当 AI 开始走进实验室：谁来把科学假说变成真实答案？｜云启播客 Attent!on
从物理 AI 科学家 TALOS，到与丹纳赫共同探索自主实验室，合碳智能正在推动 AI 从数字世界走向真实的科学研究
过去几年，AI 在数字世界里取得了令人瞩目的进展。从分子设计、药物研发到科学假说的生成，AI 正在不断拓展人类探索未知的边界。但在科学研究中，提出一个想法，往往只是第一步。
一个分子能不能被真正合成出来？它的性质是否符合预期？实验结果能否被稳定复现？这些问题最终都要回到实验室，通过一次次真实的操作和验证来回答。
某种程度上，AI 越擅长计算，实验执行环节的瓶颈就越突出。
以药物研发为例，科学家设计反应路线可能只花费一小部分时间，真正耗费大量精力的，却是后续反复进行的实验、样品处理和纯化。即使模型已经给出了值得验证的答案，实验室里依然有大量工作需要人亲自完成。
那么，能不能让 AI 不仅负责思考和决策，还能走进实验室，亲自动手完成实验？
这是合碳智能一直在探索的问题。
今年 3 月，合碳智能的物理 AI 科学家 Talos，在一家头部药企的真实实验室里，连续运行 50 天，完成 8000 多次物理操作，记录了 0 失误。这组数据背后，是 AI 从数字世界走向真实科研场景的一次重要实践。
近日，合碳智能又与全球生命科学企业丹纳赫签署战略协议并达成订单合作，共同推进 AI 机器人自主生物工艺开发实验室。这也是丹纳赫首个中国具身智能 Beacon 项目。
本期云启品牌播客「Attent!on」，我们邀请到合碳智能创始人陈志刚，以及丹纳赫中国首席科学官方焯，和云启前沿科技投资人桑煜展开了一场对话。
从陈志刚在互联网、医疗健康和 AI 领域的职业经历，到 Talos 如何完成一次真实的分子纯化实验；从传统实验室自动化的边界，到丹纳赫与合碳智能如何共同探索下一代自主实验室，这场对话试图回答一个更根本的问题：
当 AI 已经能够提出越来越多科学假说，谁来把它们变成真实世界里的答案？
你将听到
· 从数字智能到物理执行： 为什么 AI 已经能设计分子，实验验证却依然是研发链条中的关键瓶颈？
· 实验室的自动化边界： 传统自动化为什么难以覆盖完整实验流程？机器人能解决哪些长期存在的难题？
· 拆解物理 AI 科学家 Talos： 从样品识别、实验设计到纯化、检测，AI 如何完成一次完整的分子纯化？
· 从 Demo 到真实交付： 50 天、8000 多次操作、0 失误背后，机器人如何应对复杂环境与实验要求？
· 产业合作的真实标准： 丹纳赫为什么选择合碳智能？实验室智能化究竟更看重速度、稳定性还是可重复性？
· AI for Science 的下一步： 当实验数据重新流入模型，能否形成从分子设计到物理验证的智能闭环？
本期对话的人：
陈志刚 合碳智能创始人
方 焯 丹纳赫中国首席科学官
桑 煜 云启前沿科技投资人、执行董事
01
AI已经会设计分子
为什么还需要机器人
过去几年，AI for Science 的进展令人兴奋。
AI 模型能够帮助科学家设计新的分子、预测分子结构，甚至将过去需要几天、一周才能完成的设计工作压缩到几分钟。但从一个计算结果到真正得到目标物质，中间还有很长的一段路。
这也是陈志刚决定创业的重要原因。
在此之前，他先后在 Twitter、阿里、腾讯和药明康德工作，长期关注如何用技术解决真实产业问题。在药明康德担任高级副总裁兼首席数字官期间，他接触了大量实验室和工厂，也亲眼看到科学家在实验台前的工作状态：长时间站立，手上不断操作，眼睛观察实验变化，同时还要判断数据意味着什么、下一步应该怎么做。
