AI 自驱动实验室：机器人自己设计、跑、读、复盘实验

2026 年，Nature 专题把"自驱动实验室"推到台前。它的核心不是某台更快的仪器，而是一个会自己转圈的闭环：假设 → 机器人做实验 → 读数据 → 更新假设 → 再来一轮。

从人做实验到机器闭环

传统科研里，设计、操作、分析分属不同人，节奏被人的作息卡住。自驱动实验室把这三步交给一套DBTL（Design-Build-Test-Learn） 循环：算法根据已有数据提出下一个最值得试的实验，机械臂去执行，自动分析仪读数，结果再喂回模型。人退到"定目标、看异常"的位置。

它解决了什么

真正的瓶颈往往是"组合爆炸"：一个催化配方可能有成千上万种变量组合，人一辈子试不完。AI 用贝叶斯优化之类的方法挑最 informative 的下一步，把搜索效率抬了几个数量级。2026 年的报道里，这类平台已经能在材料筛选、反应条件优化上 7×24 小时连轴转。

和此前的"AI 辅助科研"有什么不同

过去 AI 多是给人提建议；自驱动实验室把"建议"和"执行"接成一条线，错误也能被下一轮自动纠正。它呼应了更早的"AI 共同科学家"思路，但更落地——不写论文，只把实验真正跑完。关于 AI 在科学发现里的更激进角色，可看《把知识截到 1911 年，AI 能自己推出相对论吗》。

关联推荐

• 把知识截到 1911 年，AI 能自己推出相对论吗 — AI 与科学发现的边界
• 可控核聚变：永远还差 30 年？2026 最新进展说"不" — 另一项被 AI 加速的能源研究