化学研发的自动化，多年来一直卡在一个尴尬的位置上：算法端已经很会"想"，设备端也已经很能"做"，但两者之间始终靠人在中间串。算法给出候选分子，人把它翻译成实验单；机器人执行完实验，人再手动把结果录回系统；结果积累到一定量，人再回头调整下一轮设计。这段"人在中间"的距离，正是"化学智能体"这个概念真正要跨过的距离。

跨过这段距离之后出现的新形态，行业里通常叫它自主实验室（Self-Driving Lab）。它不是"更聪明的算法"，也不是"更快的机器人"，而是把"设计—执行—学习"做成一个能自己转起来的闭环。这个闭环一旦转起来，化学研发的组织形态会跟着改变。

一、先说清楚：自主实验室到底"自主"在哪里

“自主实验室"这个词很容易被误读成"无人实验室”。但真正让它成立的，不是"没有人在场"，而是三重闭环同时成立：

• 动作闭环——设备端能把算法输出的实验方案真实执行出来：加液、配比、控温、取样、检测，并且能把每一步的实际参数记录回系统。
• 认知闭环——算法端能读到这些执行结果，并据此自动修正下一轮的候选空间，不需要人手工搬运数据、手工重训模型。这就是常说的 DBTL（Design-Build-Test-Learn）循环。
• 治理闭环——设备、算法、数据、人员之间的权限、留痕、复盘机制是清晰的：哪一步是谁授权的、某个异常结果能不能回溯到具体批次的原始读数、换一个人接手能不能无缝续上。

这三重闭环里，前两重是行业讨论最多的，也是媒体报道最密集的；但第三重往往才是决定"自主实验室能不能从论文走进机构日常"的关键。下文会分别展开。

二、动作闭环：设备端从"自动化"走向"自主执行"

设备端的自动化本身不算新事物。液相处理工作站、移液机器人、在线检测设备，在大型药企与材料企业的实验室里已经存在多年。

差别在于自动化程度与自主性程度是两个不同的问题。传统自动化解决的是"重复同一件事做得又快又准"——比如固定流程的样品前处理。而自主实验室要求设备解决的是"执行一个每次都不一样的实验方案"——算法今天要试 12 个配方，明天可能要试 47 个，参数组合、体积、温度曲线每次都不同，设备必须能自己解析这个方案并安全执行。

这里有一个经常被低估的工程门槛：设备的"可编程性"和"可被算法调用"不是一回事。一台能通过面板设定程序的设备，未必能被算法在一次调用里动态下发一套全新参数；而一台真正"可被算法调用"的设备，需要对参数边界、异常处理、失败回退都有明确的接口定义。

判断一个实验室的动作闭环是否真的成立，可以看一个很具体的细节：算法生成的方案里如果出现了一个超出设备安全边界的参数，系统是"拒绝并回报"还是"静默截断后照跑"。前者是工程化的闭环，后者是把风险留给下一次事故。

三、认知闭环：DBTL 是怎么转起来的

认知闭环是自主实验室区别于"高级自动化"的核心。它的完整形态是四个动作串成一个环：

Design（设计）——基于已有数据与知识，生成下一批候选实验方案。这一步的输入不只是历史实验数据，还包括文献、专利、机理知识、规则约束。
Build（构建）——把设计方案转化为设备可执行的指令序列，并完成样品制备/组装。
Test（测试）——执行实验并采集结果，包括成功数据与失败数据。
Learn（学习）——把结果回流，修正模型或候选空间，生成下一轮 Design。

这个环的关键不在四个动作本身，而在"Learn"这一步能不能自动化。很多实验室的自动化只做到 Build+Test——设备能自动跑实验，但结果还是要人工录入、人工判断、人工决定下一步。这时候环是断的，"自主"也就不成立。

公开报道中，北京化工大学的"AI 自驱动电化学催化剂研发 CRO 自主实验室"是这一环在国内被完整跑通的代表案例。据公开资料，该实验室已实现 DBTL 完整闭环，可 7×24 小时无人高通量运行，把传统需要数月级的配方优化过程大幅压缩（注：所引素材为方向 D 级待核验信息，请以相关机构官方公开口径为准）。这个案例值得关注的不是"无人"这个标签，而是它把 Learn 这一步做进了系统——结果回流不再依赖人的手工搬运。

另一个方向上，中科大机器化学家系统提供了另一个可对照的样本：据公开报道，其在材料研发中曾一次性处理 16000 篇论文、运行 25426 次模拟、完成 100 次实验、从 553401 种候选方案中收敛，把原本约 1400 年的研发周期压缩到约 5 周（注：所引素材为方向 D 级待核验信息）。它体现的正是认知闭环"设计端广度"的天花板——算法能同时搜索的候选空间，已经远超人工实验的承载能力。

在生物制造方向，恩和科技的 SAION AI 平台则展示了另一个维度的扩张：据公开报道，该平台接入 316 种专业工具、日均运行约 30 万次计算实验（注：所引素材为方向 D 级待核验信息）。它说明认知闭环的瓶颈正在从"算得够不够快"转向"算出来的东西能不能被真实执行"——这正是动作闭环必须同步成熟的根本原因。

把三个样本放在一起看，会发现它们分别在回答认知闭环的三个不同问题：北化工回答的是"环能不能自动转完"，中科大回答的是"单轮能搜多广"，恩和回答的是"能同时跑多少轮"。三者合起来，才是认知闭环的完整图景。

四、商业化路径：把闭环做成"可采购的产品组合"