AI 已经能够帮助科学家完成一部分设计和决策，但最终的执行仍然依赖人的时间、精力和经验。设计只是研发链条的一部分，真正耗费时间的，往往是后面的实验。
陈志刚在访谈中提到，曾有客户向他提出一个问题：如果 AI 只解决了药物化学家 10% 的工作时间，那么能不能进一步解决剩下 70%-80% 的实验工作？
这个反馈让他意识到，实验执行才是更值得深入探索的环节。
2022 年，云启决定投资合碳智能。彼时 ChatGPT 尚未发布，大模型还没有成为行业热点，具身智能也远没有今天这样的关注度。但团队已经在探索如何用 AI 和机器人突破人的执行能力边界。
到了 2023 年，随着 VLM、VLA 等技术逐渐发展，陈志刚进一步坚定了机器人方向的判断。
从模型设计走向物理执行，从数字世界走向真实实验室，合碳智能逐渐形成了今天的产品方向。
讨论摘录
桑煜：当时 AI 行业还处在一个相对低谷的阶段，你为什么会决定 All in AI 驱动、数据生产和机器人？
陈志刚：人的时间和精力，还有工作能力其实是有边界的。我一直在想，怎么用新的技术，把执行的能力再往前推进，突破人的边界。
从 22 年底 ChatGPT 出来，到 23 年 VLM，再到 23 年下半年 VLA 出来，整个机器人突然带来了一个非常明确的信号。所以在 23 年底的时候，我决定机器人是我们应该往前走的方向。
桑煜：我们当时看到了大量创业项目都在做模型，但分子合成往往是瓶颈。设计出来的分子，要么合成非常困难，要么周期非常长。湿实验实际上是整个链条里的关键位置，也是制造数据、反哺 AI 的基础设施。
02
实验室里
还有多少工作无法自动化
实验室自动化并不是一个新概念。
在药物研发中，从小分子筛选到大分子研究，再到药物筛选，自动化设备已经有了多年的应用。但为什么传统自动化始终没有覆盖所有实验流程？
丹纳赫中国首席科学官方焯给出了产业一侧的观察。
首先是实验结果的一致性。科学家亲自操作实验时，即使是相同的实验，也可能因为操作者、操作习惯和具体条件的差异，产生不同的结果。有时候，一个实验只有某位经验丰富的同事能够稳定完成，换一个人就很难复现。
这不仅影响效率，也给实验结果的判断带来困难：究竟是操作过程产生了偏差，还是实验本身存在问题？
其次是传统自动化的空间和流程限制。很多实验并不是在一个固定的工作站里就能完成的。样品可能需要在不同设备之间转移，还需要进行仪器操作。随着实验流程越来越复杂，传统自动化往往需要把大量设备集中在一个空间里，对实验室面积和环境条件提出很高要求。
对于很多药企和 Biotech 来说，这并不现实。更复杂的是，不同实验室的设备、布局和操作环境并不完全一致。有些实验室甚至分布在不同楼层，样品需要跨空间流转，这些都超出了传统固定式自动化设备的适用范围。
具身智能提供了另一种可能。
机器人能够在实验室环境中移动，通过视觉感知理解周围环境，操作不同的仪器和器皿，并根据实验结果调整后续动作。它不必要求所有设备都围绕一个固定工作站重新布局，而是有机会适应原有实验室的工作方式。不过，真正进入实验室并不意味着只要机器人能够抓取、移动和点击屏幕就够了。实验本身有严格的操作规范，样品处理、洁净度、仪器使用和结果一致性，都需要满足专业要求。这也是实验室机器人与一般工业场景的重要区别。
讨论摘录
桑煜：传统自动化做了很多年，为什么依然没有办法覆盖所有实验流程？
方焯：很多流程和环节，不是完全自动化就能够解决的。它需要把样本从一个 workcell 转移到另外一个 workcell，还需要一些仪器操作。我们也没有办法通过部署大量机械手臂来完成所有操作，这个成本不可控。另外，随着实验越来越复杂，传统自动化需要把更多仪器设备放在同一个空间里，但很多药企并没有这样的空间条件。
