「实验室 3.0」来了：AI 提方案，机器人动手，人类当导师

过去我们说 AI 做科研，通常指的是它写代码、算数据、出假设——都是「动脑」的活。但 2026 年，事情变了：AI 开始「动手」了。

这一年，从中国的国家级实验室到谷歌、Anthropic、OpenAI，全球多个团队让 AI 和机器人真正走进了实验室，自己开盖子、夹试管、调设备、跑实验。AI 不再是科学家身边的「参谋」，而是亲自下场的「实验员」。

AI「动手」和以前有什么不同？区别在于「闭环」

以前 AI 做科研的模式 是「计算 — 出结果 — 人再去验证」，中间隔着一道巨大的鸿沟：AI 提出假设，人类去实验室跑实验，把结果喂回给 AI。这个循环里，AI 只是「大脑」，人类是「手」。

2026 年的新趋势，是把「手」也交给 AI：AI 提出假设 → 机器人执行实验 → 数据自动回流 → 模型自我进化。整个循环无需人工介入，被称作「自驱动实验室」或「实验室 3.0」。

三大突破：AI 真的做成了什么？

突破一：中国的「实验室 3.0」落地国家级平台

7 月，国家级科研平台迎来第一批人形机器人「Monte2」，由源络科技联合研发。它在实验室内无需人工操作，能自主完成数百次实验——精准转移微量试剂、抓取仪器、核酸提取预处理、细胞毒性培养实验，操作精度达到亚毫米级，可连续运行数小时。实验室计划到 2027 年底把机器人规模扩展到约百台，由 AI 统一调度。

突破二：谷歌让 AI 直接「长」出新材料

谷歌 DeepMind 把 Gemini 驱动的 Co-Scientist 接入了真实科研设备。AI 只拿到一台化学气相沉积（CVD）设备的规格和可用化学品清单，几分钟内就生成了完整实验方案，并直接转换成机器代码控制设备。第一次实验，就成功生长出三种 2D 半导体单层晶体——其中两种此前从未在该设备上生长成功。

突破三：Anthropic 让 Claude 自主操控实验设备

Anthropic 推出试点系统，允许 Claude 等 AI 助手自主操控显微镜、液体处理系统、激光器和机械臂。AI 能独立分析并执行实验每一步、实时调整参数，甚至能自己纠正设备故障。在一项神经科学实验中，Claude 成功分析活体脑组织并识别出了特定脑结构。

中国在这个赛道的分量

如果说上面这些是「单点突破」，那中国的进展则更偏「工程化落地」。中科院深圳先进院的「明德博士」系统，是国内首个面向材料研发的具身智能机器人科学家。它能独立完成整套离心实验——开盖、夹取试管、对称配平、合盖复位，操作变异系数控制在 0.5% 以内，离心机自动上样成功率高达 92%。目前，这个系统已攻克磁性微球、黑磷、磷酸铁锂等「卡脖子」材料，助力企业建成 30 万吨级磷酸铁锂产线，实验效率较人工提升数十倍。

更夸张的是上海。7 月，国内首个「超级科研工厂」Golab 发布，首次实现 AI 计算与自动化实验设备的零人工介入直接联动。在「百题马拉松」直播中，100 个科研问题由 AI 全流程处理，机械臂取样、反应、萃取、分离全程无一人介入。

效率提升有多夸张？

把这些案例的效率数据放在一起看，更能理解这场变革的分量：

OpenAI 与 Ginkgo 合作，AI 迭代设计实验，两个月跑了 3.6 万+ 次测试，把蛋白质生产成本降低了约 40%；

美国太平洋西北国家实验室（PNNL）的 AutoLabs 系统，实验数量是人工方法的 5-10 倍；

多伦多大学的 LUMI-lab 全自动实验室，仅通过十轮自主实验，就发现了一种能显著提升肺部 mRNA 递送效率的新型脂质，递送效率比基准提升 1.8 倍；

理性看待：AI 会不会取代科学家？

面对这些进展，一个绕不开的问题自然浮出：科学家会被取代吗？行业内的普遍共识是——目标不是取代，而是「人机共融」。AI 和机器人擅长的是大量重复、耗时、可标准化的实验操作，而把它们解放出来，科学家可以把精力放在更有创造性的工作：提出真正有价值的问题、设计实验框架、做跨领域的洞察。

事实上，很多案例恰恰展示了「人机配合」的价值。OpenAI 与 Ginkgo 合作中，GPT-5 甚至提出了一个荒谬的「水的负体积」方案——机器人在执行时识别出问题，自动调整了方案。AI 会「犯错」，但它能更快地试错；人类负责「纠偏」，但不再被重复劳动淹没。

2026 年，AI 从「会算」跨进了「会做」的门槛。当 AI 不仅能在几秒内想出实验方案，还能亲自走进实验室把方案变成现实——科研的效率天花板，被彻底打破了。

当然，这条路才刚刚开始。无人实验室的设备成本、复杂实验的通用性、AI 判断的可靠性，都还需要时间打磨。但方向已经非常清晰：未来的实验室里，AI 是「科学家」，人类是「科学家的导师」。

而这对整个科学界来说，可能是比「更快的模型」更有意义的变化。