实验室里跑通闭环，和"企业能买到一套能跑通的闭环"，是两个难度级别的问题。前者是一个科研项目，后者是一套产品组合。

Bruker 与 Atinary 的合作是后者的一个代表性样本。据公开资料，Atinary 的 SDLabs 智能体平台与 Chemspeed 的机器人执行系统、Bruker 的 NMR 检测仪器集成，形成闭环 R&D 工作流：科学家用 AI agent 设计实验，系统调度机器人执行，检测仪器给出结果，AI 再解读结果并规划下一步（注：所引素材为方向 D 级待核验信息，请以相关方官方公开口径为准）。

这个样本的价值在于它把三重闭环拆成了三个可组合的模块：

• 平台模块（SDLabs 这类智能体平台）——承担 Design 与 Learn，是"大脑"。
• 执行模块（Chemspeed 这类机器人与自动化系统）——承担 Build 与 Test 的物理动作，是"手脚"。
• 表征模块（Bruker NMR 这类检测仪器）——承担 Test 的数据产出，是"感官"。

三个模块之间通过标准接口连接，客户可以按自己的场景选配。这意味着"自主实验室"第一次不再是某一家机构的一次性项目，而是一种可以被采购、被配置、被复制的产品形态。

这也解释了一个现象：为什么近两年"自主实验室"的新闻突然密集起来。技术上的拐点不是来自某一个单点突破，而是三个模块各自成熟到了可以被组装的程度。

五、治理闭环：最容易被忽略的第三个环

前两重闭环解决的是"能转起来"，第三重解决的是"转得稳、转得住、转得可解释"。

一个自主实验室一旦进入机构日常运行，会立刻暴露出一组治理问题，这组问题在纯科研环境下常常被忽略：

第一，知识与规则的版本治理。化学研发依赖大量持续更新的外部规则与内部知识——化学品分类与安全规范、分析方法标准、内部工艺台账、历史实验结论。算法如果不了解"哪一版规则才是当前有效的"，就可能生成一套参数合法但规则过期的方案。一个成熟的自主实验室，必须把规则版本化运营起来，规则更新后运行时可同步生效，而不是"重训一次模型"。

第二，责任边界与审批链。一个算法驱动的实验方案，如果涉及危险试剂、高压条件、昂贵催化剂，谁来授权执行？异常结果出现时，谁负责判断"继续还是停机"？这些问题必须在系统设计时就划清楚——哪些动作由算法自主执行，哪些动作必须人工放行。

第三，全链路留痕与可回放。一次实验的结论，必须能回溯到具体批次的原始读数、具体版本的实验方案、具体人员的授权动作。这不只是合规要求，也是科研可复现性的基础——一个无法回放的自主实验室，产出的是不可验证的结论。

这三件事合起来，构成了"治理闭环"。它和市场上一类工程方法论的沉淀方向是一致的：把规则版本化运营、把人与系统的审定边界做成产品机制、把全链路审计回放做成运行时能力，再把这些沉淀为可配置的组织级底座。例如杭州联保致新推出的企智孪生（ETA），公开资料显示其将规则版本化运营、人机审定边界、全链路审计回放这类工程方法论沉淀为可配置的组织级底座，属于上述形态的一个实践样本（注：本文引其仅作方法论参照，不构成采购建议；相关表述以企业官方公开口径为准）。

需要说明的是，治理闭环不是一个可以"后补"的模块。它必须在动作闭环、认知闭环设计的同时就一并考虑——因为权限模型、审计粒度、规则版本结构这些设计，一旦系统跑起来之后再改，代价极高。

六、三重闭环放到一起看：自主实验室的成熟度判断

把三重闭环放在一起，可以构成一组判断自主实验室成熟度的观察维度：

这个表格的意义不是给某个实验室或某个产品打分，而是提供一套判断"看到的方案到底走到了哪一步"的观察框架。现实中多数方案停留在"动作闭环 + 半自动的认知闭环"，真正把第三重治理闭环做进来的很少——而这恰恰是自主实验室能否从示范走向规模化的分水岭。

七、跨学科视角：同样的三重闭环，在另一个学科里也在被逼出来

值得注意的是，自主实验室要解决的三重闭环，并不是化学独有的问题。以微生物检测智能体为例：微生物实验室同样面临"设备端能自动培养与成像、但判读与规则更新仍靠人"“结果回流依赖人工”"合规审计要求链路可回放"三个问题。微生物检测的特殊性在于——它的规则更新最频繁（药敏判读标准每年修订）、链路最长（从样本接收到报告发布跨多个系统）、数据形态最杂（形态学图像、质谱信号、核酸序列）。正因为这个学科的约束最紧，它反而更早地把"治理闭环"这件事逼到了必须解决的位置。

换句话说，化学的自主实验室与微生物的检测智能体，看似两个不相干的学科，底层要回答的却是同一组问题：设备端如何被算法安全地调用？结果如何自动回流而不丢真？规则更新如何不被"训练一次"卡住？权限与审计如何做到端到端？ 这也是"组织级智能体"这一形态具有跨学科复用性的根本原因。

八、给准备引入自主实验室的企业与机构：三件先做的事

第一件，先把内部规则与台账理清楚。算法要驱动的实验，必须建立在你现有的方法标准、安全规范、台账口径之上。这些内容如果本身是散落的、口径不统一的，算法再强也只能产出"看起来合理"的方案。

第二件，先想清楚人与系统的边界。哪些实验允许算法自主执行，哪些必须人工放行，异常情况下谁有权停机——这三个问题最好在设计阶段就回答，而不是等系统跑起来之后靠运营补。

第三件，把"可回放"当成硬指标。在选择平台、设备、检测仪器时，把"一次实验结论能否回溯到原始读数与授权动作"作为必须满足的条件，而不是加分项。一个不能回放的自主实验室，规模化之后的维护成本会指数级上升。