他所在的领域有一本诱人的账：设计一个蛋白，比如分解塑料的 PETase，成本最低 0.01 美元；但测试一个蛋白要花约 100 美元和一周人力。他们一次测 1000 个候选。[39]
这个领域来头不小：David Baker 凭"计算蛋白设计"拿了 2024 年诺贝尔化学奖 [7, 8]，Pinglay 实验室 2024 年 1 月才建组 [4]。但诺奖级的算法设计出来之后，瓶颈卡在实验台上。
一个人盯不过来的实验室
Zihao Song 的痛点有两个：看不见，喂不饱。
仪器散在实验室各处，想知道实验跑得怎样，得一台一台走过去看。HPLC 报错停了、液体处理工作站出错毁掉一板样品，他常常几小时后才发现，样品已经报废。每种仪器他只有一台，一台机器决定一整轮测试的节奏，他得花几小时手动喂样品。[39]
所以，自动化显然是答案——但学术实验室为什么用不起？工厂的产线是一个流程跑一万次，他的实验室一年跑几十种流程，一半是新写的，中途还得改——蛋白产量低于预期，或者 DNA 组装失败。而不同厂商的仪器各有各的软件、数据格式和驱动，连起来要花数月到数年，成本从几千到几百万美元。[39]
他的回答是：规划实验、读论文、分析数据，或者"小睡一会儿，晒一小时太阳"。
三个 demo
8 月 27 日，Anthropic 发布模型硬件标准（MHS）研究预览，Zihao Song 把 MHS 和 Claude Code 结合起来，在实验室跑了三个 demo。他把实验室分成三类：传统实验室灵活但费人力，AI 只用于问答；自动化实验室近无人值守，但昂贵僵化；MHS 实验室让所有仪器走同一个标准，agent 能真正参与实验。用他的话说，MHS 给了 agent 眼睛、手和时间感。[39]
第一个是远程监控。仪器把状态汇报到一个看板，他和同事在笔记本上就能看全实验室，甚至在手机上问 AI agent，不用踏进实验室一步。[39]
第二个是 AI 监督的 qPCR。qPCR 的扩增曲线呈 S 形：信号先平、再陡升、最后进入平台期。反应一旦跑进平台期，DNA 文库就失真了，所以必须在正确的时刻终止。过去这要盯几小时屏幕。现在 agent 实时分析曲线，在关键时刻问他停还是继续；收到停止指令后，它终止反应并把仪器推进到 4 °C 保存，防止 DNA 降解。[39]
第三个是机械臂板交接。他用一台基于 LeRobot 的开源机械臂配合液体处理工作站：工作站分液完成后，agent 收到信号，约 10 秒后触发机械臂取走完成的板、换上新板。反复测试，两台设备从未碰撞。他全程在办公室电脑上看着，什么都没碰。[39]
他们一次测 1000 个候选。
一周接六台设备
搭建有多快？他之前的自动化尝试是几周评估平台、追厂商支持、写胶水代码，最后放弃；这次用 MHS 连接六台设备，含写驱动在内不到一周。连上之后，agent 自己发现每台设备、读状态、调操作，不用他扶着接口。[39]
省下的时间去了哪？他的回答是：规划实验、读论文、分析数据，或者"小睡一会儿，晒一小时太阳"。[39]
离全自动实验室还有多远？
但 Zihao Song 自己把话说得很清楚：这些还只是概念验证。更复杂的流程需要大量优化才能稳定运行，让 agent 长时间持续监控，也要算计算成本的账。[39]
他真正想要的是全自动的"设计—构建—测试—学习"循环：agent 提出一批设计，完成构建和测试，从同一个接口读回结果，再规划下一轮。现在每一轮都卡在交接上，结果要人从一站搬到下一站。一个能自己产生科学数据的实验室，即使只有学术级预算，在他看来也开始变得可及。[39]