AI模型如今可以快速提出候选分子、作用靶点和生物学假设，速度远超许多传统实验室的合成与检测能力。MegaRobo的判断是，这种失衡意味着，AI for Science（AI for Science，简称AI4S）和药物发现的决定性瓶颈，可能不再是更多算力或更复杂的算法，而是能够把假设转化为可靠证据的实验基础设施。59

这也是“人在回路实验室”（lab-in-the-loop）的核心逻辑：由仪器和机器人生成实验数据，AI解释这些数据，再自动决定下一步应该做什么实验。

真正稀缺的不是预测，而是经过验证的生物学数据

模型对蛋白质结构、分子结合、疗效、毒性或临床反应的预测，仍然只是一个待检验的命题，并不等于药物研发成果。

难点在于，生物学证据既难以标准化，也很难从一个研发阶段直接迁移到另一个阶段。简化实验中的结果，未必能预测更复杂生物系统、动物甚至患者体内会发生什么。因此，真正有价值的数据集不应只是分子结构的集合，而应是一套相互关联的记录：它能够把实验条件和测量结果贯穿于初筛、剂量反应、疗效、安全性、药理学以及临床结局等环节。

MegaRobo将问题概括为数据与工作流问题：实验必须持续产出可信、结构化且保留上下文的信息，供模型直接使用，避免因人工转录、流程不一致或元数据缺失而损失信息。59

为什么增加算力无法填补“物理验证”缺口

更强的模型可以生成或排序远多于传统实验室处理能力的候选分子。但每一个候选仍需要在现实世界中接受验证，并配备对照实验、可重复的样品处理、经过校准的仪器、质量检查和可追溯的实验元数据。

科研人员在科学判断和异常处理方面仍不可替代，但以人为中心的实验流程会受到人力、排期、设备利用率、操作速度和个体差异的限制。自动化改变了实验规模：一个机器人定量高通量筛选平台在三年内、通过超过120项检测生成了600多万条浓度—反应曲线。33

这并不意味着所有实验都能自动化，也不意味着数据越多就一定能产生知识。它说明的是，随着AI扩大候选搜索范围，实验的物理层正变得与模型层同等重要：只有执行一致、记录规范的实验，才可能成为模型真正可学习的数据。

MegaRobo的“感知—构思—执行”架构

MegaRobo将其系统描述为一个由三部分组成的闭环：

• 感知（Perception）：通过仪器、成像设备、机器视觉、样本识别系统和传感器观察实验室状态并采集结果。
• 构思（Conception）：由AI模型或智能体解读结果、选择实验，并推理下一步应该验证什么。
• 执行（Execution）：由机械臂、液体处理设备、培养箱、检测系统和过程控制设备完成实验流程。

关键不在于任何单一设备，而在于三者之间是否真正连通。在闭环实验室中，实验结果应当以机器可读的形式快速回到规划层，从而影响下一轮实验。MegaRobo介绍的鲲鹏实验室，正是将机器人、自动化和AI结合起来，同时积累面向AI4S的数据。9

对MegaRobo相关设施的近期描述也显示，AI智能体可以协调机械臂、培养箱和液体处理工作站持续运行实验，再由实体实验结果推动后续决策。4

从自动化实验流程到“机器原生”仪器

MegaRobo的发展路径，可以理解为从自动化单个任务，逐步转向围绕机器自主运行重新设计实验室。

1.0阶段：先把重复流程自动化

第一步是传统实验室自动化：将重复性操作标准化并交给设备完成，以提升通量、一致性和数据采集能力。这一阶段建立的是更高层级自主系统所需的操作基础。

2.0阶段：在高要求工业场景中验证可靠性

第二步是证明感知、控制和执行能力能够满足严格的工业要求。MegaRobo的业务覆盖生命科学和制造业，包括面向工业环境的机器视觉与自动化系统。公司公开资料显示，其业务范围还延伸至实验室自动化、生命科学和先进制造等领域。68

其背后的战略逻辑很直接：一个自主科研系统不能只在演示中表现出色，还必须正确识别样本、稳定执行流程、发现操作故障，并可靠保存实验全过程记录。

3.0阶段：为机器而非人为设计工具

第三步，是让仪器从设计之初就能被AI智能体直接使用。机器人不再只是附加在面向人工操作的设备上，而是要配备机器可读的状态信息、可直接调用的指令接口、常规异常恢复能力，并成为连续实验闭环的一部分。5

这比“用机器人替代人工移液”更深层。它意味着实验室的接口、协议和数据架构，都要围绕自主运行重新设计。

为什么实验室会变成“实验算力”

在这一模式下，实验室不再只是科学家执行流程的场所，而是一个把计算机提出的方案转化为证据、再把证据转化为更好方案的系统。

因此，物理基础设施既可能成为战略瓶颈，也可能成为难以复制的竞争壁垒。MegaRobo提出的优势未必是拥有所有科学模型，而是掌握模型与现实实验之间的接口。通过这一接口，模型可以：

