大模型與 Agent 技術正加速重塑科研范式。 諸如可生成科學假設的 Co-Scientist、自動化多智能體系統 Robin 等，正深度滲透至文獻解構、假設生成、代碼編寫及數據分析等 “干實驗” 環節。這表明，AI 已然超越單純的輔助工具，正作為數字化 “研究伙伴” 深度參與科研流程。

然而，從產業落地的視角審視，自主科學發現必須實現濕實驗閉環。 醫藥研發、化學合成及新材料創制等場景，本質上是與物理世界進行長程交互的復雜系統工程。這意味著，AI for Science 的下一步，不僅要求 AI “擅長構想實驗”，更亟需探索如何讓 AI 深度融入真實實驗系統，確保物理裝置能夠長周期、高穩定、安全可控地運行。

晶泰科技聯合復旦大學、浙江大學和同濟大學等提出了 LabHarness 框架。 在通用智能體領域，“Harness” 作為運行框架，核心在于協助 Agent 進行工具調用、狀態管理、過程追溯及異常容錯。而在更為復雜的物理實驗室場景中，面對設備協同、樣品流轉、環境狀態及安全邊界等多元異構要素，AI 生成的實驗方案極難直接轉化為穩定的物理流水線。因此，將 Harness 的 “狀態控制與穩定保障” 思想延伸至實驗室生態，構建起連接數字智能與實體裝置的 “LabHarness”，正是我們當前致力于攻堅的關鍵技術路徑。

LabHarness 是一種面向真實實驗室的運行保障層。它位于科學智能與真實實驗系統之間，嘗試把 AI 生成的實驗計劃，轉化為真實設備可以執行、系統可以監測、異常可以處理、過程可以追溯、關鍵節點可以審批的實驗流程。如果說科學智能負責提出實驗目標和策略，實驗設備負責完成具體操作，那么 LabHarness 要做的是，讓這兩者之間的連接更加可靠。

為什么長周期自主實驗室

需要LabHarness？

真實實驗室并不是一個穩定不變的環境，自動化執行過程中需要面對一個核心挑戰：漂移。

• 設備會漂移

移液設備可能出現液面識別誤差，機械臂位置可能發生細微偏移，傳感器讀數也可能隨時間產生變化。

• 樣品會漂移

樣品位置可能發生變化，等待時間可能超出實驗允許范圍，溫度、濃度、揮發、污染等因素也會改變樣品狀態。

• 流程會漂移

某個任務的延遲可能影響后續多個步驟，局部失敗可能導致隊列阻塞，某一步看似已經完成，但真實狀態卻尚未同步。

• 數據也會漂移

條碼綁定、檢測結果、設備日志、任務狀態與樣品狀態之間可能出現不一致。

因此，當 AI 設計出一套實驗方案后，不能直接假設自動化平臺可以穩定、連續、無誤地執行。其中一個解決思路，是借鑒世界模型的理念：在真實執行前，先對實驗方案進行虛擬預演，以驗證方案的可靠性和可執行性。在這一過程中，系統需要提前審查設備能力、孔位映射、稱量閾值、UPLC 隊列等關鍵約束。下面的 demo 展示了在 AI 完成實驗流程設計后，LabHarness 如何對流程進行審查與虛擬預演，并在正式執行前成功識別出 “托盤偏移” 和 “A7 固體過量投料” 等潛在風險。

然而，靜態的預演無法完全預測動態的未來。當實驗真正開始、長達數天甚至數周的自動化流程運轉起來時，物理世界的 “漂移” 依然會如期而至。因此，長周期自主實驗的關鍵，并不是簡單地 “讓設備自動執行”，而是要解決以下問題：

• 系統如何精準捕獲正在發生的、細微的漂移？

• 面對漂移，系統如何判斷哪些操作可以繼續，哪些必須暫停？

• 出現異常后，系統如何動態重規劃（Re-planning），盡可能將實驗過程自主糾正回來？

LabHarness如何支撐

實驗室運行？

LabHarness 不是一個單一模塊，而是一套面向真實實驗室的運行保障框架。

從整體上看，它需要把 AI 計劃、實驗知識、現場感知、設備能力和虛擬驗證連接起來。為此，我們正在探索四類基礎組件：

• 知識本體系統（LabOntology）

讓系統 “懂規則”。它把設備、樣品、實驗流程、操作規則和安全約束結構化。

• 多模態感知

讓系統 “看得見、接得上”。它深度融合真實實驗環境中的視覺、語言和動作信息，幫助系統實時理解設備狀態、樣品位置、操作意圖以及現場的瞬態變化。

• 標準技能庫

讓系統 “會調用”。它把加料、控溫、攪拌、檢測、轉運等實驗動作封裝成可自由組合、可定量評估、可高頻復用的標準化技能單元，實現設備能力的統一調度與協同。

• 虛擬仿真

讓系統 “先排練”。它在真實實驗執行前提供高精度的虛擬訓練與驗證環境，用于流程預演、異常注入、長程壓測和安全通過性評估，從而最大程度降低實體運行的試錯成本和安全風險。

