研究人员测试用于扩展实验室能力的AI系统
多伦多大学牵头的团队介绍了 Self-Building Labs(SBL)。该研究系统旨在利用AI智能体、数字孪生和机器人识别实验室缺少的能力,并开发相应的接口、技能和工作流。在硫化镉量子点合成演示中,SBL协调液体处理机器人、机械臂、封膜仪和光学检测设备,完成了从试剂配制到测量的流程。论文第二版还加入了流动光化学和HPLC演示;报道指出,这些演示仍需专家监督和现场验证。
SBL针对自动化实验室需要获得新任务所需能力、而不只是执行预设流程的问题。但报道指出,实验安全、人类判断、仿真与现实之间的差异,以及在不同设备和实验室之间迁移已验证技能等问题仍未解决。
如果有一天,科学家只需要告诉 AI 自己想研究什么,AI 就能判断实验室里有哪些设备、还缺少什么工具,甚至自己规划机器人动作、搭建实验流程,最后让一场实验真正运行起来,会是什么样?
过去,实验室自动化的目标主要是让机器代替人类执行实验。但随着 AI 智能体(Agent)的发展,研究人员开始尝试让 AI 承担更多工作:不仅要学会使用实验室里的设备,还要能够根据新的科研需求,为自己补充尚不具备的能力。
近日,来自多伦多大学(University of Toronto)、人工智能向量研究所(Vector Institute for Artificial Intelligence)、加速联盟(Acceleration Consortium)、加拿大高级研究院(Canadian Institute for Advanced Research,CIFAR)以及 NVIDIA 的研究团队,在 arXiv 发布了题为《Self-Building Labs》的论文。论文由白家儒和赵宇驰共同担任第一作者,Yang Cao、Varinia Bernales 和 Alán Aspuru-Guzik 担任共同通讯作者。
#University of Toronto#Vector Institute for Artificial Intelligence#Acceleration Consortium#Canadian Institute for Advanced Research#NVIDIA#Self-Building Labs#NVIDIA Isaac Sim#Opentrons OT-2#PlateLoc#Cytation 5