商用机器人搭出闭环实验台：智能体优化比贝叶斯优化少用最多52%迭代
核心概要
一台由商用实验室机器人、吸光度读板机和可替换优化器组成的自驱动实验室实验台，在六个独立实验中各完成48轮无人干预的闭环迭代，累计超过24小时。系统在六个实验中的五个把目标吸收光谱匹配到测量误差以内，平均RMSE为若干OD。在同一物理回路中，基于Claude Opus 5的智能体优化在三个目标上都比贝叶斯优化用更少迭代匹配成功，其中目标1减少52%、目标2减少32%，并在贝叶斯优化48轮内未能匹配的目标3上于11轮内收敛。
深度剖析
自驱动实验室现在有了一个用现成商用仪器搭成的物理实验台，可以在同一套硬件上连续无人值守地跑完整个设计—构建—测试—学习回路。 此前的闭环平台多为针对具体科学问题定制的单台装置，商用设备与AI决策的整合仍处于早期，缺少在低风险任务上比较决策算法的共同参照。 六个独立实验各48轮、每轮约四小时，累计超过24小时无人干预运行，每轮从移液、读板到选择下一个配方都由系统自行完成。
实验台把液体配制和光谱测量交给机器人，把下一步配方的选择交给可替换的决策算法。 决策层可以是开源贝叶斯优化库BoTorch，也可以是通过Claude Messages API调用的Claude Opus 5智能体，后者在本地Python沙箱中自行写代码拟合模型。 任务是在250 µL总体积约束下混合红、黄、蓝三种染料与水，用读板机在400、600、700 nm三个波长测吸光度，并以读板机测量精度规格判定是否命中目标。
智能体在三个目标上都比贝叶斯优化更快命中，且不需要人工设定优化器结构。 贝叶斯优化需要定制BoTorch代码、手动选择超参数并预先指定模型结构，智能体则自行选择并实现模型。 目标1从21轮降到10轮，目标2从34轮降到23轮，目标3贝叶斯优化在48轮内未命中而智能体11轮命中；两者每轮决策耗时相近，智能体平均19秒、贝叶斯优化平均16秒。
启示与展望
演示范围限于低黏度液体分配与三个固定波长下的滤光片吸光度测量，任务是在250 µL总体积约束下用三种染料和水匹配目标光谱；作者明确说明该流程虽具代表性，但不足以确立对化学、材料与生物领域全部实验技术和材料体系的普适性。
作者指出，智能体优化可能同样有效或更有效，但需要进一步实验才能得出更有把握的结论；三个波长不能唯一确定混合物的完整光谱，因为异谱同色混合物可在测量波长上相同而在其他波长上不同。