25年10月来自York大学的论文“Rise of the Robochemist”。

化学作为一门历史悠久的学科，历来依赖于人工操作，且耗时较长。尽管目前已有一些自动化技术，但随着机器人技术和人工智能（AI）的融合，化学领域正处于一场重大变革的开端，由此催生了“机器人化学家”的概念：一种全新的范式，即利用自主系统辅助设计、执行和分析实验。机器人化学家整合移动机械臂、先进的感知技术、远程操控和数据驱动的实验方案，从而能够以更高的适应性、可重复性和安全性执行实验。设想的机器人化学家并非人类化学家的完全替代，而是与之互补的合作伙伴，共同促进发现，从而更高效地探索化学空间，并加速制药、材料科学和可持续制造领域的创新。本文将追溯定义这一变革的技术、应用和挑战，重点阐述机器人化学家出现所带来的机遇和责任。最终，人们认为化学的未来在于一种共生伙伴关系，在这种伙伴关系中，人类的直觉和专业知识通过机器人的精确性和人工智能驱动的洞察力得到增强。

化学作为现代科学和工业的基石，长期以来一直以理论洞见与实践操作相结合为特征。几个世纪以来，化学领域的进步一直由人类化学家的严谨工作推动，他们的专业知识和直觉在驾驭分子合成、分析和表征的复杂性方面发挥着至关重要的作用。然而，即使是最熟练的科学家也无法全天候工作：实验需要暂停过夜，中间体需要等待，宝贵的时间就这样白白浪费。除了时间限制之外，手动方法还面临着安全性、速度、可扩展性和可重复性方面的挑战。这些曾经被认为是该学科固有的局限性，如今正受到新方法的挑战，这些新方法有望彻底改变科学的运作方式。

实验室自动化并非新鲜事物。从最早的滴定装置[1]到如今的液体处理机器人和高通量平台，机器早已被用于加速重复性任务并提高精度。除了提高生产效率外，自动化系统还因其能够以人工难以企及的一致性记录实验数据而备受重视，这为可重复数据以及近年来兴起的开放式数字存储库奠定基础[2]。安全性是另一个重要的驱动因素：封闭式工作站和联锁机制减少操作人员接触危险物质的风险[3]。然而，尽管取得这些进步，大多数系统仍然高度专业化。它们针对特定的实验方案进行优化，依赖于人工监督，并且难以适应科研实验室多样化且动态的工作流程。

如今，机器人技术正在改变现代生活的方方面面。在家庭中，机器人正在学习烹饪[4]、叠衣服[5]，甚至协助穿衣[6]。在工业领域，它们在工厂车间快速、精准地组装产品[7]。这些进步凸显机器人技术的发展速度——它们正开始进入实验室。在化学领域，移动机械臂[8]展示机器人如何在标准实验室空间内移动，并在仪器之间搬运样品。一些项目[9][10]更进一步，展示单个机械臂如何执行基本的实验操作。与这些开创性系统一样，先进机器人技术、精密传感器以及人工智能和机器学习的预测能力的融合，正为化学和分子发现的新时代——机器人化学家时代（如图所示）——铺平道路，这标志着自动化程度的显著提升。

本文将这一发展历程分为三个关键阶段：传统的实验室自动化视角；机器人和人工智能时代的新技术；这一范式转变给化学及相关应用领域带来的挑战和机遇。

化学领域的自动化发展并非近期才出现的现象[11]。20世纪中期，第一代实验室自动化系统应运而生；诸如自动滴定仪[1]和临床分析仪[12]等设备在20世纪50年代开始商业化应用，实现了复杂重复操作的机械化执行。然而，除非与结构化的实验设计相结合，否则这些系统缺乏科学生产力。实验设计（DoE）方法——尽管最初是在统计学领域发展起来的——在自动化系统投入使用后成为必不可少的工具，为高效探索多维参数空间提供一个原则性的框架[13][14]。在此基础上，20世纪90年代的制药行业通过将机器人技术、小型化和并行化集成到以DoE为指导的自动化平台中，采用高通量实验（HTE）技术，从而为快速的化学发现和优化铺平道路[15][16]。这些发展共同定义了实验室自动化的第一波浪潮：以系统化实验为基础的机械精度，以及高通量技术的提升。

然而，早期实验室自动化的实际情况远比这所展现的前景更为局限。这些系统高度专业化，通常设计用于大规模执行特定的重复性任务。例如，液体处理单元、高通量筛选 (HTS) 平台以及自动化合成或纯化模块等。它们对通量和可重复性产生了变革性的影响。然而，它们通常是无法适应变化的固定机器。此外，这些系统需要训练有素的专业人员进行持续的监控和维护。简而言之，它们虽然减轻化学家重复性的手工劳动，但功能仍然十分有限。

