中科大 Labimus：機器人化學家要上崗，先得考過這場試

面向精準化學實驗室的人形靈巧操控仿真和評測平臺

作者丨鄧哲敏

編輯丨齊鋮湧

一位有機化學家站在通風櫥前，拉開天平的玻璃擋風門，把稱量舟輕輕放到稱量盤正中央，按一下去皮鍵把讀數歸零。然后，她用藥匙從試劑瓶里舀起一小撮粉末，根據粉末的粗細和黏性調整力道，最后一點點把粉末抖落到稱量舟里，讓顯示屏停在0.850克，上下不超過0.001克。

這是她日常工作中的基本操作，也許一天要重復幾十次。

新藥、新材料、新催化劑的發現，背后是一場場的大規模試錯。要試的配方成千上萬，每一次試驗都要有人稱量、混合、加熱、檢測。如果能把這些事交給機器人，人類科學家便可以把更多精力放在提出假設、設計實驗和解釋結果上。

近日，中國科學技術大學聯合北京人形機器人創新中心推出了 Labimus，一個專門針對精準化學實驗室人形機器人靈巧操控的仿真和評測平臺。這個為機器人化學家專設的考官，希望打破傳統的二元評判標準，設計更嚴格、更精準、更有效的考題。

01

為什么把人形機器人培養成化學家？

學者們相信，用人工智能輔助完成科學研究，或能成為科學發現的第五范式。

一方面，大模型正越來越多地參與科學研究流程。從閱讀文獻、設計實驗方案，到預測材料性質、規劃實驗步驟，再到根據實驗結果決定下一輪實驗，AI 正逐漸承擔起動腦的工作。另一方面，機器人開始動手。機械臂可以按照既定流程完成移液、混合、加熱、檢測等重復實驗，把過去需要研究人員一遍遍操作的工作自動化，大幅提升實驗效率和可重復性。

近年來，從英國利物浦大學提出移動機器化學家，到越來越多自主實驗室的出現，“AI 決策+機器人執行”已經成為 AI for Science（即人工智能驅動的科學研究）的一條重要技術路線。

然而，目前的自主實驗室，大多是定制出來的。機器人不用適應實驗室，實驗室倒需要適應機器人。為了方便機器人工作，實驗臺需要重新布局，實驗設備需要重新設計，機械臂被固定在預設位置，連夾爪都針對某一個實驗步驟專門定制。這樣的系統可以高效完成固定流程，卻很難直接遷移到另一間實驗室。

以最普通的固體稱量為例，實驗員需要持續微調手握藥匙的角度，讓數字一點點逼近目標值，而不是一次性全部倒進去。整個過程往往依賴的是人的觸覺反饋和經驗判斷。對于機器人而言，這遠比抓起一個杯子復雜得多。

因此，中科大團隊沒有選擇繼續優化機械臂，而是把目標放在人形機器人和靈巧手上。在他們看來，人形機器人并非所有場景下的最優解。也許流水線等高度標準化場景，專用機器人有自己的優勢。但對于需要大量靈巧操作的化學實驗室，人形機器人與靈巧手的搭配是一條值得探索的路線。

02

如何給機器人設計一場化學實驗考試？

為了讓機器人接受科學實驗層面的考核，Labimus首先把化學實驗室搬進了仿真世界。

當然，這并不是簡單地給實驗室建一個3D模型。如果機器人最終評價的是稱量精度，那么仿真環境本身就必須足夠真實。否則，后面的所有評測都失去了意義。

因此，團隊從真實有機化學實驗室出發，利用 Real-to-Sim 的方式，重建了30余件實驗室資產，包括分析天平、燒杯、量筒、圓底燒瓶、藥匙等常見實驗器材。但真正重要的，并不是數量，而是這些設備都具有真實的物理屬性。

例如，分析天平的玻璃擋風門是能沿著導軌滑動的，并不是一段播放著的開門動畫，機器人需要像人一樣捏住把手，控制力度，才能將擋風門緩緩推開。分析天平也不是一個靜態道具，當粉末落入稱量舟后，屏幕上的數字會實時更新，就像現實中的電子天平一樣。

