lab-automation

Discovery Foundation Models 被提议作为通用系统，通过迭代问题表述、假设测试和基于证据的修订，在干湿实验室环境中实现开放式科学发现。本文引入了一个具有问题发现和持续改进等能力的框架，并通过Zetema和GALILEO等系统进行实例化。

Anthropic的MHS预览版标准化了实验室和制造设备的设备接口，减少了集成工作，但突出了AI模型控制的挑战，如故障转移问题和快速控制步骤中对确定性代码的需求。

AI通过预测候选药物和降低成本加速药物发现，但成功依赖于高质量数据以及与实验室系统的集成，以实现数据闭环并验证预测。

本文介绍了一种AI代理，它将大型语言模型与实验室编排软件集成，使科学家能够使用自然语言创建、监控和管理自动化的实验室协议。在三个模拟实验室上的评估显示，该代理实现了97%的首次尝试协议生成成功率，并且所需的界面操作大幅减少。

Institute of Science Tokyo 已启用一座完全由机器人运营的全自动化医学研究实验室，其中包括 Maholo LabDroid 人形机器人，并计划到2040年将规模扩展至2000台。该举措旨在实现科学发现全流程的自动化，以应对研究人员短缺问题，并最大限度减少实验工作流中的人为错误。

Anthropic 和 HHMI Janelia Research Campus 正在预览 Model Hardware Standard (MHS)，这是一项共享规范，使 AI 代理能够在实验室和制造环境中安全操作物理设备，大幅减少集成时间。