防走失，電梯直達安全島

來源：知識分子

作者：劉少山 唐潔

圖源：Pixabay

● ● ●

具身智能（Embodied Artificial Intelligence，EAI）是指將人工智能系統嵌入具有物理形態(tài)的實體之中，使其能夠感知環(huán)境、從經驗中學習，并在與真實世界的持續(xù)交互中形成認知、決策與行動能力[1]。與以符號推理或純計算為中心的傳統人工智能不同，具身智能強調智能并非脫離物理世界而存在，而是必須通過身體進入環(huán)境，在行動與反饋的循環(huán)中不斷演化。

當這一思想被系統性地引入科學發(fā)現過程時，便形成了面向科學研究的具身智能（Embodied AI for Science，EAI4S）。在這一新范式下，自主智能體直接置身于實驗室等真實科研環(huán)境中，能夠感知實驗狀態(tài)，執(zhí)行實驗操作，并在實踐中學習和積累實驗技能；同時，智能體并非只是機械地執(zhí)行流程，而是通過與物理世界的持續(xù)交互，不斷調整其科學推理、實驗設計與決策策略。面向科學研究的具身智能的核心潛力，在于從根本上重塑科學發(fā)現的方式，通過更快的實驗迭代、更穩(wěn)健的實驗執(zhí)行，以及對因果關系和機理結構的持續(xù)探索，突破當前科研活動在效率、可重復性和知識積累方式上的結構性瓶頸。

本文將系統回顧機器人實驗室的發(fā)展歷程，分析現有技術體系的內在局限，并討論邁向真正具身化科學智能所需的關鍵突破方向。

01

機器人實驗室的發(fā)展脈絡

機器人實驗室最早的標志性進展，來自在物理系統中首次實現端到端自治的科學發(fā)現閉環(huán)。2004年，Ross D. King 團隊在功能基因組學領域展示了一套機器人科學家系統，該系統能夠在真實實驗環(huán)境中自動生成科學假設，并通過實驗加以驗證[2]。這一工作首次證明，提出假設、設計實驗、執(zhí)行實驗和分析結果這一完整的科學方法流程，可以被形式化并交由機器在物理世界中閉環(huán)運行。

在此基礎上，2009年提出的 Adam 系統對機器人科學家的思想進行了進一步的系統化和工程化實現[3]。Adam 系統明確編碼了假設生成與實驗驗證相結合的科學推理循環(huán)，并強調實驗過程的機器可讀表示、實驗數據與流程的完整記錄，以及結果的可追溯性和可重復性。圍繞這些系統，相關研究逐步總結出機器人科學家的通用技術架構，包括科學知識表示、假設生成、實驗設計、機器人執(zhí)行以及基于實驗結果的迭代學習等關鍵模塊。

機器人實驗室發(fā)展的第二個重要階段，是從以科學假設為中心的系統，轉向以閉環(huán)優(yōu)化為核心的自驅動實驗室（self-driving laboratories）。隨著實驗自動化平臺的成熟以及機器學習方法在實驗設計中的廣泛應用，研究重心逐漸轉向如何在資源受限的條件下，高效探索復雜、高維的實驗空間。這一階段通常采用主動學習和貝葉斯優(yōu)化等方法，使系統能夠根據實驗反饋動態(tài)調整實驗策略，從而提高探索效率[4]。

2020年提出的移動機器人化學家系統，是這一范式的重要里程碑[5]。該系統在真實的人類實驗室環(huán)境中連續(xù)多天自主運行，能夠獨立選擇實驗條件、執(zhí)行實驗并根據結果調整后續(xù)決策，展示了自驅動實驗室在長期穩(wěn)定運行和復雜決策方面的可行性。進入2020年代初，綜述性研究對這一范式進行了系統總結，并普遍指出，系統集成的可靠性、自動化執(zhí)行的穩(wěn)健性以及實驗數據與流程的標準化溯源，是制約自驅動實驗室進一步擴展的主要工程瓶頸。

最近，隨著大語言模型和工具增強智能體架構的快速發(fā)展，機器人實驗室開始引入語言模型作為科研工作流的高層組織與編排機制[6,7]。這類系統能夠將研究目標轉化為具體的實驗計劃，協調軟件工具與物理儀器，并對端到端實驗流程進行統一管理。已有研究表明，這種以語言模型為核心的系統在任務靈活性、跨領域泛化能力以及流程重組方面，顯著優(yōu)于早期針對單一任務設計的機器人系統。

02

邁向面向科學研究的具身智能

盡管機器人科學家、自驅動實驗室以及基于語言模型的實驗室系統取得了顯著進展，但從本質上看，這些系統仍主要依賴自動化執(zhí)行和數值優(yōu)化，而尚未形成真正意義上的科學智能。它們在執(zhí)行預定義實驗流程、在參數空間內高效搜索以及組織復雜實驗操作方面表現突出，但通常仍受限于人類預先設定的表示體系，在面對真實實驗環(huán)境中的物理不確定性、概念抽象以及科學機理理解時能力不足。