桑煜：所以这不是某一类实验的特殊问题，而是实验室里的共性问题。具身智能能够在更加泛化的场景中完成操作，这件事是大有可为的。
03
Talos
让 AI 既能思考，也能动手
如果说传统自动化解决的是固定流程中的重复操作，那么合碳智能想做的，是让 AI 能够理解实验任务，并根据实验过程中的反馈自主完成下一步操作。
这也是 Talos 被定义为「物理 AI 科学家」的原因。
它包含两个重要部分：AI 分子大脑与物理 AI 执行能力。前者负责实验决策，后者负责将决策转化为真实世界中的操作。两者结合，才能让实验从目标设定走向实际结果。
以合碳智能最早切入的小分子纯化为例。一个化学反应完成后，得到的通常不是纯净的目标产物，而是包含目标分子、未反应物和副产物的混合物。科学家需要通过纯化，把目标产物分离出来，再判断它能否进入下一步反应或研究。
陈志刚提到，在药物化学家的工作中，反应设计可能只占约 10% 的时间，而纯化可能占到 50%。这是一个非常耗时、耗体力的环节。
而一次完整的纯化实验，实际上包含了一系列连续的决策和操作。
第一步：识别样品，理解实验背景。
科学家将待纯化的样品放在指定的交接架上，机器人取走样品的同时进行扫码，读取样品信息，了解它对应的反应过程。
第二步：AI 设计纯化条件。
Talos 的 AI 决策引擎根据反应信息设计溶剂体系，并确定后续薄层色谱（TLC）点板所需的条件。
机器人随后取样完成点板。如果结果不符合预期，AI 模型会重新调整溶剂体系，再次进行验证，直到找到合适的条件。
第三步：执行自动过柱。
确认纯化条件后，机器人将样品和硅胶柱安装到自动过柱机上，通过操作设备屏幕完成过柱，并通过摄像头识别纯化过程和结果。
第四步：检测并确认目标产物。
机器人从对应的收集管中取样，将样品送入 LC-MS 进行分析，确认其中是否包含目标产物。
第五步：完成收集与后处理。
确认目标产物后，机器人将对应收集管中的样品合并，再转移到旋蒸设备中完成后续处理。
整个过程中，最重要的并不是把预先设定的动作依次执行完，而是每一步都需要根据上一环节的结果，判断下一步应该怎么做。这意味着机器人既要有专业的实验决策能力，也要有准确的物理操作能力。
真正的难点，是让 AI 的决策能力与机器人的执行能力形成完整配合。
陈志刚还介绍了团队的一套研发方法：先将复杂实验流程拆解，设计清晰的人机交接规则和机器人操作空间，再利用不同模型完成抓取等原子操作，并通过仿真环境验证整个工作流，最后进入真实场景进行部署和校正。
在模型能力、成功率、泛化性和响应速度之间，团队现阶段优先考虑的是成功率与稳定性。这也解释了为什么 Talos 的研发不能只依赖模型能力的提升，还需要大量工程、仿真和真实场景的积累。
讨论摘录
桑煜：从科学家提出目标，到最后拿到实验结果，Talos 最难、最关键的环节是什么？
陈志刚：你会发现，它每一步的下一步，都要基于上一步的结果去分析、判断，动态调整下一步怎么做。所以第一，你需要决策的智能，需要专业的判断能力、设计能力和应变能力。同时，这些能力还要能够通过机器人准确地操作，在实验室里操作不同的器皿和设备，实现你的目标。整个过程实际上是一个知和行结合的过程。
桑煜：在这样复杂、具有很强泛化性的场景里，你们怎么保证机器人能够稳定工作？
陈志刚：我们会把整个工作流详细设计出来，在模拟环境里面完全跑通。跑通以后，再从 Sim to Real，进入真实场景验证，以及客户场景部署和校正。这样不仅能提高整个工作流的效率，同时也能够把问题的复杂度和难度大幅降低，最终形成一个真正能够在客户现场运行的 solution。
04
