编辑推荐：
随着全球挑战日益复杂，实验规划和执行需创新。研究人员开展 “自动驾驶实验室（SDLs）” 主题研究，探讨其普及方式及面临挑战。结果显示 SDLs 可优化研究，但面临技术、协作等难题。该研究为科研发展提供方向，意义重大。
在当今科学研究的广阔领域中，全球面临的诸多复杂挑战，如能源问题、医学难题、生态环境恶化以及不可再生资源管理困境等，正不断促使科研方式发生变革。传统的科研实验规划和执行模式，已难以满足当下科研的需求。在实验规划方面，过去从随机设计逐渐向统计驱动设计转变；实验工具也从简单辅助人工操作，发展为高度自动化的平台。然而，随着科研挑战的复杂性、交叉性和规模不断扩大，实验室研究迫切需要再次实现跨越，从个体化研究迈向大规模协作研究，整合多样的专业知识和技术。在此背景下，自动驾驶实验室（Self-Driving Laboratories，SDLs）应运而生，它承载着科研创新的期望，旨在通过自动化实验任务、优化实验设计和选择，降低研究成本，推动科研的加速发展。但目前，SDLs 的广泛应用还面临诸多阻碍，因此，对其进行深入研究，探索解决问题的方法至关重要。
美国北卡罗来纳州立大学（North Carolina State University）等多机构的研究人员开展了关于 SDLs 的研究。研究发现，SDLs 虽然具有加速研究、促进协作等巨大潜力，但在技术发展、人员协作、数据管理等方面存在诸多挑战。这一研究为推动 SDLs 的发展、实现科研的民主化和高效化提供了重要的理论和实践指导，其成果发表在《Nature Communications》上，引起了科学界的广泛关注。
研究人员在研究过程中，综合运用了多种技术方法。在实验设计与执行方面，借助自动化硬件和数字工具，实现实验的自动规划、执行和数据分析；利用机器学习（ML）算法，驱动实验设计和主动学习，以优化实验过程；同时，运用数据管理和建模技术，对实验数据进行有效组织和分析，确保数据的可靠性和可重复性。
自动驾驶实验室概述
SDLs 是为满足工业和学术界需求，将实验任务执行、实验设计与选择、假设生成与优化以及多研究小组协作等环节自动化的实验室。它通常由一套数字工具和自动化硬件组成，二者协同工作以实现人类设定的目标，如优化材料性能、发现新化合物等。与传统高通量 / 云实验室相比，SDLs 在实验选择、方法适应和工作流程整合方面具有独特优势，能够更高效地应对现代科研中的复杂问题。
实现 SDLs 普及的两种模式
- 集中式与分布式模式的特点：集中式设施通过集中资源和人员，为申请者提供（虚拟）访问，类似欧洲核子研究组织（CERN）的研究设施；分布式模式则借助开源网络，促进点对点协作，利用专业化和模块化优势，如 Galaxy Zoo 和 Foldit 项目。这两种模式各有优劣，集中式可实现技术先进的 SDLs，但通用性面临挑战；分布式提供灵活性，但需要更多协调。
- 混合模式的可行性：混合模式在现阶段可能更具优势。单个实验室可先利用简化、低成本的自动化系统进行工作流程开发和测试，再将最终流程提交给外部设施。同时，各实验室还能根据设施指南开发仪器，实现与集中式设施的 “即插即用”，以此解决单个实验室的通量问题和集中式设施的专业化问题。此外，与国家实验室的合作，为探索大规模协调和技术实施提供了机会。
SDLs 发展面临的阻碍
- 人员方面：从传统研究向 SDLs 研究转变，需要培养具备多领域专业知识的复合型人才，包括开发者、技术人员和用户。然而，目前开发者面临专业知识融合困难、培训资源不足的问题；技术人员的维护工作面临挑战，且缺乏相关培训资源；用户则需要具备科学假设制定和实验学习过程监督的能力，但现有的工具和教学资源有限。此外，学术界和工业界在 SDLs 技术发展中的利益诉求存在冲突，团队科学的协作能力培养也有待加强。
- 实验室方面：先进数据科学策略在 SDLs 中的集成和自动化面临通用性与特异性的矛盾。实验室自动化的实现需要解决组件集成、API 获取与文档不完善、数据格式不透明等问题。虽然开源系统有助于提高 SDLs 的可及性，但面临技术生态碎片化、中间件使用困难等挑战。同时，机器学习在 SDLs 中的应用面临多目标优化、实验约束处理、不确定性量化等难题。
- 社区方面：SDLs 技术在工业界的应用目前局限于少数领域，传统资助机构难以支持大规模的 SDLs 项目，而工业界的参与需要进一步降低技术风险。数据管理和建模需要更加灵活、可互操作，以确保数据的可靠性和可追溯性。目前，人们对 SDLs 生成的数据信任度存在担忧，缺乏统一的标准和激励机制来进行实验验证和结果报告。此外，当前的资助、出版和维护结构不利于 SDLs 作为科研民主化的推动力量。
研究结论与讨论
研究表明，为实现更民主化的 SDLs 辅助研究未来，需要聚焦于提高自主技术的效率、可及性和互操作性。集中式和分布式方法都需要建立自动化、软件和数据接口的标准和协议，同时需要学术、工业和国家的共同投入。一个专门的自动化实验室基础设施机构，有助于凝聚 SDLs 社区的力量，推动长期资金投入、最佳实践的发展和教育资源的开发。
尽管 SDLs 技术目前存在一些问题，但这些问题是可以克服的。通过从集中式和分布式两个角度解决自动化、建模、数据管理、协作和培训等方面的挑战，有望实现更具包容性和可及性的科研未来，使科研能够更好地应对复杂的现实问题。这不仅能够推动科学研究的加速发展，还将为解决工业和社会面临的诸多难题提供创新的解决方案，对推动人类社会的进步具有重要意义。