认识到这些不足，人们开发针对特定域的定制系统。例如，Schlenkputer [17] 使用定制的玻璃器皿（例如过滤瓶和核磁共振适配器）实现 Schlenk 管化学反应的自动化，从而能够自主执行对空气敏感的反应。类似地，RoboChem [18] 集成一个专用的连续流光反应器，并集成在线核磁共振 (NMR) 和物联网 (IoT) 传感器，从而实现光催化反应的闭环优化和规模化。这些专用设计展示定制硬件如何克服特定领域的挑战，但它们不可避免地仍然受限于其特定的应用场景，并且仍然需要人工监督。

与此同时，一些通用化尝试侧重于协调异构实验室系统中的工作流程 [19]。虽然这些方法标志着向前迈出重要一步，但它们仍然受到商业自动化工具局限性的限制。大多数现有平台针对特定域进行优化，例如液体处理或基于微孔板的检测，并且难以扩展到更复杂的分析技术，例如气相色谱-质谱联用 (GC-MS) 或液相色谱-质谱联用 (LC-MS)。集成此类仪器通常需要定制工程，这对大多数实验室来说并不现实 [20]。为了应对这些限制，人们提出诸如 XDL [21] 之类的数字框架。 XDL 提供一种机器可读的语言，用于编码合成步骤，且无需依赖特定仪器，旨在实现化学实验方案的跨平台移植。通过将化学过程抽象为数字协议，XDL 不仅使实验能够在不同平台间移植，还提供了一种以结构化方式记录实验细节的自然机制，从而为系统化的数据采集和重用铺平了道路。

在此背景下，自动化平台——尤其是高通量筛选设备和流化学系统——已成为生成结构化数据集的强大工具。与人工记录相比，它们能够以更高的精度和一致性记录实验的每个步骤，并生成可贡献给开放数据库（例如开放反应数据库 [2]）的输出结果。这些举措旨在以机器可读格式捕获、标准化和传播实验知识，从而在整个研究领域内实现基准测试、元-分析和人工智能驱动的假设生成。然而，仍然存在一个不足之处：尽管自动化程度不断提高，但许多工作流程仍然需要人工干预，而这些步骤难以进行数字化编码。因此，这些记录往往更像是经过改进的实验室笔记，而非完整的数字化痕迹，一些关键但非正式的操作——例如细微的调整、设置决策或背景观察——并未被记录下来。这些遗漏可能对实验的可重复性造成严重影响，凸显自动化日志记录与完全透明的实验记录之间的差距。

除了提高生产效率和可重复性之外，传统的实验室自动化系统在设计时也充分考虑安全性。例如，封闭式液体处理装置、联锁机制和可控气氛环境等设计有助于最大限度地减少意外接触有害物质，从而降低实验室操作人员面临的生物风险[22]。这些安全措施强调了自动化不仅对提高效率至关重要，而且对保护人员也同样重要[3]。更广泛地说，随着实验室向更高程度的自主化发展，机器人和自动化技术在提升科学实验安全性方面的潜力日益受到认可[23]。然而，由于此类系统仍然依赖于人工设置、监督和频繁干预，因此无法完全消除处理危险试剂或操作复杂仪器所带来的风险。

因此，传统的自动化仍然高度专业化：虽然适用于大规模、标准化的生产，但对于典型科研实验室多样化且动态的工作流程而言，实用性却大打折扣。与此同时，对结构化数据的日益重视凸显自动化的优势和挑战：虽然自动化系统在获取可重复的实验记录方面具有独特的优势，但缺乏通用标准限制其更广泛的应用。因此，即便自动化正在稳步重塑实验知识的生产、共享和再利用方式，化学家们仍然需要执行许多重复性且危险的任务。

传统实验室自动化的局限性——其僵化、缺乏适应性以及对静态流程的依赖——为化学研究领域的新范式铺平道路。这一转变的核心是“机器人化学家”的概念：它并非单一的机器，而是一个由相互关联的技术构成的生态系统，其中机器人技术和人工智能融合，创造出灵活智能的系统。与以往的自动化系统不同，这些平台的设计目标不仅是执行任务，还要能够从数据中学习、适应不断变化的环境并做出实时决策。

