波士顿大学 DAMP 实验室的一名研究人员正在使用 Opentrons Flex 机器人。图片来源：Opentrons Labworks Inc.

制药公司和研究机构正在使用人工智能大规模设计机器人实验，但他们需要在处理有价值的样本和试剂之前知道人工智能生成的指令是否能够正确执行。 Opentrons Labworks Inc. 今天宣布推出 Opentrons Flex 协议可视化，这是一种新的模拟和可视化功能。

该功能允许科学家在动态虚拟环境中模拟和检查机器人协议，然后再在 Flex 系统上运行它们。该界面使用户能够观察自动化工作流程的每个步骤。

“此功能Opentrons 首席执行官 James Atwood 表示：“Lity 为研究人员提供了一种在实验开始前模拟和检查机器人执行情况的动态方式，在计算设计和物理实验室工作流程之间建立了更清晰的桥梁。”“随着人工智能系统提出更多的实验，研究人员需要基础设施，使这些实验在到达实验台之前变得易于理解、可检查和可重复。”

Opentrons 成立于 2013 年，表示已在全球部署了 10,000 多个机器人系统，其中包括领先研究机构的安装大学和许多世界上最大的生物制药公司。

可视化工具在现有协议上运行

Opentrons 表示，它支持在其软件生态系统中编写的协议，包括 OpentronsAI、Python Protocol API 和 Protocol Designer 应用程序。科学家可以检查工作流程并观察微升级别的液位变化。

该系统还包括一个 Slot Spotlight 视图，可提供是各个甲板位置的附加细节。这家总部位于纽约的公司解释说，这使用户能够在整个运行过程中监控孔体积和模块状况。

对于开发复杂自动化工作流程的实验室，这种级别的检查可以支持更快的调试和方案细化。 Opentrons 指出，科学家可以离线审查工作流程，而无需中断正在进行的实验室操作。

新功能将通过 Opentrons 应用程序版本 9.0 提供，计划于 2026 年 4 月发布。

Opentrons 首席执行官解释实验室功能的工作原理

阿特伍德回答了机器人报告中的以下问题：

Opentrons 的模拟和检查层是与硬件无关？如果没有，它是否涵盖了一组特定的程序？

Atwood：模拟和可视化环境是专门为 Opentrons Flex 机器人平台编写的协议而设计的。系统采用任何有效的 Flex 协议，并允许用户模拟和检查机器人将如何执行它。这包括从简单的液体转移到具有数千个机器人动作的复杂工作流程的一切。

科学家可以逐步执行几乎任何规模的协议，从少数步骤到包含 10,000 个或更多动作的工作流程，并在运行实验之前观察移液、液体处理、实验室器具运动和模块状态。由于模拟环境反映了 Flex 执行环境，因此研究人员可以在投入试剂、耗材和仪器时间之前准确了解机器人的行为方式。

为什么制药行业在解决人工智能验证问题方面进展缓慢？它们有多严重？

阿特伍德：部分挑战在于，验证实验所需的大部分专业知识历来都是隐性的实验室知识，而不是形式化的数据。很多前任实验故障排除依赖于经验丰富的科学家在工作台上注意到的情况：液体在孔板中的行为、反应进行过程中的情况，或者工作流程中是否出现了一些微妙的问题。这种观察专业知识很难直接编码到人工智能系统中。

换句话说，人工智能不知道它不知道什么。许多验证挑战只有在实验与物理世界相互作用时才会显现出来。这就是为什么业界现在关注我们所说的物理人工智能：将语言模型与感知和现实世界数据相结合的系统

这些系统不再仅仅依赖文档或协议，而是越来越需要来自真实实验的视觉数据、传感器数据和执行数据。验证挑战是严峻的，但随着自动化平台生成更加结构化的实验数据以及人工智能模型开始直接与实验室环境交互，它也是可以解决的。

Opentrons Flex 协议可视化旨在在执行前大规模测试机器人生物制药实验。来源：Opentrons

您能描述一下 Opentrons 的生成式 AI 是如何进行的吗？如何确保可重复性和可解释性？

Atwood：OpentronsAI 背后的生成人工智能将科学意图转化为可执行的自动化协议。

在较高层面上，该系统使用大型语言模型与检索增强生成 (RAG) 架构相结合，这些模型参考了 Opentrons 的文档以及由 Ope 开发和验证的实验室协议和自动化工作流程的大型内部知识库。多年来，当科学家用自然语言描述实验时，系统会从该数据库中检索相关示例和结构化知识，并使用该上下文生成适合在机器人上执行的协议。

可重复性和可解释性来自多个控制层。生成的协议是完全可检查的基于 Python 的自动化工作流程，这意味着研究人员可以在执行之前检查、编辑和验证步骤。结构化提示还确保输入捕获生成可靠的自动化协议所需的信息。

在实践中，人工智能可以帮助科学家更快地从实验想法转变为可执行的工作流程，同时仍然允许在实验运行之前进行人工监督和检查。

Opentrons 是否与特定实验室自动化供应商和最终用户合作开发此产品，如果是，它学到了什么？

Atwood：开发过程中得到了一批测试版用户的广泛反馈，其中包括在 Flex 平台上构建自动化工作流程的研究人员。其中一个关键见解是，随着人工智能生成的协议变得越来越复杂，研究人员需要更好的方法在执行之前检查、理解和调试工作流程。

与此同时，Opentrons 还与人工智能和机器人合作伙伴（包括 NVIDIA 和 HighRes Biosolutions）合作，作为将人工智能系统与物理实验室自动化连接起来的更广泛努力的一部分。这些合作正在帮助推动生态系统向物理人工智能方向发展，其中自主系统可以推理实验、与机器人平台交互，并根据现实世界的反馈进行调整。

自主科学如何发展，还存在哪些挑战？

阿特伍德：发展轨迹是走向日益自主的实验室，人工智能系统可以设计实验、通过机器人执行实验、观察结果并完善实验。

要实现这一目标，需要结合多种功能：

• 推理系统，通常由大型语言模型提供支持，可以规划实验
• 感知系统，例如视觉语言模型，允许人工智能观察真实实验中发生的情况
• 物理人工智能系统，将这些模型连接到实验室自动化平台，以便可以在现实世界中执行实验

Opentrons 提供了用于此开发的基础设施层，将人工智能驱动的意图与自动化实验室硬件上的可靠执行连接起来。最大的挑战是在数字智能和物理实验之间建立可靠的反馈循环。与纯粹的数字领域不同，生物学需要从真实的实验室环境中捕获结构化数据：视觉观察、仪器输出和环境信号。

该领域取得了快速进展，包括模拟和数字孪生方面的进步在 NVIDIA Isaac 等环境中，有助于在 AI 系统与真实实验室硬件交互之前对其进行训练和测试。