AI开始操控显微镜：距离真正独立实验还有多远？
SCIENCE · AI · LAB
《显微镜外》｜科研圈观察
当AI掌握了操控显微镜、移液工作平台和机械臂的本领，它就真的能开展实验了吗？
显微镜自动定位到目标区域，完成聚焦与成像；移液工作平台按照设定剂量精准加样；机械臂将样本转运至下一台仪器。
实验结果产生后，AI读取数据，随即决定下一步需调整哪些参数。
过去，这样的画面更像是科幻片中的"无人实验室"。如今，它正逐步走入现实。
2026年8月27日，Anthropic正式发布了Model Hardware Standard，即MHS。这是一项旨在让AI智能体与显微镜、液体处理装置、机械臂等实验硬件互联互通的技术规范。
根据官方说明，AI可借此同时调度多种设备，完成药物筛选、显微成像乃至激光对准等任务。
这条消息很容易被压缩成一句吸睛的总结：AI已经会做实验了。
然而真正值得深思的问题是：会操控仪器，是否等同于会做实验？
01
过去几年，AI涉足科研的方式基本停留在电脑屏幕上。
它能够查阅文献、整理数据、生成代码、解析图像，也能基于已有材料拟定实验计划。但无论回答多么详尽，最终拿起移液枪、调校显微镜、处理样本的，依然是人。
MHS试图跨越这道鸿沟。
依据Anthropic公开的资料，这套规范可使AI与不同厂商、不同功能的硬件进行通讯。
参与早期试点的机构涵盖霍华德·休斯医学研究所、卡内基梅隆大学、Genentech和QuEra等，涉及显微镜、液体处理装置、机械臂以及量子计算实验设备。
这一进展的意义，并不在于发明了某台更智能的仪器，而在于尝试打造一种通用接口。
过去，一台显微镜、一套自动加样设备、一只机械臂，往往各自拥有独立的软件与控制逻辑。即便实验室已购置了自动化设备，也难以让它们像一支团队那样协同运转。
MHS要做的，是让AI化身不同设备间的"协调中枢"。
AUTOMATED LOOP
拟定操作流程→调度实验设备→读取实验数据→依据结果调整参数 →启动下一轮实验
这确实比"让AI辅助撰写一份实验方案"向前迈进了一大步。
但截至目前，MHS仍处于面向少数合作机构的研究预览阶段。官方并未给出充分证据表明，它已能在无人监管下，独立完成复杂、长期且可复现的生物医学实验。
因此，更为准确的表述不是"AI已成为科学家"，而是"AI开始具备操控实验设备的能力"。
02
实验室里有大量工作天然适合自动化。
例如定时拍照、按设定体积加样、反复清洗、记录温度、读取吸光度，以及在规则清晰时调整仪器参数。这类任务步骤明确、重复度高，也便于留下操作日志。
AI与自动化设备的组合，最先改写的极可能是这些环节。
它可以削减机械性的重复劳动，也可能降低漏记时间、加错固定体积或忘记保存原始数据等人为差错。对于需要高通量筛选的药物开发和细胞实验，这种价值尤为突出。
然而，真正的实验并非从第一行执行到最后一行SOP那么简单。
细胞状态突然变差，根源是培养基、细胞代次还是接种密度？
显微镜下出现一个异常结构，究竟是全新的生物学现象，还是污染、折光与拍摄参数造成的伪影？实验结果与预期相悖，是因为假设本身有误，还是样本、试剂、设备或分析流程出了问题？
这些问题通常没有一条预先写好的规则。
实验人员不仅要明白"下一步做什么"，还要判断眼前的结果是否可信、异常是否值得追踪，以及原来的问题是否需要重新定义。许多重要发现，恰恰源自那些未按预期出现的结果。
这也是"操控设备"与"从事科学研究"的本质差异。
前者主要回答如何执行；后者还要回答为何这样做、结果能否被采信，以及下一轮实验究竟应该验证什么。
AI距离真正做实验的三道关卡
01察觉预设范围之外的异常
02构建而非复刻科学判断
03为判断失误担起责任
03
当实验由人完成时，责任链条相对明晰。
谁设计实验、谁处理样本、谁审核数据、谁在记录上签字，通常都可追溯。进入药物开发、临床研究与细胞治疗生产后，这种可追溯性更是基本底线。
但若AI开始操控真实设备，问题会迅速变得复杂。
假如AI误判显微图像，决定添加某种试剂，最终导致整批样本报废，责任应由谁承担？是提供模型的公司、开发设备接口的厂商、批准任务的实验人员，还是部署这套系统的研究机构？
若同一模型更新后，对同一组数据作出不同判断，前后两次实验还能否被视为采用了同一种方法？
AI依据中间结果自动调整实验步骤时，哪些变更需要重新审批？操作日志能否完整记录模型所见信息、调用的设备版本以及决策依据？
目前这些问题并未因MHS的发布而得到解答。
HIGH-RISK SETTINGS
在细胞治疗、药品生产和临床检验等高风险场景中，"实验成功"不能只看一组亮眼数据。样本身份、设备校准、试剂批次、操作权限、异常处置与原始记录，都必须能够追溯。
这意味着，AI越靠近实验台，人的责任越不会自动消失。相反，人的工作可能从亲手完成每一步，逐渐转向设定边界、规定停止条件、审核异常与承担最终责任。
对科研人员而言，最先被改写的未必是"科学家"这个职业，而是职业内部那些已经能够标准化的任务。
会按步骤操作仪器的人，优势可能逐渐收窄；能够提出好问题、识别异常、掂量证据强弱，并知道何时应该叫停实验的人，反而愈发重要。
AI已经把手伸向了显微镜和移液工作平台，但它距离真正成为科学家仍然遥远。
真正的科学，不仅是把实验做出来，还包括明白为何要做、如何证明结果可信，以及当结果出错时由谁担责。
这不仅是实验室的问题。随着AI深入医疗、制造、金融以及其他现实场景，我们每个人都可能遭遇同一种变迁：机器越来越擅长执行，人需要证明的，则是自己仍然能够判断。
假如有一天，AI完成了实验的全部操作，而人只负责最后签字，你认为真正"做实验"的究竟是谁？
显 微 镜 外
如果这篇文章帮你把一个问题想明白了，欢迎关注《显微镜外》，也可以顺手点个"在看"或转发给需要的人。