从 Demo 到真实实验 产业方究竟看重什么
对于具身智能来说，能够完成一次演示，与能够在真实环境里长期稳定运行，是两件完全不同的事情。
实验室对机器人的要求尤其严格。
在合碳智能的实践中，Talos 已经在客户现场完成了与经验丰富的科学家之间的头对头实验对比，取得了等效的实验结果。这给团队带来了很大的信心：机器人不仅能够完成任务，而且能够得到值得信任的实验结果。但陈志刚也坦言，机器人目前在部分操作速度上还不及人类科学家，尤其是从失败中恢复、处理异常情况的能力，仍然需要持续积累，这也是产业合作的重要意义。
近期，合碳智能与丹纳赫达成战略合作和订单合作，共同推进 AI 机器人自主生物工艺开发实验室，成为丹纳赫首个中国具身智能 BEACON 项目。
双方的合作并不是简单地把机器人放进实验室，而是从真实的实验需求出发，共同定义应用场景、设备适配和工作流程。
方焯介绍，丹纳赫拥有丰富的生命科学仪器设备和行业经验，也更了解药企客户的需求。AI、机器人控制和自动化流程设计，则需要与外部合作伙伴紧密协作。
双方的接触，最早源于百济神州的客户合作。2025 年 12 月，陈志刚与方焯在百济神州广州实验室的一场行业交流活动中深入讨论，逐渐促成了后续合作。从初步交流到项目启动，不到一年时间，双方已经开始共同推进具体场景的验证。
产业合作真正考验的，是技术能否进入现有工作体系，并且满足实验室的真实标准。例如，在生物安全柜中进行操作时，机器人不仅要完成实验动作，还要满足洁净度要求。人类科学家通常会戴手套、喷洒酒精进行消毒。团队测试后发现，机器人前端的夹爪同样需要进行消毒处理，于是为机器人设计了专门的防护装置和袖套，使其能够按照实验要求进行酒精消毒。这些看似细小的工程细节，实际上决定了机器人能否真正进入实验室。
至于如何评价一套智能实验室系统，方焯也给出了比较明确的判断：
在药物研发早期，实验结果的一致性、稳定性和可重复性，比单纯追求速度更重要；到了生产阶段，速度、通量和质量则需要综合考虑。但无论处于哪个阶段，减少科学家的重复性劳动，都是双方共同关注的目标。
对于合碳智能而言，50 天、8000 多次操作、0 失误，是一个重要的阶段性验证。接下来，还需要将这样的能力复制到更多实验任务和不同客户的实验室中。
讨论摘录
桑煜：丹纳赫为什么选择合碳智能作为合作伙伴？
方焯：我们更多的是从百济神州那边了解到这个情况，知道合碳智能的解决方案是客户真正需要的。经过和陈总团队多轮讨论以后，我们觉得合碳智能在具身智能实验室这一块，在全国乃至全球都有比较多的创新性，这是我们选择合作的一个原因。
桑煜：实验室智能化究竟更看重哪些指标？
方焯：如果是在药物研发前期的工艺开发阶段，可能对速度要求没有那么高，但对结果的一致性、稳定性和可重复性的要求会更高。有一个共同的诉求，就是人类科学家都不愿意做反反复复的重复工作。大家都希望把自己的时间放在更多创新上面。
05
从物理执行到数据闭环
AI for Science 的下一站
如果把视野再往前推进一步，合碳智能想做的事情，实际上不只是让机器人替科学家完成实验。更重要的是，让物理世界中的实验过程，成为 AI 模型持续进化的数据来源。
过去，AI 模型可以通过已有数据学习，帮助科学家设计新的分子。但当模型进入真实实验室，新的问题随之出现：如何得到那些尚未被模型学习过的高质量数据？
陈志刚有一个很直接的判断：现在大模型没有看到的数据，可能才是最有价值的数据。
这些数据从哪里来？答案就在真实实验室里。机器人完成实验，获得真实的实验结果，再将这些数据反馈给模型，让模型能够进一步优化分子设计和实验决策。由此形成从数字计算到物理执行，再回到数字模型的循环。