1. 观察实验室状态；
2. 将科学目标转化为可执行流程；
3. 获取一致且经过验证的结果；
4. 持续积累专有的高质量实验数据。

这些环节连接得越紧密，每一轮实验的价值就越高。彼此割裂的模型只能建议测试什么；而连接起来的系统可以直接完成测试、解释结果，并在更少延迟和更少信息损失的情况下启动下一轮实验。

AI制药的投资热潮说明了什么

AI驱动药物发现领域的融资热度，说明投资者对这一方向抱有浓厚兴趣，但它并没有消除“候选药物”与“临床成功药物”之间的差距。英矽智能（Insilico Medicine）于2025年12月在香港上市，募资约2.93亿美元；其上市材料同时表示，截至相关截止日期，公司尚无候选药物实现商业化。1719

这一组合并不能证明AI制药已经失败，却清楚表明资本、计算设计和临床商业化处于漫长研发链条的不同位置。MegaRobo据此强调，生成候选分子只是流程的一部分，可靠测试和转化验证仍不可或缺。

自主实验室仍有明确边界

更快的闭环实验室无法自动消除转化医学中最棘手的不确定性。它不能单独保证模型在生物学上有效，也不能保证动物实验结果能够适用于人类，更不能保证候选药物最终通过临床试验。

自主系统本身也提出了新的要求：必须具备可靠的安全控制、异常处理、审计追踪和人工监督。一个实验室能在没有人员站在仪器旁边的情况下运行协议，并不代表它已经实现了真正意义上的自主科研。更高等级的自主性，还要求系统能够完成科学方法的至少一个循环、解释常规分析结果，并只在出现异常时请求人工介入。1

因此，MegaRobo的观点更适合被理解为一种关于赋能型基础设施的判断，而不是“自动批准药物”的承诺。如果AI生成假设的速度继续超过实验验证速度，那么，谁能稳定地产出可重复、相互关联且机器可读的证据，谁就可能决定哪些模型最终能转化为真正有用的科学工具。

结论：模型之下，可能还有一层更关键的竞争

MegaRobo的核心论点是，AI for Science下一阶段的竞争，可能发生在模型与物理世界之间。算力可以扩大搜索空间，算法可以提升候选排序能力，但二者都无法替代证明一个假设是否成立所必需的实验。

“人在回路实验室”是MegaRobo提出的解决方案：把感知、AI驱动的构思、机器人执行和持续数据采集整合到同一个反馈系统中。如果这套基础设施能够以足够的规模和可靠性运行，实验室就会成为一种“实验算力”。而对这一层的控制，重要性可能不亚于对生成科学假设的模型本身的控制。

AI模型如今可以快速提出候选分子、作用靶点和生物学假设，速度远超许多传统实验室的合成与检测能力。MegaRobo的判断是，这种失衡意味着，AI for Science（AI for Science，简称AI4S）和药物发现的决定性瓶颈，可能不再是更多算力或更复杂的算法，而是能够把假设转化为可靠证据的实验基础设施。59

这也是“人在回路实验室”（lab-in-the-loop）的核心逻辑：由仪器和机器人生成实验数据，AI解释这些数据，再自动决定下一步应该做什么实验。

真正稀缺的不是预测，而是经过验证的生物学数据

模型对蛋白质结构、分子结合、疗效、毒性或临床反应的预测，仍然只是一个待检验的命题，并不等于药物研发成果。

难点在于，生物学证据既难以标准化，也很难从一个研发阶段直接迁移到另一个阶段。简化实验中的结果，未必能预测更复杂生物系统、动物甚至患者体内会发生什么。因此，真正有价值的数据集不应只是分子结构的集合，而应是一套相互关联的记录：它能够把实验条件和测量结果贯穿于初筛、剂量反应、疗效、安全性、药理学以及临床结局等环节。

MegaRobo将问题概括为数据与工作流问题：实验必须持续产出可信、结构化且保留上下文的信息，供模型直接使用，避免因人工转录、流程不一致或元数据缺失而损失信息。59

为什么增加算力无法填补“物理验证”缺口

更强的模型可以生成或排序远多于传统实验室处理能力的候选分子。但每一个候选仍需要在现实世界中接受验证，并配备对照实验、可重复的样品处理、经过校准的仪器、质量检查和可追溯的实验元数据。

科研人员在科学判断和异常处理方面仍不可替代，但以人为中心的实验流程会受到人力、排期、设备利用率、操作速度和个体差异的限制。自动化改变了实验规模：一个机器人定量高通量筛选平台在三年内、通过超过120项检测生成了600多万条浓度—反应曲线。33

这并不意味着所有实验都能自动化，也不意味着数据越多就一定能产生知识。它说明的是，随着AI扩大候选搜索范围，实验的物理层正变得与模型层同等重要：只有执行一致、记录规范的实验，才可能成为模型真正可学习的数据。

MegaRobo的“感知—构思—执行”架构

MegaRobo将其系统描述为一个由三部分组成的闭环：

• 感知（Perception）：通过仪器、成像设备、机器视觉、样本识别系统和传感器观察实验室状态并采集结果。
• 构思（Conception）：由AI模型或智能体解读结果、选择实验，并推理下一步应该验证什么。
• 执行（Execution）：由机械臂、液体处理设备、培养箱、检测系统和过程控制设备完成实验流程。