這四類組件共同支撐起 LabHarness 的閉環運行機制：“多模態感知” 負責精準感知現場態勢，“標準技能庫” 負責輸出靈活的設備操控能力，“虛擬仿真” 負責在執行前完成防錯驗證，而 LabOntology 則作為中樞，提供貫穿全程的知識結構與邏輯安全約束。

LabHarness 要應對長周期實驗中的漂移，不能只靠流程編排。因為真實實驗中的關鍵問題，往往不是 “下一步是什么”，而是 “在當前狀態下，這一步還能不能做”。LabOntology 嘗試把設備、樣品、試劑、容器、實驗步驟、操作規則、安全約束和數據結果結構化，形成可被機器理解和推理的實驗知識網絡。

以下 demo 展示的就是基于 LabOntology 進行實驗方案設計。

有了 LabOntology，LabHarness 可以圍繞 “漂移” 實現三類關鍵能力：

第一，檢測。判斷設備、樣品、流程和數據狀態之間是否出現不一致，及時識別潛在偏差。

第二，約束。判斷當前操作是否仍然滿足實驗條件、設備能力、樣品狀態以及安全邊界。

第三，糾正。當偏差出現后，輔助系統選擇自動重試、替代路徑、任務暫停，或提交人工審批。

例如，一個樣品需要在特定溫度區間內保存，并且離開恒溫環境的時間不能超過規定上限。此時，系統不能僅按照預設流程順序轉運樣品，而必須結合當前設備隊列、轉運路徑、儀器可用性和樣品實時狀態，判斷任務是否仍然滿足實驗約束。再比如，當 AI 建議調整某個關鍵反應參數時，系統需要判斷該參數是否處于設備允許范圍內，是否觸及安全邊界，是否會影響下游檢測，以及是否需要科學家審批。

以下 demo 展示了這一過程：系統在虛擬預演中發現風險，例如 “托盤偏移”和 “A7 固體過量投料”；隨后訓練并生成對應的技能包，例如 “托盤定位糾偏” 和 “稱量閉環重做”；加載技能包后，系統再次進行預演。重復預演通過后，系統會生成技能包、UPLC 檢測隊列和審計記錄，并最終下發給真實的合成工作站設備執行。

因此，LabOntology 是 LabHarness 從 “流程驅動” 走向 “邏輯驅動” 的關鍵。它讓 LabHarness 不只是 “會執行”，而是開始具備 “懂條件、懂邊界、懂依賴、懂風險” 的能力。LabHarness 的目標，并不是讓 AI 自由行動，而是在強邏輯約束下，讓 AI 更穩妥、更可靠地參與真實實驗運行。

從概念到初步驗證

目前，LabHarness 仍處于前沿探索階段。我們并不認為現階段長周期自主實驗室可以一步到位地在開放場景中實現完全自主。相反，真實實驗室中的設備差異、樣品差異、環境波動、安全要求以及數據一致性等問題，都需要長期積累、持續驗證和逐步解決。

因此，我們的思路是從端到端流程較短、邊界相對清晰的應用場景切入，構建覆蓋 AI 規劃、實驗流程編排、設備執行、狀態記錄與數據反饋的最小閉環。通過自主實驗在具體場景中持續產生學術價值和經濟價值的過程，發現問題和進行工程化迭代，使 LabHarness 從概念逐步轉化為可運行、可驗證、可擴展的實驗框架。在此基礎上，LabHarness 后續可以逐步拓展至更長流程的實驗場景，覆蓋更多任務類型、更多異常情況以及更長時間尺度的運行測試。從一次性演示走向長期穩定運行，所需要的并不是單個模型、單臺設備或單條流程，而是一套能夠持續監測實驗狀態、施加運行。

用AI駕馭實驗室,

還需要一條安全帶

AI 自主實驗平臺的突破，不只是讓 AI 更會設計實驗，也不只是讓設備更會自動執行。真正值得探索的問題是：當真實實驗系統在長周期運行中不斷發生漂移時，AI 如何保持實驗過程盡可能準確、穩定、安全和可恢復。

LabHarness 正是沿著這一思路提出的前沿探索：把實驗對象、操作規則、設備能力、安全邊界和運行狀態組織起來，使系統能夠嘗試檢測漂移、施加邏輯約束、輔助異常糾正，并在關鍵節點引入人類審批。

真正的 AI 自主實驗室，不只是有聰明的 Agent，也不只是有自動化設備，更需要一套能夠幫助 AI 駕馭長周期實驗運行的系統工程。