利用自驾车实验室加速科学研究

一个跨学科的科学家和工程师团队认为，研究界应该共同努力，利用机器人技术和人工智能（AI）的进步，加快解决可持续能源、新兴疾病和其他全球性挑战的工作。

“自驾车实验室（SDLs）将作为人类研究人员的合作者，显著减少达到科学解决方案所需的时间和成本，”北卡罗来纳州立大学化学与生物分子工程教授Milad Abolhasani表示。

“它们不会取代人类研究人员的独特专长或创造力。相反，这些先进技术将简化繁琐和重复的实验任务，自动化数据分析，并协助进行知情决策。这种方法使研究人员能够迅速探索新想法，推动创新边界，并显著加速科学发现。”

Abolhasani及其十几位同事于4月24日在《自然通讯》上发表了一篇文章，概述了SDLs如何加速有价值的研究，以及一种新的方法如何使这项技术更加普及，并在关键领域加速研究。

什么是自驾车实验室？

SDL基本上是科学研究的机器人副驾。它自动化整个科学研究过程——从设计实验到执行实验再到分析结果。配备AI、机器人技术和自动化，SDLs基于实验结果动态学习和适应，通过闭环过程不断改进其方法。可以将其视为一个由AI驱动的机器人合作者，帮助科学家快速探索新想法，简化研究工作流程，并加速突破性发现。

你在论文中提出的重大理念是什么？

在我们最近发表于《自然通讯》的文章中，我们（来自美国和欧洲11个机构的12名SDL研究人员和我）讨论了SDLs的巨大潜力，以实现流畅的团队科学并在全球范围内加速科学发现。

我们强调了SDLs如何显著增强不同科学学科之间的合作和创新。此外，我们还解决了实现这一愿景的现有障碍，并提出了战略解决方案，包括集中式SDL设施和分布式实验室网络之间的协调努力。为了实现这一宏伟目标，我们强调必须优先考虑联邦和工业投资，以及有针对性的学术研究，以建立可靠、可访问且强大的SDL基础设施。

你能给我举一些SDLs已经解决的实际问题或科学进展的例子吗？或者哪些挑战特别适合SDLs来应对？

SDLs已经在诸如能源、环境和医疗保健等关键领域显著减少了达到解决方案所需的时间和成本。例如，SDLs在电池技术、太阳能电池开发、制药、特种材料和可穿戴电子设备的研究突破方面，比传统方法快10到100倍。

随着进一步的发展，SDLs有潜力将研究速度提高1000倍，使其特别适合处理涉及广泛实验的复杂多维问题。

好的，让我退一步。广义上讲，SDLs能为研究界提供哪些好处？为什么研究人员会想使用这些技术？

研究人员越来越多地转向SDLs，作为能够在高维度实验空间中高效导航的机器人合作者。SDLs能够快速测试假设，迭代优化实验策略，并智能探索复杂的参数景观。这些系统加速了研究过程，降低了实验成本，并通过自动化劳动密集型和重复性任务减少了人为错误。通过卸载这些负担，SDLs使研究人员能够专注于更高层次的科学问题和创造力，促进了前所未有的现代云连接团队科学的速度和规模。

你和你的同事们谈到了一种协调努力，包括集中式研究设施和单独工作的分布式实验室网络。这种方法有什么优势？

结合集中式SDL设施和分布式实验室确保了高性能能力和广泛的可访问性。集中式SDLs可以处理复杂且资源密集型的研究，而分布式实验室则提供了灵活性和易访问性，使各地的科学家都能积极参与尖端研究。

为什么这很重要？为什么你和你的同事们现在提出这个想法？

集中式和分布式SDLs的协调努力之所以重要，是因为当前的全球挑战——如能源短缺、迅速出现的疾病和紧急环境危机——需要在几个月内而不是几十年内找到解决方案。快速推进的科学解决方案至关重要，而SDLs具有独特的优势来满足这一紧迫需求。我们现在提出这种协同努力，是因为最近在AI、机器人技术和实验室自动化方面的突破使得技术上可行，而我们面临的全球挑战使得迫切需要快速部署这些先进能力。

推进这种科学加速和SDLs可访问性的愿景面临的主要挑战是什么？

主要挑战之一是确保可靠的硬件和技术集成，这意味着创建稳健、互操作的系统，能够一致地执行复杂的实验工作流程，停机时间最少且精度高。软件和硬件组件的无缝集成对于支持自适应自动化和不同研究应用中的可重复性至关重要。

另一个基础要求是生成和管理大量高质量数据。驱动SDLs的AI模型严重依赖这些数据进行训练、预测和持续改进。如果没有严格的数据质量标准和一致的元数据实践，SDLs输出的可靠性和泛化性将受到损害。

其他挑战包括建立知识转移和增强的标准。这指的是创建共享协议、格式和本体，使一个SDL的见解、实验策略和学习模型能够轻松转移、重用或在其基础上构建。这样的标准将确保不同平台和学科之间的无缝协作和集成，使SDLs能够相互增强能力并加速团队科学。

此外，培养能够设计、维护和操作这些复杂平台的熟练劳动力仍然至关重要。目前的SDL格局分散，许多努力集中在特定应用的硬件和软件上。为了真正实现可扩展、协作的团队科学，需要向开发与应用无关的SDL系统转变，这些系统可以作为一系列学科的灵活、互操作平台。

最后，必须仔细考虑法律和安全标准，以确保SDL技术的负责任部署和长期可持续性。

你能详细解释一下你所说的法律和安全标准吗？

法律和安全标准是指确保SDLs在监管框架内运行的同时保持实验室安全和合规所需的政策、认证和最佳实践。这包括危险材料的安全处理、可追溯的数据实践、AI的负责任使用以及明确的知识产权权利指南。建立这些标准对于建立对SDL技术的信任并促进其广泛和负责任的采用至关重要。

那么，下一步是什么？从哪里开始？

下一步是形成学术界、工业界和政府机构之间的战略性大规模合作伙伴关系，以协调努力、建立通用标准并为可靠的SDL基础设施争取资金。工业合作伙伴应包括设备制造商和SDL技术的最终用户。此外，早期试点项目和专用测试平台展示集中式和分布式SDL模型的有效性将对验证和完善这两种模式至关重要。

如果一切顺利，你如何看待未来10年的发展？

在理想情况下，未来十年内，SDLs将成为世界各地研究人员的主要科学合作者——一个机器人副驾——从根本上改变我们进行科学研究的方式。它们将推动快速创新，加强全球科学合作，并大幅加速突破，使我们在环境可持续性、能源效率和个性化医疗等领域更快地解决复杂和紧迫的全球挑战。

该论文的共同作者包括北卡罗来纳州立大学的博士后研究员Richard Canty和Jeffrey Bennett；北卡罗来纳州立大学材料科学与工程助理教授Martin Seifrid；波士顿大学的Keith Brown；麻省理工学院的Tonio Buonassisi；田纳西大学的Sergei Kalinin；卡内基梅隆大学的John Kitchin；空军研究实验室的Benji Maruyama；橡树岭国家实验室的Robert Moore；福特汉姆大学的Joshua Schrier；华盛顿大学的Shijing Sun；以及丹麦技术大学的Tejs Vegge。

(全文结束)