机器人究竟如何真正理解湿实验方案？
如今，大多数实验室机器人都是为单一、固定的任务而编程的。即将到来的重大变革，是能够将为人研究人员编写的自由格式生物实验方案，转化为一系列机器人可执行的操作。这正是实验方案落地（protocol grounding）的核心所在。例如，ProtoAct采用结构化框架，解析文本、检查缺失或不一致的步骤，并将优化后的流程映射为受限的JSON函数序列[3]。这意味着，理论上，机器人可以读取细胞培养实验方案，并确切知道该做什么，包括监测条件和子任务。
挑战在于，实验方案往往是隐性的：它们假定研究者知道何时等待、检查什么以及如何调整。ProtoAct通过检索带注释的示例，并利用检查器来捕捉遗漏之处，从而解决了这一问题。在他们的基准测试中，他们手动将22个细胞培养方案注释为258个监测条件和910个可执行的子任务，展示了所需的细节程度[3]。这不仅仅是解析文本的问题，更关乎让机器人具备“状态感知”能力——即在条件变化时知道该做什么，而这对于真实的实验室工作至关重要。
机器人会通过练习变得更熟练吗？
是的，而且收益相当可观。目前正在涌现出两种互补的方法：基于仿真的增强和基于经验的学习。仿真平台Pipette让机器人能够在虚拟实验室中练习任务。每个任务仅需30次人工演示，视觉-语言-动作模型（SmolVLA）在仿真增强后，成功率从40.4%提升至71.8%——跃升了31.4个百分点[1]。这是一个巨大的飞跃，意味着机器人可以用极少的真实世界数据学习复杂任务，而这类数据往往稀缺且采集成本高昂。
LabEvolver则另辟蹊径：它让机器人从自身的执行历史中学习。在真实的溶液配制任务中，它将pH调节的完成时间缩短了48.2%，并将安全门拦截次数减少了60.0%[2]。这意味着机器人在实践中不断变快、变安全，本质上是在“干中学”。这两种方法相辅相成：仿真提供了一种安全、可扩展的训练数据生成方式，而经验进化则让机器人能够适应自身实验室的具体条件。两者结合，指向了一个机器人持续进步的未来——不仅限于部署之初，而是在整个使用过程中不断优化。
安全性与突发情况适应能力如何？
安全是湿实验室中的一大关切，而这些论文表明，接地（grounding）实际上可以提升安全性。LabEvolver明确包含了一个安全验证循环，用于拦截不安全的行为，而其安全门拦截次数减少60%这一结果表明，随着机器人不断学习，它犯下需要人工干预的错误的可能性也在降低[2]。这不仅仅关乎避免事故，更在于建立信任，让研究人员愿意让机器人自主工作。
适应性是另一个关键领域。BioMARS作为一个多智能体系统，采用分层架构，其中“生物学家智能体”负责综合实验方案，“技术员智能体”将其转化为机器人代码，而“检查员智能体”则监控异常情况[4]。这使得系统能够应对真实实验中常见的动态实验室条件和错误。在细胞传代和培养任务中，该系统在活力和一致性方面达到或超过了人工操作水平[4]。这表明，具身智能不仅仅是遵循脚本，而是构建一个能够感知、推理和反应的系统——使其适用于复杂、多变的生物工作。
关于这些资料来源
该回答基于4项研究（均为预印本），发表时间从2025年至2026年，其中4项为2024年或之后发表，从4项通过质量筛选的研究中选出最具相关性的成果，这些研究源自从超过5亿篇论文数据库中检索到的57篇文献。
本文引用的文献
Pipette：面向湿实验室机器人的具身仿真平台、基准测试与数据高效增强框架
Pipette是一个带有数据增强的仿真平台，仅使用每个任务30条演示数据，在包含12个任务的基准测试中，将SmolVLA的成功率从40.4%提升至71.8%，并将pi0的成功率从37.3%提升至44.1%。
LabEvolver：面向安全且基于实证的湿实验室智能体的免训练经验进化方法
LabEvolver是一个无需训练的经验进化框架，在真实溶液配制任务中将pH调节完成时间缩短了48.2%，安全门拦截次数减少了60.0%，并在ALFWorld的500项任务中将累计成功率从76.2%提升至91.4%。
ProtoAct：将湿实验室协议转化为具身机器人操作
ProtoAct将自由形式的实验方案转换为具有状态感知能力的动作序列，利用一个手动标注的基准数据集（BioP2E），该数据集包含22个细胞培养方案、258个监测条件和910个可执行子任务，并在仿真环境和真实机器人上均成功实现了执行。
BioMARS：用于自主生物实验的多智能体机器人系统
BioMARS是一种多智能体机器人系统，能够自主完成细胞传代和培养任务，在细胞活力、一致性和形态完整性方面达到或超越人工操作水平，并在分化任务中优于传统策略。