问题：科研效率与可靠性成为实验室升级“硬约束” 生物医药、地球科学等领域，实验步骤多、链条长、重复性强；科研人员既要完成大量细碎操作，又要处理海量数据和文献检索，时间成本高、人为误差也难以完全避免。尤其在高通量筛选、连续培养等场景，对“持续运行”和“过程可追溯”的需求越来越突出，科研组织需要更稳定的执行系统，以及更高效的知识生产方式。 原因：自动化基础成熟叠加智能体能力提升 近期，上海浦东金桥一座近1300平方米的全自动生物医药实验室引入智能体“龙虾”（OpenClaw）。该系统将自动导向车与机械臂协同起来，在多个功能岛之间完成样本转运与标准化操作，覆盖细胞培养、基因测序、高通量筛选等环节，实现24小时连续运行。企业披露，该实验室整体工作量可对标约50人的生物学实验团队；引入智能体后，实验吞吐量提升约40%至50%，部分环节错误率由约5%至8%降至接近零。技术团队表示，关键在于对任务状态的实时调度和流程衔接能力，使资源分配更细、等待时间更短。 同时，科研智能体正从“执行流程”走向“推理发现”。上海人工智能实验室发布的“书生·智能体（Intern·Agent）”1.5版本提出，以生成、验证、进化三类协同子系统搭建跨学科科学发现框架，将科研工作抽象为可迭代的推理过程。在气象与气候应用中，该系统构建端到端的智能降尺度管线，把过去需要数周甚至数月的流程压缩到小时级，并在地球科学、生物科学等场景验证了通用性。 影响：科研组织方式、质量控制与人才分工同步变化 业内人士认为，智能体进入实验室，首先带来“产能提升”：重复性操作由机器承担，人员从搬运、配液、记录等事务性工作中解放出来，更多投入实验设计、关键节点把关和结果解释。其次是“质量提升”：标准化执行与全链路记录有助于减少操作偏差，增强可复现性与可追溯性，为药物发现、模型训练与监管合规提供更稳定的数据基础。 但智能体并不等同于“无人化”。以“龙虾”为例，其动作与路径仍依赖预设流程；面对突发异常、危险操作和边界条件，仍需要科研人员做最终判断。为此，企业为各功能岛开发对应“技能包”，限定操作范围、明确接口与安全条件，形成“人把关、机执行”的协作方式。随着科研智能体在推理与决策层面能力增强，对数据质量、实验规范和模型可解释性也提出更高要求；一旦输入数据或假设存在偏差，高速迭代反而可能放大风险。 对策：以标准、治理与“人在回路”机制护航落地 受访业内人士建议，推动智能体更广泛进入科研环节，需要同步补齐三上能力：一是标准体系，围绕实验流程建模、数据格式、设备接口与日志审计建立统一规范，降低跨平台集成成本；二是安全治理，针对危险化学品、病原材料、关键设备权限等建立分级授权与应急机制，并在关键步骤强化“人在回路”审核，确保效率提升不以安全为代价；三是人才与组织，培养既懂科研又懂工程的复合型队伍，推动实验室从“按人头排班”转向“按流程编排”，让科研人员把精力更多放在提出关键科学问题和设定研究目标上。 前景：从单点助手走向跨学科协同的创新共同体 展望未来，智能体的角色将从文献梳理、数据处理等单点任务，深入走向跨工具调用、跨流程衔接与跨学科知识整合，逐步融入科研全链条：从选题论证、实验规划，到执行调度、结果分析与复现实验，形成闭环迭代。在该过程中，实验室自动化与推理型科研框架将叠加推进：前者提供稳定的“动作与数据”，后者强化“假设与验证”，推动科学发现更高效、更可复现。业内也提醒，应以科学规律和伦理规范为底线，避免高估工具能力，确保科研创新始终围绕真实问题和可验证证据展开。
从“龙虾”到“书生”，中国科研正在经历一场安静但深刻的转型；这些创新不仅是技术进步，也在重塑科研的工作方式与协作结构。当机器承担更多基础性、重复性的环节，科学家就能把时间投入到更具创造性的提出问题与验证假设之中。在人机协同加速落地的过程中，中国科研体现出清晰的升级路径与可观的创新潜力。