自驱动实验室
| 节点 ID | technology.self-driving-laboratory |
|---|---|
| 阶段 | 当前 |
| 状态 | 进行中 |
| 时间 | 2010年代至今 |
| 前置依赖 | 机器人、实验接口、机器表征、主动学习和安全控制 |
| 持续性作用 | 把假设—实验—测量—更新变成自动闭环 |
| 解锁条件 | 跨实验室复现、故障治理和可验证科学产出 |
| 证据来源 | 证据来源：A-Lab 2023；证据来源：NIST人工智能风险管理框架1.0 |
自驱动实验室：将计算、机器学习、机器人实验和自动表征组合成闭环科研系统。[1]
本页只描述稳定节点 technology.self-driving-laboratory，不把相邻研究对象、商业产品或科幻想象合并进同一技术状态。阶段为当前，模板状态为进行中，时间字段为“2010年代至今”。
“已实现”只表示至少一个受监管产品、特定适应证或可重复工程系统存在，不表示覆盖所有人群、疾病、环境或主体持续性目标。
历史前置包括实验室自动化、机器人、标准化仪器接口、贝叶斯优化和主动学习。
历史技术谱系将上述历史前置条件与本节点的直接技术依赖分开：前者解释概念和工程来源，后者必须在当前实现中实际可用。
- 机器人
- 实验接口
- 机器表征
- 主动学习和安全控制
- 技术奇点与自动化科研：域级前置、边界或验证环境
- 科研基础设施与开放科学转化：域级前置、边界或验证环境
若其中任一安全关键依赖缺失，应降级为受阻、受限研究或人工监督模式，而不是用未来能力补写现实缺口。
模型选择下一实验，机器人执行，仪器测量并自动做质量控制，结果回流更新模型和实验计划。 原页机制摘要：系统根据历史数据和实验结果选择下一次实验，再把测量结果回流更新策略。
目标变量：
- 节点直接目标：把假设—实验—测量—更新变成自动闭环
- 实验动作空间与机器可读协议
- 仪器校准和异常检测
- 主动学习效率
- 重复性与跨实验室迁移
- 安全约束、日志和人工接管
直接依赖与输入 -> 机制发生并改变目标变量 -> 局部组织/设备/信息状态变化 -> 主体能力、恢复窗口或风险函数变化 -> 以最终功能、生存、安全和可及性终点验证净收益
对 Human Infra 的预期作用：它提高单位时间实验轮次，并可能加快材料、药物和生物工程发现。 该作用是适应证与情境限定的；不能从机制直接推出有效永生。
- 目标风险：与“把假设—实验—测量—更新变成自动闭环”对应的器官失效、功能丧失、信息丢失、不可逆损伤或技术等待失败。
- 主体能力：仅在已验证的任务、适应证和环境中记录交流、行动、感知、内稳态、恢复或研究加速能力。
- 竞争风险：延长某一系统可用时间可能增加感染、癌症、血栓、设备依赖、资源中断或其他死亡/失能风险。
- 净效应：必须同时计入严重不良事件、照护负担、维护、成本、可及性和退出失败。
材料合成等受限域已有端到端示范；通用跨平台实验、复杂生物系统和自主因果研究仍受阻。[2]
原基线页面的状态字段为“进行中”。本轮按 2026-07-25 可核验边界校准模板字段，但不把公司新闻、单例、注册存在或机制论文写成通用疗效。
分层验证终点：
- 相对人类/批量基线的实验效率
- 独立重复和跨设备迁移
- 失败实验和异常完整记录
- 安全中止可靠性
- 产生可验证的新知识而非仅最优化
解锁条件：跨实验室复现、故障治理和可验证科学产出
反证或降级条件：
- 优化利用仪器伪影
- 跨实验室不能复现
- 自动化隐藏失败和漂移
- 系统无法识别越界或危险实验
- 在合格设计中未改善预先定义的最终功能、生存或患者重要结局；
- 只有体外、动物、回顾性或短期代理指标，且跨层级外推没有新增证据；
- 净不良事件、维护负担、资源依赖或治理伤害超过收益；
主要风险：
- 机械和化学/生物安全
- 软件错误的大规模放大
- 数据完整性
- 供应商锁定和责任不明
原页特异边界：自动执行不等于科学判断正确；目标设定、测量误差、数据泄漏和危险实验必须受控。
替代路线：
- 半自动高通量平台
- 标准化人类实验网络
- 仿真—实验分阶段闭环
路线选择不得替代个体临床、法律或危险实验决策；本页不提供诊断、用药、寿命预测或操作步骤。
相关研究域：
相关技术节点：
证据来源与支持边界：
- 证据来源：A-Lab 2023：机器学习、机器人、测量和主动学习组成材料实验闭环[3]
- 证据来源：NIST人工智能风险管理框架1.0：支持把模型性能、数据偏差、可追溯性、人工监督、安全与部署情境同时纳入自动化科研。[4]