注：文章来源自公众号“联想之星”，作者宁静文，转载请联系授权。

纵观实验室自动化的发展，走过了经由“平凡”道路的进阶之旅——从可有可无，逐渐变成广大需求方的“必需品”。随着越来越新的技术应用于实验室自动化领域和更广泛的客户需求场景，自动化逐渐向智能化过渡，最终将帮助人类科学家创造出一系列不平凡的成果。

实验室自动化肇始于临床检验领域，在1981年由日本提出。1989年，日本秋田国立医院在日立的帮助下真正实现了自动流水线实验室的概念。而后，欧美市场在20世纪90年代跟进，各大检验巨头开始布局自动流水线领域。目前，临床检验领域的自动化已经比较成熟。本文提到的实验室自动化和实验室智能化，则主要是指研究型实验室（以药物研发为主）的自动化和智能化。

按当下的理解，实验室自动化分为单模块自动化、工作站自动化、系统自动化：

• 单模块主要是针对实验室的某一操作步骤，比如自动化样本运输、自动化样本存储、自动化配液、自动化称量、自动化离心、自动化消解以及自动化测试等操作；

  
  

• 工作站主要针对某些常用的流程，集成多个模块，以实现一序列连续的自动化，例如化学前处理流程自动化、病毒前处理流程自动化、微生物前处理流程自动化、核酸检测流程自动化等；

• 系统自动化则是通过把一系列的自动化设备、模块和工作站有机串联在一起，通过对数据流样本流操作流的完全掌控，实现整个实验流程的无人工完成和数据收集。

目前，已有众多的企业覆盖自动化设备、单模块和工作站领域，国际巨头如赛默飞、贝克曼、安捷伦、罗氏、Tecan、Hamilton等，国内厂商如华大智造、瑞图生物、基点生物等均有涉足。这些厂商的产品使得当下可以用来衔接和整合的模块、设备已基本完善。接下来的主要工作，就交给以汇像科技为代表的实验室自动化智能化系统解决方案提供商去完成。

对实验室系统自动化的理解，各家均有不同，有的强调机器人操作，有的强调软件和数据，在此不做评断。本文仅以一种思路抛砖引玉，浅谈一下实验室自动化和智能化的未来与大家分享讨论。

在笔者看来，自动化从来就不是简单地模仿人的动作。我们横向对比工业自动化设备如锂电产线、芯片集成电路的产线，很多自动化设备的操作早就超越了人的物理限制。很难想象，在芯片和集成电路生产线上，如何用人力每秒组装成百上千的电子元件。

对传统自动化来说，信息化只是为了批量管理，而执行是其中更重要的一点，比如一些零件和库存管理，虽然核心目的是执行，但并非简单复现人的动作。现在较为高精尖的集成电路，如光刻机，其操作动作已经超出了人的物理极限。也就是说，自动化带来的可能性已经远超人手的能力。因此，即使在传统自动化中，替换人工操作也只是一步。

所以，对于实验室整体自动化来说，要首先保证效率，比如通量要求。完成人工替代并大幅度提高效率，是我们的目的之一。当然这个目的不是通过简单拷贝人的动作来实现的，而是通过各种设备对通量的快速放大、对流程的统筹管理等方式来完成。现在很多实验室自动化仪器已经非常成熟，如自动化液体工作站、自动化培养箱、自动化核酸工作站，这些可以保证通量的快速提升。

从这个角度来说，实验室自动化不仅仅是动作执行层面的操作，它应该是涉及样本流、信息流、操作流的全方位系统工程，不仅要完成对实验仪器的操作，更要对实验仪器产生的结果或实验流程的数据结果进行整合处理。简单模仿人的动作并不能有效解决这一问题。毕竟，大部分的实验并不像简单工业流水线，只需解决效率问题。实验的真正核心是数据，是样本流、数据流，是这一系列的综合体。

就人做实验来说 ，除了执行操作，人还要做很多其他事情，如记录实验结果、判断实验中间结果、调整实验流程。单纯复现动作，并不是真正意义上的实验室智能化。实验的核心不是执行流，执行流只是保证如何获得数据和样本，而是数据流、样本流，是一个人的执行、判断、反馈的整体。现在有大量的自动化工具，如自动化液体工作站需要完成移液的精确操作，核心是怎么把数据流、样本流及其背后的东西串联成一整套解决方案。这需要对实验底层逻辑的深刻理解。以汇像的实验室大脑为例，它通过对仪器设备的智能化柔性管理，对环境的自动化控制和条件记录，对结果数据的采集、清洗、建模和反馈，以及对样本、耗材的智能管控，把样本流数据流执行流完全有机打通，最终实现了实验室超级大脑的功能闭环。