关键不在于任何单一设备，而在于三者之间是否真正连通。在闭环实验室中，实验结果应当以机器可读的形式快速回到规划层，从而影响下一轮实验。MegaRobo介绍的鲲鹏实验室，正是将机器人、自动化和AI结合起来，同时积累面向AI4S的数据。9

对MegaRobo相关设施的近期描述也显示，AI智能体可以协调机械臂、培养箱和液体处理工作站持续运行实验，再由实体实验结果推动后续决策。4

从自动化实验流程到“机器原生”仪器

MegaRobo的发展路径，可以理解为从自动化单个任务，逐步转向围绕机器自主运行重新设计实验室。

1.0阶段：先把重复流程自动化

第一步是传统实验室自动化：将重复性操作标准化并交给设备完成，以提升通量、一致性和数据采集能力。这一阶段建立的是更高层级自主系统所需的操作基础。

2.0阶段：在高要求工业场景中验证可靠性

第二步是证明感知、控制和执行能力能够满足严格的工业要求。MegaRobo的业务覆盖生命科学和制造业，包括面向工业环境的机器视觉与自动化系统。公司公开资料显示，其业务范围还延伸至实验室自动化、生命科学和先进制造等领域。68

其背后的战略逻辑很直接：一个自主科研系统不能只在演示中表现出色，还必须正确识别样本、稳定执行流程、发现操作故障，并可靠保存实验全过程记录。

3.0阶段：为机器而非人为设计工具

第三步，是让仪器从设计之初就能被AI智能体直接使用。机器人不再只是附加在面向人工操作的设备上，而是要配备机器可读的状态信息、可直接调用的指令接口、常规异常恢复能力，并成为连续实验闭环的一部分。5

这比“用机器人替代人工移液”更深层。它意味着实验室的接口、协议和数据架构，都要围绕自主运行重新设计。

为什么实验室会变成“实验算力”

在这一模式下，实验室不再只是科学家执行流程的场所，而是一个把计算机提出的方案转化为证据、再把证据转化为更好方案的系统。

因此，物理基础设施既可能成为战略瓶颈，也可能成为难以复制的竞争壁垒。MegaRobo提出的优势未必是拥有所有科学模型，而是掌握模型与现实实验之间的接口。通过这一接口，模型可以：

1. 观察实验室状态；
2. 将科学目标转化为可执行流程；
3. 获取一致且经过验证的结果；
4. 持续积累专有的高质量实验数据。

这些环节连接得越紧密，每一轮实验的价值就越高。彼此割裂的模型只能建议测试什么；而连接起来的系统可以直接完成测试、解释结果，并在更少延迟和更少信息损失的情况下启动下一轮实验。

AI制药的投资热潮说明了什么

AI驱动药物发现领域的融资热度，说明投资者对这一方向抱有浓厚兴趣，但它并没有消除“候选药物”与“临床成功药物”之间的差距。英矽智能（Insilico Medicine）于2025年12月在香港上市，募资约2.93亿美元；其上市材料同时表示，截至相关截止日期，公司尚无候选药物实现商业化。1719

这一组合并不能证明AI制药已经失败，却清楚表明资本、计算设计和临床商业化处于漫长研发链条的不同位置。MegaRobo据此强调，生成候选分子只是流程的一部分，可靠测试和转化验证仍不可或缺。

自主实验室仍有明确边界

更快的闭环实验室无法自动消除转化医学中最棘手的不确定性。它不能单独保证模型在生物学上有效，也不能保证动物实验结果能够适用于人类，更不能保证候选药物最终通过临床试验。

自主系统本身也提出了新的要求：必须具备可靠的安全控制、异常处理、审计追踪和人工监督。一个实验室能在没有人员站在仪器旁边的情况下运行协议，并不代表它已经实现了真正意义上的自主科研。更高等级的自主性，还要求系统能够完成科学方法的至少一个循环、解释常规分析结果，并只在出现异常时请求人工介入。1

因此，MegaRobo的观点更适合被理解为一种关于赋能型基础设施的判断，而不是“自动批准药物”的承诺。如果AI生成假设的速度继续超过实验验证速度，那么，谁能稳定地产出可重复、相互关联且机器可读的证据，谁就可能决定哪些模型最终能转化为真正有用的科学工具。

结论：模型之下，可能还有一层更关键的竞争

MegaRobo的核心论点是，AI for Science下一阶段的竞争，可能发生在模型与物理世界之间。算力可以扩大搜索空间，算法可以提升候选排序能力，但二者都无法替代证明一个假设是否成立所必需的实验。

“人在回路实验室”是MegaRobo提出的解决方案：把感知、AI驱动的构思、机器人执行和持续数据采集整合到同一个反馈系统中。如果这套基础设施能够以足够的规模和可靠性运行，实验室就会成为一种“实验算力”。而对这一层的控制，重要性可能不亚于对生成科学假设的模型本身的控制。