当前位置:首页 > 科研成果库

人机协同研发:当机器开始自己

2026-11-18 13:32:53小研科研成果库8

凌晨三点,实验室的灯没开。

但机械臂在动。样品盘在转。一个算法在默默改配方。

我第一次看到那段视频的时候,说实话后背有点发麻。不是科幻片。是伯克利那台叫 A-Lab 的设备,连续跑了十七天,合成出四十一种新材料——其中大部分配方,是它自己琢磨出来的。

这事发生在2023年底。现在回头看,它更像一条分界线。

在那之前,我们聊人机协同研发,脑子里想的还是:人出想法,机器算数据。AI 是个超级计算器,顶多帮你筛筛文献、跑跑模拟。

现在呢?机器开始自己提假设、自己做实验、自己看结果、自己改方案。人站在旁边,有时候像个监工,有时候像个……插不上话的旁观者。

这感觉挺复杂的。

自动化实验室机械臂高通量材料合成实景自动化实验室机械臂高通量材料合成实景

先说个反常识的事:全自动实验室,其实最不自动

媒体特别喜欢机器人科学家这个词。听着带劲。

但你要真去那些跑在前面的实验室蹲几天,会发现画面没那么酷炫。A-Lab 那四十一种材料,成功率大概七成左右——剩下三成,是它自己判断失误、或者仪器状态不对导致的白跑。

关键在哪?在于人能及时喊停。

我认识一个做高通量合成的老师,他讲得很直白:机器人不会累,但它也不会觉得不对劲。粉末颜色偏了一点、反应釜压力曲线冒了个小毛刺,这些在人眼里是信号,在机器眼里就是一行正常数据。

所以真正在跑的这些系统,基本都留着人的活口。不是全自动,是人在环上。

human-in-the-loop 这个词被讲烂了。但很少有人说清楚:人到底在环的哪个位置?

我的观察是,人卡在三个地方。定目标、判异常、给惊喜。

目标得人来定,因为机器不知道什么值得做。异常得人来看,因为意外往往藏在数据的缝里。至于惊喜——这个后面说。

从算得快到动手做,中间隔着一条命

AI 进科研其实是两步走。

第一步,纯计算。AlphaFold 预测蛋白质结构,GNoME 一口气甩出两百多万种候选晶体。这一步已经把很多人震住了。

但候选归候选。预测出来的东西,得有人做出来、测出来,才算数。

于是有了第二步:让 AI 直接驱动实验设备。

麻烦就麻烦在这儿。计算是干净的,实验是脏的。

你让模型写个配方很轻松。可现实里,移液枪堵了、试剂受潮了、室温高了两度——任何一个变量都能让结果天翻地覆。这些脏知识,老实验员靠手感积累,写不进论文,也很难喂给模型。

这就是那道墙。

卡内基梅隆那帮人搞的 Coscientist 算是绕了个巧劲。他们没去硬啃设备控制,而是让 GPT-4 去读仪器手册、查资料、写代码,把现成的自动化平台指挥起来。等于用大模型的泛化能力,去弥合设备和知识之间的裂缝。

思路挺聪明。但也暴露了问题:模型能指挥,不代表它理解。它能照着手册跑流程,可一旦出了手册没写的状况,还是得人来兜底。

AI大模型驱动自动化实验平台任务分解流程图AI大模型驱动自动化实验平台任务分解流程图

现在行业里,热的是代理,冷的是数据

2024年下半年到现在,圈子里最火的一个词是 Agent——代理式 AI。

说白了,就是让模型不只回答问题,而是能自己拆任务、调工具、一步步往下走。

做研发这件事,天然适合 Agent。因为研发本身就是一个提出假设、设计实验、执行、分析、修正的循环。Agent 恰好能干这个循环。

但我得泼盆冷水。

这个行业当下最大的瓶颈,根本不是模型不够聪明。是数据。

而且,是那种没法公开、格式混乱、躺在各家公司硬盘里的实验数据。

公开文献里写的实验,很多是美化过的成功案例。失败的、跑偏的、参数微调的那一大堆过程数据,才是最值钱的训练燃料。可没人愿意拿出来。

所以你看到一种很拧巴的局面:模型能力在飞,但真正能落地的人机协同系统,进展慢。慢在生产数据的那一端。

那人类还剩什么?我反而觉得更值钱了

回到刚才说的惊喜。

前阵子有个材料领域的例子挺有意思。一个团队用 AI 筛催化剂,模型给出的最优解性能确实好,但成本高得离谱,工业上没法用。

后来是个博士生提了一句:能不能反过来,从便宜的元素里找?

结果换了个搜索空间,找到了一个次优、但便宜得多的方案。

你看,模型没做错。它严格按目标函数找最优。是人的常识和约束感,把问题重新定义了一遍。

所以我一直觉得,人机协同研发这个词,重点不在机,在协。机器负责在巨大空间里狂奔,人负责在关键路口说:这条道不对。

提问的能力、定义问题的能力、判断什么值得做的能力——这些以前被当成软实力的东西,现在硬得不得了。

甚至可以说,模型越强,这类能力越稀缺。因为它把执行端的门槛拉平了,剩下的差距全压在判断上。

最后说点实在的

最后说点实在的最后说点实在的

如果你现在带着研发团队,想往人机协同上靠,我给三个不太官方的建议。

第一,先别想全自动。把人机接口做顺,让机器干的活能被快速验证,比追求无人实验室实在得多。

第二,把失败数据当资产。这个反直觉,但是真话。你团队里那些试了不行的记录,可能比成功案例更值钱。

第三,让懂业务的人去调模型,别全扔给算法团队。研发里的隐性知识,得有人翻译成机器能听懂的话。

哦对,还有一点。

别指望这套东西一来就提效三倍。它更像一次漫长的换挡。踩离合的那段时间,车反而会顿一下。

熬过去,才是另一回事。