“人们期待未来这种技术能让药物研发变得更快、更好、成本更低，”加德纳说，“但我们目前还没有走到那一步。”

这种高通量实验模式的应用，并不局限于人类治疗的范畴。如今，创新基因组学研究所正在用同样的方法应对一个全球性的环境威胁：甲烷。该实验室正在谷歌和泰德（TED，科技、娱乐、设计的首字母缩写）“大胆计划”的支持下，采集牛群的肠道微生物组样本，并深入追踪了母牛体内的微生物组会如何影响幼崽的微生物组。

随后，研究人员会在实验室里复制这些样本，并将它们送入一套配有计算机视觉的自动化系统中。这套系统经过训练，可以识别新型微生物的形态与结构。目前，研究人员正致力于利用该系统分离出那些为产甲烷菌提供养分的微生物，而产甲烷菌正是甲烷这种强效温室气体的主要来源。

该项目正在产生太字节级的数据，并构建了一个牛类微生物组的工作模型。研究人员希望找到一种干预手段（可能涉及CRISPR技术），使这种菌群转变能够持久维持。而这套造价100万美元的系统，日常仅需一名自动化工程师和一名微生物学家便可正常运转。创新基因组学研究所的林盖森指出：“我们其实把机器人和自动化技术视为一种辅助工具。”

凯利则表示，今年早些时候，银杏生物与开放人工智能（OpenAI）达成合作，部分目的是测试机器人实验室能否像实验科学家一样开展工作。他们将一个OpenAI智能体接入银杏生物的自动化系统，该智能体接受过关于“无细胞蛋白质合成”（一种无需培养活细胞即可生成蛋白质的技术）文献的训练。研究团队在一篇预印本论文（尚未经过同行评审）中报告称，经过数轮实验和3.6万多次独立反应后，该系统超越了已发表的行业基准，将蛋白质的生产成本降低了40%。凯利认为，这些模型已经证明自己是称职的实验人员。

但具备执行能力，并不等同于拥有真正的洞察力。如何弥合这一差距，已然成为一批资金雄厚的初创公司关注的焦点。

美国AI初创公司利拉科学专注于研发用于科学推理的AI模型，该公司首席技术官（CTO）安德鲁·比姆表示：“大多数诺贝尔奖级别的发现，关键在于认知能力的突破，并不会受制于实验通量。”比姆指出，在生物学领域，大多数诺贝尔奖都颁给了那些将原本互不关联的不同分支联系起来的发现。他补充说，单纯靠堆数量、拼速度只能小修小补，却无法带来真正突破性的疗法。

目前，数家初创公司与AI巨头正竞相打造具备科学推理能力的AI模型。他们将大量实验数据“喂”给AI，并与研究机构合作开展模型训练与测试。

安特罗匹克生命科学合作与部署负责人乔纳·库尔表示，2026年2月，安特罗匹克宣布与艾伦研究所及霍华德·休斯医学研究所达成合作。AI进驻实验室，不仅可以支持实验室的日常运营，还能提出科学假设并设计实验方案。库尔指出，科学家的日常工作往往充斥着枯燥乏味的观察与数据分析，而这恰恰是安特罗匹克期望AI能加速完成的工作。

其中的关键则在于，用合适的数据以及恰当的学习范式来训练模型。以利拉科学为例，该公司采用了定制化的专属数据，并匹配了通过强化学习训练出的推理模型。比姆指出：“ChatGPT和克劳德被投喂的数据往往来自互联网。但互联网上的内容参差不齐，‘吃’得太多难免会‘反胃’。”

此外，利拉科学的实验室搭建方式也有所不同。它摒弃了传统自动化系统封闭、按固定流程走的模式，转而支持开放式的实验探索。正如该公司首席自主科学官约翰·格雷瓜尔所形容的，这种实验方式就如同爵士乐里的即兴演奏。

因此，比姆坚信，利拉科学的模型在科学推理任务上的表现，足以超越现有的前沿模型。该公司声称，他们利用旗下AI模型，成功开发并优化了一款体内嵌合抗原受体T细胞（CAR-T）疗法。这是一种实验性癌症疗法，通过改造患者自身免疫细胞来精准攻击肿瘤。而且研发成本仅为目前该领域主流开发路线的1%左右。不过，该成果目前仍仅属于公司内部案例研究，还没有经过第三方独立验证。

相比之下，林盖森的态度则要谨慎得多。他担心，在当前科研经费紧缩的环境下，研究人员会选择走捷径，直接用现有的数据训练AI。“把能找到的数据胡乱清理一番就喂给AI，其中很可能夹杂着大量毫无价值的虚假数据。”

他认为，正确的做法应该是先投入成本把数据质量做好。比如，深度思维的蛋白质结构预测模型阿尔法折叠就是一个很好的范例。“阿尔法折叠之所以能大获成功，正是得益于经过精心筛选的高质量、高度相关且规模庞大的数据集，”林盖森指出，“让我们学习阿尔法折叠的模式，针对人类疾病，先做出符合真实生理规律的科学选择，从而让AI模型能获得更优质的训练数据。”