Genentech 来头不小：1976 年，风投家 Robert Swanson 和生化学家 Herbert Boyer 创立了它 [1]。它是公认的全球第一家生物技术公司，2009 年被罗氏以 468 亿美元收购 [1, 2]。1977 年，它的科学家用重组 DNA 技术让大肠杆菌生产出生长抑素 [39]。五年后，重组人胰岛素成为首个获 FDA 批准的基因工程药物 [39]。
但今天的 Genentech 卡在一个不那么光鲜的瓶颈上：自动化部署。药物发现实验室靠高通量自动化系统并行测试大量变量，但给这些系统编程、校准、调试是手工活。[39] 一次部署要数周甚至数月，能测试的科学想法因此受限。[39]
三台仪器，一个标准
Genentech 和 Anthropic 合作，把模型硬件标准（MHS）部署到一台大型机器人工作站上。[39] 这套开放框架标准化了 AI 与硬件的通信：科学家用自然语言指挥机器人，不用写定制代码。[39]
概念验证的对象是 BCA 蛋白定量实验，一个测量样品总蛋白浓度的标准流程。[39] 流程要协调三台设备：移液工作站负责精确移液，机械臂搬运耗材，酶标仪测吸光度。[39] Claude 通过 MHS 统一调度三台设备，充当硬件的通信中枢。[39]
难点在液体：从简单的水相试剂到黏稠易起泡的蛋白样品，性质迥异。[39] 蛋白样品用的是已知浓度的牛血清白蛋白（BSA），黏稠、流速一快就起泡，直接影响移液精度。[39]
它在专家给定的范围内做染色液体试转移，用酶标仪读数，再和同一块板子上专家亲手做的"标准答案"对比。
AI 给自己打分
先跑基线：Claude 按标准流程执行，但选了通用参数，水相和黏稠液体用同一个流速，结果黏稠溶液里全是气泡，移液不准。[39]
然后进入闭环：研究者让 Claude 自主优化两种液体的流速。[39] 它在专家给定的范围内做染色液体试转移，用酶标仪读数，再和同一块板子上专家亲手做的"标准答案"对比。[39] 打分标准是均方根误差（RMSE），越低越好：目标 100 µL 只打出 98 µL，2 µL 偏差也计入分数。[39]
几轮下来，纯水收敛到约 140 µL/s（RMSE 0.016），BSA 收敛到约 10 µL/s（0.181）。[39] Genentech 的自动化专家确认，这组参数对他们的设备是合理的。[39]
这套优化平时要多少人干？通常是一位自动化专家针对每一组参数写定制程序，反复迭代分析数据，直到找对为止。[39]
Genentech 来头不小：1976 年，风投家 Robert Swanson 和生化学家 Herbert Boyer 创立了它 [1]。
气泡为什么难住了 Claude？
实验中 Claude 遇到过吸头拾取失败、液面检测报错，都自己恢复了——现有仪器大多做不到；但气泡是另一回事。[39]
气泡的麻烦是一连串的：要吸 40 µL 试剂，液体里有气泡，实际转移的体积就少一截。[39] 移液头碰到泡沫、探不到液体，液面传感器就会报硬件错误；气泡还会扭曲实验最终依赖的光学读数。[39]
遇到气泡导致的报错时，Claude 的本能反应是在同一个孔里换参数重试。[39] 这有什么问题？重试只会把液体搅得更厉害，气泡更多。[39] 它不理解失败背后的物理，所以研究者只好告诉它：错误来自物理气泡，要换干净的孔、减少混匀次数；它记住上下文，跑完了剩下的流程。[39]
事后，Genentech 把这些教训固化成可复用的移液技能。[39] Claude 从此能为不同物理性质的液体选出合理的默认参数，移液错误随之减少。[39]
离"自主发现引擎"还有多远？
Genentech 把这次实验定位为概念验证，方向是端到端的自主工作流：科学家设定高层生物学意图，AI agent 协调物理执行、闭环分析数据。[39] 接下来要把 MHS 部署到离心机、培养箱、分析仪器和传感器上，还要调教 agent 框架理解从分子到活细胞的细节。[39]
但 Genentech 对现状的判断很清醒：AI 擅长通用推理，面对物理、化学和生物约束仍会犯难，尤其是需要现实世界物理直觉的排错。[39] 气泡给 Claude 上的这一课，正是下一代实验室 AI 要补的课。[39]