AI Agent Automates Laboratory Protocols via Natural Language

•實驗編排系統 (EOS) 是一個開源軟體框架和運行時，旨在作為自動化或自駕實驗室 (SDL) 的綜合基礎，支援從單一儀器控制到多步驟實驗編排的各種自動化層級。
•該系統整合了混合式AI-貝葉斯優化器，將貝葉斯優化與大型語言模型 (LLM) 推理相結合，用於協議運行活動，以優化實驗參數。
•此類AI代理被設計為自主運行，能夠感知其環境、根據既定目標做出決策，並採取行動，而無需人類在每個步驟中持續干預。
•其架構通常結合了認知AI模組（如用於自然語言理解的LLM、用於領域特定推理的基礎模型和規劃器），並透過主動學習和貝葉斯優化來有效探索參數空間。
•除了工作流程自動化，這些代理系統的目標是自主規劃實驗、執行協議、觀察結果並以最少的人工干預調整策略，涵蓋整個實驗流程。

EOS 作為一個開源軟體框架和運行時，為實驗室自動化提供基礎，其核心包含一個插件系統，用於定義實驗室、設備、任務、協議和優化器，以及一個用於共享和重用自動化代碼的包系統。
系統在載入時和執行時對協議、參數和配置進行驗證。
EOS 的執行時由一個中央協調器和一個 Ray 集群組成，用於分散式計算，連接到運行 Ray 工作器的實驗室電腦以控制設備。
採用分層執行模型，支援任務、實驗和活動，並整合了混合式AI-貝葉斯優化器，將貝葉斯優化與大型語言模型 (LLM) 推理相結合，用於協議運行活動。
AI代理架構通常結合基礎模型（LLM核心）與執行迴圈，該迴圈能夠觀察環境、規劃、呼叫工具、更新記憶體並驗證結果。
記憶體和上下文管理是關鍵組件，包括短期和工作記憶機制，以維持跨多個步驟的連貫互動。
實驗定義和目標設定可透過 YAML 和 Python 實現。
一個相關的系統架構透過領域專用語言模型 (SLM) 實現實驗自動化，將機率推理與透過結構化驗證和模組化編排強制執行約束的確定性執行層整合，並將意圖解釋、實驗規劃和命令驗證分開。

AI代理將顯著加速科學發現週期。

透過自動化實驗設計、執行和數據分析，AI代理能夠實現更快的假設迭代和優化實驗流程。

實驗室自動化將朝向更高層次的自主性發展，最終實現「五級」人類無需干預的操作。

隨著AI代理系統變得更加複雜，它們將能夠自主規劃、執行和調整實驗策略，從而擴大先進實驗能力的可及性。

AI驅動的實驗室自動化市場將持續快速增長。

由於對提高效率、減少錯誤和加速科學發現的需求不斷增加，該市場預計到2031年將達到71億美元。

2023-12

BioPlanner 框架發布，評估大型語言模型在生物學協議規劃中的能力，並成功在生物實驗室中執行生成協議，展示了 LLM 在實驗自動化中的早期潛力。

2025-05

關於「實驗編排系統 (EOS)：實驗室自動化的綜合基礎」的論文發表，介紹了 EOS 作為一個開源框架和運行時，為自動化實驗室提供全面基礎。

2026-02

一篇關於「透過客製化領域專用語言模型和模組化 AI 介面的自主實驗室代理」的論文在 arXiv 上發表，提出了一種系統架構，旨在確保語言模型代理在安全關鍵科學儀器控制中的可靠運行。

2026-02

HighRes 和 Opentrons 宣布合作開發業界首個 AI 代理對代理實驗室工作流程，利用自然語言規劃和執行實驗。

2026-05

Berkeley Lab 研究人員開發 MatterChat，一個多功能 AI「橋接模型」，將大型語言模型的對話能力與基於物理的 AI 模型結合，以加速材料發現。

AI 代理透過自然語言自動化實驗室流程