前OpenAI科学负责人创立Warp Science：用机器人自动化湿实验室

前OpenAI科学负责人近日创立了Warp Science，目标是用机器人技术自动化湿实验室（wet lab）中的重复性操作。这家初创公司让人类化学家佩戴摄像头和传感器手套执行实验，同时采集数据训练机器人，最终让机器人接管各类实验室任务。

湿实验室的自动化困局

湿实验室是生物、化学、材料等领域研究的核心场所，但其中的操作长期依赖人工：移液、离心、混合、取样，每一步都需要研究者亲手完成。这些动作重复性高、精度要求严苛，却很难被传统自动化设备覆盖——实验室里的任务种类太杂，流程变化太频繁，硬编码的机械臂往往只能应对固定场景。

Warp Science选择了一条不同的路径：不直接编写程序控制机器人，而是先让人类化学家照常工作，通过穿戴设备记录他们的动作与感知，再把这些数据转化为机器人的操作能力。据原始报道，该公司的化学家将佩戴摄像头和传感器手套，在真实实验环境中训练机器人执行各种实验室任务。

湿实验室（wet lab）是与干实验室（dry lab，以计算、模拟和数据分析为主）相对的概念，指需要处理液体试剂、生物样本或化学材料的实体实验空间。分子生物学、合成化学、材料表征等领域的核心操作——如PCR、凝胶电泳、细胞培养、化合物合成——几乎都在湿实验室中完成。这类工作的特点是步骤繁多、变量密集，且许多环节对温度、时间、洁净度高度敏感。正因如此，湿实验室长期是科研流程中自动化程度最低、人力消耗最大的环节，也被视为制约实验通量和可重复性的瓶颈。近年来兴起的“自驱动实验室”（self-driving lab）概念，正是试图把湿实验室的规划、执行与分析连成闭环。

人类示范作为训练数据

这种“人类示范驱动”的思路，与当前机器人学习领域的模仿学习（imitation learning）路线一脉相承。传感器手套可以捕捉手部姿态、力度和动作轨迹，摄像头则提供操作对象的视觉信息。两者结合，形成可用于训练的策略数据。

Warp Science的独特之处在于把数据采集嵌入真实科研流程。化学家不是在专门的示教台上表演动作，而是在完成实际实验的同时顺便产生训练数据。这种方式的数据更贴近真实场景的复杂性——试剂瓶的摆放位置会变，容器形状各异，实验条件也常有微调，这些变化恰恰是传统自动化最难处理的部分。

模仿学习（imitation learning）是机器人学习的一个分支，核心思想是让机器人从专家示范中直接学习策略，而非依赖手工编写的控制程序或纯试错强化学习。常见做法包括行为克隆（behavior cloning），即把示范中的“观测—动作”配对当作监督学习数据训练策略网络。其优势是样本效率高、能快速获得接近人类的行为；主要弱点是分布偏移——机器人一旦偏离示范分布，误差会累积放大，因此常需结合DAgger等交互式修正方法，或引入少量在线强化学习微调。对实验室场景而言，示范数据的质量、动作空间的表示方式以及视觉—本体感知的对齐，是决定模仿学习能否落地的关键。

科学自动化的竞争升温

Warp Science的成立，反映出AI与实验室自动化交叉领域的竞争正在升温。一方面，大型语言模型和多模态模型开始被用于实验设计、文献分析和结果解读；另一方面，机器人硬件与学习算法的进步，让“会做实验的机器人”从概念走向工程实现。

创始人的OpenAI背景值得关注。科学发现一直被视作AI的重要应用方向，而从模型层走向实验执行层，意味着AI公司开始触碰物理世界的实验流程。这条路径如果走通，实验通量、可重复性和数据标准化都可能得到改善。

挑战与不确定性

不过，湿实验室自动化的难度不容低估。实验操作涉及大量隐性知识——手感、颜色变化、气味判断，这些人类化学家凭经验处理的信息，传感器未必能完整捕获。机器人学习到的策略能否泛化到训练时未见过的任务，也仍是开放问题。

此外，让机器人接管实验还涉及安全与合规问题，尤其在涉及危险试剂或生物材料的场景中。Warp Science目前披露的信息有限，其技术成熟度和商业化路径尚待观察。

可以确定的是，把人类专家的操作转化为可复用的机器人技能，是实验室自动化的关键一步。Warp Science能否在真实科研场景中验证这条路线的可行性，将影响整个领域的走向。

隐性知识（tacit knowledge）由哲学家迈克尔·波兰尼提出，指难以用语言或文字完整表达、只能通过实践和师徒传授获得的技能，如判断反应液颜色是否到达终点、凭手感控制移液力度。它与可编码的显性知识相对。在实验室自动化中，隐性知识构成核心障碍：传感器能记录位置、力度、图像，却难以捕捉化学家基于多年经验做出的即时判断。要把这类知识转化为机器人策略，往往需要多模态感知（视觉、力觉、甚至气味/光谱）与人类反馈的结合，这也是当前具身智能研究的前沿难点之一。