实验室自主化发展的一个核心趋势是开发移动机械臂系统，以实现“自动驾驶实验室”的愿景。在这种架构中，实验被分配到各个专用工作站——例如制备工作站或反应室[24]——而移动机器人则在实验室中导航，在工作站之间转移中间体并协调工作流程。这种基于工作站的设计使得整个实验过程能够以最少的人工干预完成。首个里程碑式的演示[8]展示如何利用集成标准实验室设备的自由漫游机器人自主完成数百次光催化实验，从而验证端到端机器人实验的可行性。随后，这一概念被扩展[25]，通过将移动机器人与模块化合成和分析站（包括液相色谱-质谱联用仪和核磁共振仪）连接起来，涵盖更广泛的化学领域，从而将范式从单一仪器优化扩展到更通用的探索性工作流程。这些工作显著减少人工干预的需求，并使完全自主实验的运行成为可能。然而，它们仍然受限于对传统实验室仪器的依赖，并且通常需要手动准备或模块间的转换步骤。后续研究[26]阐述如何通过将机器人机械臂直接作为工作站集成到工作流程中来解决这一局限性——例如，使用双臂机器人或移动机器人执行样品制备和处理——从而模糊移动递送员和固定操作员之间的界限，并展望未来将移动性和灵巧性相结合，以消除剩余的人力瓶颈。

在移动平台和基于工作站的工作流程集成的基础上，另一项研究专注于提升化学所需的操控能力。这些研究并非将自动化局限于样品运输，而是探索如何让机械臂直接执行核心实验室技能。例如，已有研究展示机器人倾倒和液体处理任务[10]，表明通用机器人平台可以复制传统上由人类化学家执行的操作。最近的研究[27]、[28]进一步利用大型语言模型将实验方案分解为简化的XDL指令，然后由机器人机械臂上的路径规划算法执行这些指令。这样一来，以往传统自动化平台无法企及的目标——将抽象的数字表示（例如 XDL）转化为实际的实验室操作——如今可以通过配备算法规划的通用机器人平台来实现，从而为实现自主愿景提供一条切实可行的途径。

在探讨其更广泛的意义之前，需要指出的是，提升机器人能力本身并不能保证完全自主。尽管机器人取得进步，但在人类化学家擅长的领域，例如应用启发式方法、发挥创造力以及灵活适应突发情况，机器人仍然存在局限性。因此，机器人化学家的兴起并非意味着取代人类化学家，而是增强他们的能力。机器人提供精确性、耐力和一致性，而人类则提供上下文判断和解决问题的直觉。研究[29]表明，当这些互补优势结合起来时，人-机团队的表现可以超越任何一方单独工作时的表现。这预示着未来实验室的进展将不再依赖于孤立的自主性，而是依赖于人类智慧与机器人效率之间的协同作用。为了实现这种协作，现代系统越来越依赖于直观的界面。大语言模型（LLM）和高级任务规划器使化学家能够用自然语言指定高层次的目标，这些目标随后被转化为可执行的机器人工作流程[30]。例如，最近的一项研究展示如何自动解释模糊的指令并将其转化为具体的物体操作任务[3]。这种方法使研究人员能够专注于更高层次的推理和决策，而机器人则负责处理具体的实验步骤。

然而，目前的进展距离实现完全自主仍相去甚远。机器人控制器的功能仍然有限，因为目前尚无任何单一策略能够执行所有化学操作。在这一过渡阶段，远程操作提供一种至关重要的补充[31]。通过使化学家能够远程操控机器人，远程操作不仅能够对精细的操作流程进行精确控制，还能生成丰富的演示数据，远远超出传统自动化所记录的预定义参数。这些演示数据为开发更具通用性的控制策略提供所需的训练数据——模仿学习在许多其他领域的成功应用也支持这一方法[32]。同时，同一远程操作通道还可以作为人机交互界面[33]，允许操作人员在系统出现错误时进行干预，并使机器人能够通过人工纠正数据进行改进。除了数据生成之外，远程操作还能以可复现的格式捕获整个工作流程，生成高保真度的记录，这些记录可以在相同的机器人装置上重现，并与开放反应数据库等资源共享。至关重要的是，它在化学家和危险材料之间强制实施的物理隔离增强实验室安全性，使其防护水平接近完全自主系统，同时仍保留人为监督。通过这种方式，远程操作将数据生成、可重复性、适应性和安全性整合到一个统一的框架中，从而弥合自主性方面的差距。