彌合這一差距，正是邁向面向科學研究的具身智能的關鍵所在。在這一新階段，自主智能體不僅能夠運行實驗，更能夠將實驗室視為一個持續(xù)變化的物理世界，通過不斷的感知、推理與行動，實現對實驗過程的深度理解和主動適應。實現這一轉變，需要在三個彼此耦合的方向上取得突破。

首先是具身世界模型與實驗技能學習。需要構建多模態(tài)的感知與動作模型，用以刻畫實驗環(huán)境的動力學特征，并支持實驗操作技能的學習、復用與組合，使系統能夠在復雜環(huán)境中實現超越人工腳本的穩(wěn)健操作。

其次是因果關系與科學機理層面的推理能力。系統應從單純追求實驗結果優(yōu)化，轉向對因果結構和機理解釋的發(fā)現，通過具有可識別性的實驗設計和理論約束，形成具有解釋力和遷移能力的科學知識。

第三是可驗證的自主運行與科學操作系統。這要求構建具備安全約束和審計能力的智能體架構，并通過對實驗動作、數據與溯源信息的統一規(guī)范，使具身化的科學智能體能夠在不同實驗室、不同學科之間可靠擴展，同時保持科研結果的可信性與可重復性。

03

為何面向科學研究的具身智能具有現實緊迫性，

以及開放為何關鍵

當前全球科學發(fā)現能力呈現出顯著的不均衡分布。這種不均衡并非主要源于科學思想或人才儲備的差異，而是深植于實驗基礎設施獲取能力的結構性差距之中。從統計結果看，全球被主要數據庫收錄的科學論文中，超過85%來自高收入和中高收入國家，而低收入地區(qū)在全球科研產出中所占比例極低[8]。這一事實表明，當代科學研究越來越受到實驗條件、設備成本以及系統可靠性的制約。

面向科學研究的具身智能為緩解這一結構性問題提供了一條現實可行的路徑。通過將隱性的實驗經驗轉化為可復用的具身技能，并借助穩(wěn)定的閉環(huán)運行機制和標準化的實驗流程，相關系統有望在有限投入條件下顯著提升科研產出效率。如果這一技術體系在設計之初就堅持開放和可負擔原則，科研基礎相對薄弱的地區(qū)便有可能跨越傳統重資產實驗室建設路徑，更有效地參與前沿科學研究。這一理念與聯合國教科文組織提出的開放科學原則高度一致，其核心目標正是通過共享和互操作的科研基礎設施，縮小全球知識生產的結構性差距[9]。

04

開源、標準化與可負擔的技術路徑，以及中國的角色

面向科學研究的具身智能標志著機器人實驗室從自動化工具，邁向具備學習、推理和決策能力的科研主體。要使這一轉變真正產生廣泛而持久的影響，必須在技術路線和制度設計上堅持三項基本原則。

第一，堅持開源導向。通過開放核心系統、模型和實驗技能，科研群體才能在共享與協作中持續(xù)積累能力，避免基礎技術重復建設，從而加快整體創(chuàng)新節(jié)奏。

第二，系統推進標準化建設。實驗動作、硬件接口、數據格式以及實驗溯源機制的統一，是實現跨平臺協作、跨實驗室遷移和跨領域擴展的前提條件，也是科學結果可驗證性和可復現性的制度基礎。

第三，將可負擔性作為核心設計目標。面向科學研究的具身智能不應僅服務于少數頂尖實驗室，而應成為更多科研機構可以部署、維護并持續(xù)演進的公共技術能力。

在這一關鍵窗口期，中國具備在該領域發(fā)揮更大作用的現實基礎。完善的制造體系、突出的工程化能力以及豐富的科研應用場景，使中國有條件將面向科學研究的具身智能從實驗室原型推進為可規(guī)?；募夹g體系。

未來，中國應在國家科研基礎設施布局中明確支持相關平臺建設，積極參與并引領國際標準制定，并通過開源技術與國際合作，將成熟的系統和經驗向全球，尤其是科研資源相對不足的地區(qū)輸出。通過這一方式，中國不僅能夠加快自身科學發(fā)現進程，也有望在新一輪科研范式變革中，成為面向科學研究的具身智能技術與公共能力的重要全球供給者。

論文鏈接：

[1] Fan, W., Liu, S. Putting the smarts into robot bodies. Communications of the ACM, 2025, 68(3): 6–8.

[2] King, R. D. et al. Functional genomic hypothesis generation and experimentation by a robot scientist. Nature, 2004, 427(6971): 247–252.

[3] King, R. D. et al. The automation of science. Science, 2009, 324(5923): 85–89.

[4] H?se, F., Roch, L. M., Aspuru-Guzik, A. Next-generation experimentation with self-driving laboratories. Trends in Chemistry, 2019, 1(3): 282–291.

[5] Burger, B. et al. A mobile robotic chemist. Nature, 2020, 583(7815): 237–241.

[6] Boiko, D. A. et al. Autonomous chemical research with large language models. Nature, 2023, 624(7992): 570–578.

[7] Bran, A. M. et al. Augmenting large language models with chemistry tools. Nature Machine Intelligence, 2024, 6: 525–535.

[8] National Science Board. Publications Output: U.S. Trends and International Comparisons. NSB-2023-33, 2023.

[9] UNESCO. UNESCO Recommendation on Open Science. 2021.