“无人实验室”并非要让科学家失业，而是正在经历从“自动执行”到“自主思考”的质变，其核心目标是将人类从重复劳动中解放出来，去思考更本质的科学问题。

1. 核心现状：从“自动化”到“自主化”的跨越
目前的实验室变革已经超越了传统的流水线式自动化（机器只知道怎么做，不知道为什么），进入了“自主实验室”（Self-Driving Laboratory, SDL）阶段。
传统自动化： 执行固定程序，无法根据结果调整方向。
自主实验室（SDL）： 模仿人类科学家的逻辑，形成“设计-执行-分析-再设计”的闭环。机器人不仅动手，开始具备了“思考”能力。
2. 全球进展：三大标杆案例
全球范围内几个具有代表性的“无人实验室”项目，它们代表了不同的技术路径：

| 项目/地点        | 核心特点              | 关键成就/技术亮点                                                                                           |
| :----------------- | :---------------------- | :------------------------------------------------------------------------------------------------------------ |
| 英国利物浦大学   | 移动机器人+AI决策     | 在8天内自主完成688次实验，发现高效光催化制氢配方；2024年发表于《Nature》。                                  |
| 日本东京科学大学 | 人形机器人+大规模愿景 | 引入Maholo LabDroid人形机器人，计划到2040年部署2000台；旨在应对科研人口收缩，被称为“实验科学的产业革命”。 |
| 美国（伯克利等） | 材料科学+AI合成       | A-Lab在17天内从58个目标中合成了41种新材料；利用NLP模型提出合成方案。                                        |


3. 技术驱动力：大语言模型（LLM）的“大脑”作用
大语言模型的加入，让机器人不再仅仅是执行代码，而是开始具备了科学推理的能力：
Coscientist (CMU, 2023)： 基于GPT-4，能查阅技术文档、编写代码并驾驭实体设备，自主设计并执行了钯催化的交叉偶联反应。
Co-Scientist (Google, 2026)： 发表于《Nature》，这是一个基于Gemini的多智能体系统，能生成假说、批评想法、设计实验。在急性髓系白血病案例中，提出了新的药物再利用候选方案。
AI科学家 (Sakana AI, 2026)： 能自主生成假说、运行测试、分析结果直至起草论文。
4. 商业应用：药物发现的“加速器”
在商业领域，Insilico Medicine 的案例具有较强的说服力。其全机器人实验室 LifeStar 极大地缩短了药物研发周期：
传统新药研发通常需10年以上。
通过机器人实验室，其针对特发性肺纤维化的候选药物（INS018_055）从提名到进入II期临床仅耗时不足三年。
2025年引入人形机器人 Supervisor，以解决实验室仪器多为人手设计这一“last一公里”的适配难题。
5. 局限与反思：人类的角色是什么？
尽管技术飞速发展，不能陷入盲目乐观：
物理世界的脆弱性： 机器人仍需要人类补充试剂、处理突发故障和进行深度清洗。
模型的不稳定性： LLM对提示词敏感，存在偏离指令的倾向，这在精密实验中是安全隐患。
科学判断不可替代： AI可以加速筛选和生成假说，但“某个发现是否真正重要”这一核心科学价值判断，依然离不开人类专家。