OpenTrons 与 NVIDIA 联合推出新的 AI 驱动实验室时代，将机器人变成学习科学家

在过去的十年中，生命科学领域的人工智能主要集中在预测上。模型可以预测药物目标、生成分子结构或分析大量生物数据。但是，虽然洞察力已经迅速进步，实验执行仍然是一个瓶颈。将 AI 生成的假设转化为真正可重复的实验室实验仍然缓慢、昂贵，并且在仪器和工作流程上存在碎片化。

这种差距现在正在缩小。OpenTrons 已经宣布与 NVIDIA (NVDA ) 进行了深度集成，旨在通过将物理 AI 直接引入日常实验室操作来解决这个问题。

全球实体实验室机器人网络

OpenTrons 的独特优势在于其规模。该公司运营着一个全球性的超过 10,000 台标准化实验室机器人，部署在领先的研究大学和生物制药组织。这些系统已经自动化了基因组学、蛋白质组学、抗体发现和诊断等关键工作流程。

通过集成 NVIDIA 的物理 AI 平台——NVIDIA Isaac 和 NVIDIA Cosmos，OpenTrons 正在将其现有的机器人转变为 AI 系统的活跃训练场。物理 AI 模型不再仅仅依赖模拟数据，而可以直接从全球各地的湿实验室中学习。

模拟与现实的桥梁

模拟在机器人和 AI 开发中一直是必不可少的，但实验室引入了独特的复杂性。生物变异性、仪器差异、试剂行为和环境条件都会影响结果。通过将模拟与标准化的现实执行相结合，OpenTrons 和 NVIDIA 正在关闭数字规划和物理结果之间的环路。

在实践中，AI 系统可以提出实验设计、模拟结果、在 OpenTrons 机器人上执行实验，并将结果反馈到模型训练中。随着时间的推移，这将创建出不仅能够预测什么可能有效的 AI 代理，还能够理解什么在真正的实验室环境中有效的 AI 代理。

自治科学的闭环

这项工作的关键部分是 NVIDIA 的生物 AI 栈，包括 BioNeMo，它为训练和部署生物发现 AI 模型提供了基础。OpenTrons 提供了缺失的执行层——标准化、可重复和可编程的物理实验。

这使得持续学习周期成为可能。AI 模型生成假设和实验计划。机器人在成千上万个实验室中一致地执行这些实验。结果被捕获为高质量的训练数据，并反馈到 AI 系统中以改进下一个迭代。当扩大规模时，这个反馈环路有可能将发现时间线从几年缩短到几周。

标准化的重要性

实验室历来是异构环境。定制的自动化设置、专有仪器和手动过程使得在大规模上比较结果或重用数据变得困难。OpenTrons 的方法颠覆了这种动态，通过标准化执行，同时保持开放和 API 驱动。

这种标准化使得物理 AI 模型能够在实验室之间泛化。当实验在纽约、波士顿或巴塞尔以相同的方式执行时，AI 系统可以学习在不同环境中保持一致的模式，而不是过度拟合到单个设置中。

对药物发现和其他领域的影响

最直接的影响可能会出现在药物发现领域，因为实验的通量和可重复性直接影响速度和成本。但是，这个影响范围更广。自治实验执行可能会重塑诊断的开发、生物研究的验证以及新疗法从概念到临床的转化速度。

更广泛地讲，这个合作伙伴关系标志着 AI 在科学领域应用的转变。AI 系统不再仅仅停留在推荐阶段，而是开始采取行动——运行实验、从结果中学习并自主改进。这标志着自主实验室的早期但重要一步，在那里，人类科学家专注于策略和解释，而 AI 和机器人处理大规模的执行。

展望未来

OpenTrons 和 NVIDIA 将在即将举行的 SLAS 国际会议和展览会上展示这一愿景，他们将讨论如何将 AI 驱动的规划和机器人执行融合在一起。与会者还将有机会为下一代物理 AI 模型的训练贡献真正的实验执行数据。

随着物理 AI 从理论转向实践，这样的合作伙伴关系凸显了一个更大的趋势：科学领域 AI 的未来不会仅仅由更好的预测来定义，而是由能够设计、运行和从自己的实验中学习的系统——持续、自主和全球规模地运行。