在访谈中，陈志刚也提到，团队正在探索与大模型公司的合作模式：根据模型公司的定向数据需求，在实验室里利用机器人和 AI 模型产生真实实验数据，甚至将合碳智能自己的模型与客户模型结合，完成特定任务的数据生产。
这意味着，实验室除了是科学研究的执行场所，也可能成为新一代 AI 模型的重要数据基础设施。
当然，这一方向仍然需要通过具体合作和场景逐步验证。合碳智能当前更重要的事情，还是聚焦湿实验，把已有的技术路线和应用场景真正做好。
而对于产业方来说，AI for Science 的发展也正在呈现出不同阶段的特点。方焯观察到，分子设计领域，无论是小分子还是大分子，AI 已经取得了比较可喜的进展，并逐渐成为一些药企和 Biotech 日常研发中的常规手段。
但实验室机器人科学家仍处于较早期的探索阶段。产业界正在积极验证它能否稳定运行，以及能够为科学家带来多大帮助。
这也意味着，未来的自主实验室并不是简单地用机器人替换现有设备，而是让 AI 模型、机器人、仪器设备和实验工作流形成更加紧密的协作体系。
最后，两位嘉宾谈到了一个共同的话题：如果未来实验室中的重复性操作都能够由机器人完成，科学家将把时间花在哪里？
方焯认为，机器人并不是为了替代科学家，而是希望让他们从繁琐、重复的操作中解放出来，把更多精力投入到新的研究方向中。在生命科学和药物研发领域，仍然有大量未知等待探索。更好的药物形式、更好的靶点、更好的作用机制，都有可能成为下一阶段的重要突破。
陈志刚对此也深有同感。他认为，AI 正在赋予每个人更强的探索能力，但真正重要的是，能否把这些能力带到物理世界中，验证那些尚未被证实的假设。这也是合碳智能希望成为的角色：为科学家提供更好的工具，让他们能够更快地探索未知。
讨论摘录
桑煜：如果实验执行环节有一天能够被智能化实验室承担，科学家的工作会发生什么变化？
方焯：我们并不是想用机器人来替代人类科学家。现在人类科学家的困境是，不得不做很多重复性的劳动和繁琐的操作性工作。对于科研水平的提高来说，这些工作帮助有限，但又不得不做。如果实验室能够稳定运行，让机器人把这些繁琐的、重复性的操作做掉，科学家就可以有更多创造力，去探索更多方向。
陈志刚：今天 AI 让每个科学家、每个人都有更强的能力去探索更多未知。我们要到物理世界去实现这个价值，去验证未知的预期和假设到底是对还是不对。我觉得我们做的就是这样的一个工具，让人们能够更好地探索未知的世界。
06
让好的科学更快发生
回到这场对话的起点，AI 已经能够在数字世界里提出越来越多值得验证的想法，但科学研究真正的价值，最终仍然要通过物理世界中的实验来回答。从模型设计到真实实验，从机器人执行到实验数据回流，合碳智能正在探索一条将 AI、机器人与科学研究连接起来的路径。
这条路并不轻松。机器人需要理解复杂的实验流程，适应不同的设备和环境，还要在严格的实验规范下保证结果的稳定性。技术上的突破之外，工程化、场景适配和产业协作，同样需要长期积累。
但这件事的意义也恰恰在这里。当科学家不再需要把大量时间花在重复性的操作上，当实验能够以更高的一致性和效率持续运行，原本受限于时间、精力和实验条件的研究，就有机会探索更多方向。
云启一直以 AI 为主线，关注从基础能力到产业应用的完整链条，AI for Science 是我们非常看重的方向。投资合碳智能，我们看重的是团队对实验室难题的理解，以及把 AI、机器人和研发流程真正连接起来的能力。接下来，我们也会持续关注这些能力能否在更多任务、更多实验室中复用，为科学家带来可衡量的价值。
正如合碳智能的使命所说：让好的科学更快发生。
🎧完整节目欢迎订阅小宇宙"Attent!on"频道收听。