机器人在自动化实验室中是一个很重要的部分，移动AGV可以扩展实验的灵活性，提升操作的便捷性，使得串联的流程更加高效，但如果只局限于此，会忽略很多别的内容背后的数据流，需要哪些数据，什么格式，以什么形式和LIMS打通，如何做耗材管理、样本管理等，才是主要的部分。

以当前高通量药物筛选为例，往往要做大量的细胞实验，比如Recursion，要做高通量的细胞培养，在细胞里加入不同的化合物，然后和基于CRISPR基因编辑的各种类型knock out（基因敲除）的细胞去比对，去观察细胞的不同图像。这种结合大量图像信息的高通量高内涵数据的暴力筛选，借助人工操作基本难以实现，只能依托于自动化智能化的设备。而且这样的高通量过程会在整个实验流程中不断产生数据，人为记录是相当不现实的，必然要依托于底层的自动化智能化控制系统和判断。

对于AIDD公司来说，他们通过算法筛选出一个小范围的库做湿实验，在此过程中，收集到的实验结果数据、中间过程数据、条件数据等，不断反馈给最初的算法，形成闭环，让算法不断迭代。人工收集数据无法做到这样的细节程度和颗粒度，而智能化实验室可以。一旦这个闭环形成，不断将海量的数据“喂”给AI算法，让它持续进行深度学习，形成正向反馈。数据越多，算法越强，算法越强，预测越精准，又可以产生更多高质量数据，如此不断地迭代。

2019年，利物浦大学研究团队自研了一款AI机器人化学家。这款机器由一个固定基座和一个灵活机器臂构成，可以使用精密的实验室设备，独立开展研究。当时这项新发明还登上了《Nature》封面。

该团队的本杰明·伯格（Benjamin Burger）博士介绍，这位AI机器人化学家的思维可以达到10个维度，可以独立执行实验室中所有的基础任务，比如称量固体、分配液体、从容器中除去空气、运行催化反应以及定量反应产物等。称AI机器人为化学家，是因为它已经不局限于机械的体力劳动，而是迈向了自主研究的阶段。就在最近的试验中，它发现了一种高活性的催化剂。

该试验的关键是在AI机器人化学家的大脑内置贝叶斯搜索算法，它可以根据前一个实验的结果确定下一步较优试验方式，经过反复优化训练后，它最终发现了这款高活性的新型光催化剂材料。据了解，实验的复杂程度与变量数量成指数关系，人类往往会因处理变量数量较少而局限在狭窄的搜索范围内，而此次AI机器人化学家的探索空间包含了11个变量。这相当于机器人大脑在10800万个候选实验的10维空间内进行搜索。

那么未来实验室智能化的目标，就是创造出这种具有自我学习和探索能力，可以自己设计、执行、修改实验方案，并最终获得结果的实验室大脑，或者说机器人科学家。最终，实验室智能会形成一个综合体，包括软件、硬件、算法，还有AI相关的内容，通过各种算法把前后端连接在一起，形成一个闭环。传统实验形成的报告可能包含10个结果，而智能化实验室获得的是一个立体的数据模型，包含10个维度。这样的数据不断反馈导入算法，将使得算法越来越精准。

尽管制药行业越来越多地运用人工智能和各类算法，但是程序员和药物化学家之间的关系依然明确：药物化学家是规则制定者，程序员是规则实现者。AlphaGO可以通过反复不断的自我对抗和深度学习去掌握围棋的规则，但由于药物化学、生物学的数据维度比围棋复杂得多，类似AlphaGO横扫人类棋手那样的情况短期内很难发生。

但是随着数据不断积累，算法不断迭代，数据质量不断提升，也许在未来，机器人科学家会发现让人类药物化学家眼前一亮的新规则。我们期待那一天能够早日到来，让制药行业以更高的效率、更快的速度，开发出更多治病救人的良药，让人类享有更长的寿命和更健康的生活。

注：感谢汇像科技为本文提供相关洞见及参考资料。