随着机器人化学家系统的不断发展，一个特别引人入胜的前沿领域在于将材料发现算法与机器人执行平台相结合。大规模计算预测的最新进展已将已知稳定无机晶体的范围扩大几个数量级[34]，而自主实验室已经证明，在极少人为干预的情况下，合成数十种此前未报道的化合物[35]。与此同时，云端自动化平台已证明，人工智能引导的合成和表征可以通过远程访问的机器人实验室实现[36]，而由机器人人工智能化学家驱动的迭代理论-实验范式正开始将高通量计算与不同应用领域的自主实验相结合[37]。总而言之，这些进展指向一个闭环框架：预测指导合成，实验结果改进算法，两者迭代演进，最终实现日益复杂的目标。这种融合不仅加速材料创新的步伐，也为真正意义上的自主实验室奠定基础，使其能够解决曾经棘手的问题。

人工智能与机器人技术的融合标志着自动化从僵化的模式向智能、适应性强且协作性高的系统转变。新一代机器人化学家不再仅仅是执行重复性操作的工具，而是探索过程中真正的合作伙伴。这些平台结合先进的学习算法、用于安全且可重复数据生成的远程操作以及直观的人机交互界面，其功能远超传统自动化。它们使化学家远离危险物质，从而保障他们的安全，同时又赋予他们进行更高层次推理和创造性探索的能力。机器人化学家并非取代人类的专业知识，而是对其进行增强，使科学家能够应对更具挑战性的难题，并加速解决曾经被认为无法解决的问题。

全自动化智能实验室的愿景令人向往，但其实现并非一帆风顺。人工智能与机器人技术的融合开辟新的可能性，但要充分发挥机器人化学家的潜力，仍需应对几个关键挑战。

其中最紧迫的挑战之一是缺乏标准化、模块化的硬件和软件。在硬件方面，传统的高通量自动化平台仍然僵化且应用单一，限制其对新实验的适应性。相比之下，机器人平台虽然具有更高的可扩展性和灵活性，但它们往往依赖于定制设计或定制工具，难以在不同实验室间复制。为了充分发挥其潜力，机器人系统需要采用模块化、可互操作的组件——类似于化学领域的“乐高积木”——可以根据不同的实验需求进行重新配置。同样限制其发展的是软件方面的标准化不足。每个团队通常都会开发自己的定制控制软件和接口，这使得非专业人员难以大规模地采用这些系统。这种碎片化阻碍技术的广泛应用：化学家不可能掌握每个平台不同的界面。为了实现商业化，业界必须共同开发直观、用户友好且通用的软件框架。

另一个重要的技术挑战在于机器人系统的感知和操控。虽然现代机器人能够处理精确的任务，但它们仍然难以应对真实化学实验室中存在的各种变化和不可预测的情况。一些小小的干扰——例如液体洒出、玻璃器皿形状不规则或小瓶放错位置——都可能导致整个工作流程的失败。除了这些实际问题之外，化学领域还存在一些独特的感知挑战。许多对人类观察者来说显而易见的现象——例如液体开始沸腾、气体冷凝或溶液中形成晶体——对机器人来说却十分微妙，难以检测或解读。弥补这些差距需要更丰富的感官反馈，例如触觉和多模态传感，并结合更先进的控制和感知策略以及能够推理物质转变并动态适应意外情况的人工智能模型。

任何人工智能驱动系统的有效性都取决于其训练数据的质量。在机器人化学领域，合适的数据集匮乏仍然是一个主要障碍。虽然开放数据库（例如开放反应数据库[2]）在共享结构化实验结果方面取得一些进展，但这些资源主要用于人类解读和可复现性，而非大规模训练人工智能模型。诸如多模态传感器数据、实验室操作的上下文注释或成功与失败实验的完整日志等关键要素往往缺失。这限制开发用于感知、操作和自主决策的稳健模型的能力。为了充分发挥机器人化学家的潜力，关键在于创建更丰富、更标准化的数据集，这些数据集专为机器学习和机器人训练而设计，从而确保人工智能系统能够超越狭隘的应用场景，并适应真实实验室的复杂性。

或许，这个新时代最关键的方面在于人-机关系的演变。挑战在于设计真正协作的系统，使人类化学家能够保留智力控制权和创造性自由，而机器人化学家则负责处理劳动密集型和重复性任务。这种协作需要直观的用户界面，并能够实现高层目标的无缝沟通。然而，教育方面也存在另一个障碍：化学专业的本科教育仍然几乎完全侧重于手动工作流程，很少接触自动化或机器人技术。因此，学生所学的手动技术与科研和工业中日益普及的自动化系统之间往往缺乏清晰的过渡路径。如果下一代化学家想要充分利用这些新兴技术，弥合这一差距至关重要。这里的机遇无比巨大，因为这种协同作用可能带来人类或机器人单独工作都无法实现的发现。化学的未来不在于“无人值守”的实验室，而在于能够增强人类创造力的动态合作。