未来的实验室应该像数据中心

来自 Latent Space · 期号 2026-07-16

摘要

Lila Sciences 想把未来的实验室建成一座黑暗仓库，里面全是 AI 引导的机器人，24 小时不停做实验。 CTO Andy Beam 和 CSO Rafa Gómez-Bombarelli 认为，科学方法是最后一个还没被互联网规模利用的数据集。他们把强化学习当作数据生成机制，让大自然当验证器。 他们已经积累了超过 10 万亿个经过实验验证的科学推理 token。公司赌的是广度通向深度——他们声称通用模型在样本效率上胜过领域专用模型。 具体成果包括：把气体吸附测量速度提升了约 2500 倍；在非人灵长类动物身上六个月拿到体内 CAR-T 数据（作为对照，AbbVie 曾为临床前的体内 CAR-T 数据花了 21 亿美元收购 Capstan）。 他们还讨论了机器创造力与 RL 解题能力的区别，以及 Rafa 提出的「苦乐参半的教训」：在 AI 里 scaling 是路线图，在材料科学里 scaling 是过滤器——只有能规模化的事情最终才重要。 本文是播客访谈，内容覆盖了从自动化实验室架构到科学超级智能的完整愿景。

深读

导读 原文信息有限，以下基于节目简介。Lila Sciences 的 CTO 和 CSO 阐述了他们的愿景：将未来的科学实验室建成一座由 AI 引导的机器人 24 小时不间断运行的“黑暗仓库”。他们相信，科学方法是最后一个未被互联网规模利用的数据集，通过将强化学习作为数据生成机制、让大自然充当验证器，可以通向科学超级智能。对于关注 AI 在生物、化学、材料科学中实际落地的从业者，这期节目提供了一个极具野心的前沿视角。 关键信息 - Lila Sciences 已积累超过 10 万亿个经过实验验证的科学推理 token。 - 他们声称其通用模型在样本效率上胜过领域专用模型，例如小分子化学的先验知识可以迁移到用于碳捕获的金属有机框架。 - 团队将气体吸附测量速度提升了约 2500 倍。 - 在非人灵长类动物身上，他们仅用 六个月 就拿到了体内 CAR-T 数据。作为对照，AbbVie 曾为临床前的体内 CAR-T 数据支付了 21 亿美元 收购 Capstan。 - 公司内部由 Ken Stanley（《为什么伟大不能被计划》作者）负责开放式的机器创造力研究，与大规模 RL 的解题能力形成互补。 逐节讲解 愿景：实验室即数据中心 Lila 的核心设想是将实验室改造成一个类似数据中心的自动化系统。仪器被视为图上的节点，通过磁悬浮的“PCI 总线”传输层连接，整个流程由类似 slurm 队列的调度系统编排。他们强调自己不是一家自动化公司，而是为灵活性和通用性优化，人类只停留在 API 层以下，只在自动化不划算的地方介入。 数据生成策略：快速迭代而非大规模筛选 面对“科学实验的运行时是什么”这一问题，Andy Beam 的回答是：你不能让核糖体跑得更快。因此，Lila 押注于快速的轮次迭代，而不是大规模、高噪声的多重筛选。他们重建了气体吸附测量流程，使其速度提升约 2500 倍，以此证明单次实验效率的巨大提升空间。 10 万亿 token 的构成与价值 这 10 万亿 token 不是序列，而是经过实验验证的推理轨迹。Andy Beam 认为，这类数据在互联网上的存在量“四舍五入为零”。他们赌的是广度通向深度：一个在多种科学领域上训练的通用模型，在样本效率上能胜过任何单一领域的专用模型。类比是，编程模型之所以变得更好，是因为它也读了莎士比亚和 carnitas 食谱。 机器创造力 vs. RL 解题能力 大规模 RL 能给出冷酷的、瓦肯人式的解题方案，但机器创造力是另一回事，也是“没人解决的部分”。Ken Stanley 在 Lila 负责开放式探索。他们举了一个例子：模型建议的无铂族电催化剂，起初被一位有 40 篇论文的专家认为“无聊”，后来被认为“愚蠢”，最终却成为他们做过的最好的催化剂。 苦乐参半的教训 CSO Rafa Gómez-Bombarelli 提出了…

读原文