和同事在去年发表于《自然-计算科学》的一篇评论文章[5]中写道：“并非所有实验流程，都值得投入成本搭建全闭环的自动化系统”，尤其是在仅开展少量实验的情况下。

银杏公司CEO、联合创始人Reshma Shetty设想，未来大多数生物学家可通过所在大学、研究机构或企业的共享实验设施，使用自主实验室——该公司也在积极推动这类共享设施的建设。美国伊利诺伊大学厄巴纳-香槟分校的生物工程专家赵惠民表示，科学家未必需要与自主实验室位于同一校区，甚至同一国家。他的实验室搭建了一套基于云平台的自主实验室，该项目获得了美国国家科学基金会1800万美元的资助，目前正寻找合作方。“研究人员在实验室开展的诸多实验，如今在很大程度上都能实现自动化。”他说。

Shetty表示，随着AI工具在生物学研究中的应用日益广泛，保留湿实验操作经验至关重要。“问题其实是有多少操作需要科研人员亲手移液的。”她说，“我不知道这效率高不高。”

Jewett则将自主实验室视作实验生物学家的机遇，而非关乎职业存续的威胁。Olsen补充说，“作为研究人员，看到其他团队在自己的研究成果基础上继续探索，是非常令人欣慰的。”即使这个团队包括了聊天机器人。

参考文献：

1. Olsen,M.L.et al.Preprint at bioRxiv https://doi.org/10.1101/2025.08.01.668204(2025).

   
   

2. Smith,A.A.et al.Preprint at bioRxiv https://doi.org/10.64898/2026.02.05.703998(2026).

   
   

3. Rapp,J.T.,Bremer,B.J.&Romero,P.A.Nature Chem.Eng.1,97–107(2024).

   
   

4. Singh,N.et al.Nature Commun.16,5648(2025).

   
   

5. Collins,E.,Langer,R.&Anderson,D.G.Nature Comput.Sci.5,976–979(2025).

   
   

原文以Will self-driving‘robot labs’replace biologists?Paper sparks debate标题发表在2026年2月18日《自然》的新闻版块上

©nature

Doi：10.1038/d41586-026-00453-8