最難模擬的，是粉末。在許多機器人仿真平臺里，液體、顆粒等可變形物體一直是最困難的部分。Labimus沒有把粉末處理成一團簡單的視覺特效，而是將每一粒粉末建模成獨立的剛體，并賦予質量、碰撞等物理屬性。機器人舀起粉末時，顆粒會隨著藥匙運動，落入稱量舟后，每一粒顆粒的質量都會被累計到分析天平中，最終形成真實的稱量結果。

解決了在哪里考，Labimus 進一步回答考什么。

借助大語言模型，系統首先解析 SOP 文檔，再自動完成場景組裝、物體綁定和任務生成，最終拆解出六個原子操作，包括打開擋風門、關閉擋風門、抓取放置、按下去皮鍵、拾取工具、舀粉稱量，以及一個完整的七步固體稱量工作流。

這意味著，機器人面對的不再是工程師憑經驗設計出來的測試，而是真實實驗室每天都會發生的操作。

在論文通訊作者、中國科學技術大學人工智能與數據科學學院特任教授夏彥看來，這也是機器人化學家最終形態的一部分。他設想，未來研究人員只需要告訴機器人實驗目標，例如尋找一種新的催化劑，大模型便能夠自動規劃整個實驗流程，機器人負責完成實驗，并根據實驗結果繼續調整下一輪方案，最終形成真正意義上的自主實驗室。

不過，這距離現實還有不小的距離。目前，大語言模型生成的實驗流程仍需要人工校驗，Labimus也只是向這一目標邁出的第一步。

有了真實的實驗環境，也有了來自真實SOP的實驗任務，最后還差關鍵一步：該怎么評分？

Labimus最核心的觀察可以用一句話總結：Task Success ≠ Scientific Success。

過去，大多數機器人Benchmark采用的都是二元評價標準：完成就是成功，沒有完成就是失敗。在搬箱子、開抽屜的場景里，這沒問題。但在化學實驗室里，這把尺子失效了。機器人可以把粉末轉移到稱量盤上，按傳統的二元標準，這些操作算是做完了。可只要質量誤差超出了SOP規定的±0.001克，這次實驗在科學上就是不達標的。

Labimus引入三級遞進的評測層級。第一層仍然關注任務是否完成，例如門有沒有打開、物體有沒有抓起來。第二層開始加入連續精度指標，例如稱量誤差是否滿足實驗要求。第三層則進一步關注完整實驗流程中的長程表現，如機器人是否能夠在連續多個步驟中始終保持精度，又是在第幾步開始出現誤差累積。每上一級，就多看見一層上一級看不到的失敗方式。再配合四種考試條件（標準布局、加光照擾動、加紋理擾動、以及兩者疊加的組合擾動），共同構成一張3×4評測矩陣，同時檢驗機器人策略的精度和魯棒性。

03

考試的結果如何？

有了考場、考題、判卷標準，Labimus讓三位考生正式入場——ACT、Diffusion Policy、π0，三種具有代表性的機器人學習方法。

考試結果呈現一道清晰的難度階梯。最簡單的任務是開門。各家都能做到一定成功率，ACT最高，達到56.7%。到了關門，成績明顯下滑，π0表現最好，也只有40.7%。而需要單根手指精確按下一個小按鈕的去皮操作，對所有方法都構成了嚴峻挑戰——ACT只有2.0%，Diffusion Policy和π0直接歸零。

這一梯度并不意外。開門只需要抓住把手、施加一定推力，屬于相對粗放的接觸；關門需要控制力度，避免撞擊或夾手；而按下直徑僅幾毫米的去皮鍵，要求指尖以特定角度、特定力度完成一次精準的瞬時接觸。

有一個發現值得關注：精度差距。

以ACT在抓取放置任務上的表現為例。按傳統的二元標準，它完成了5.3%的episode。但如果用Tier 2的精度標準重新審視，只有3.3%的episode滿足位置誤差不超過15毫米的要求。也就是說，在那些按照傳統標準被判為成功的操作中，近四成其實是不達標的。

魯棒性測試也有類似提醒。π0在開門任務上，單獨改變光照或紋理，性能影響都有限。可一旦兩種擾動疊加，成功率從47.3%跌至40.0%，降幅明顯大于任何單一擾動。這提示我們，真實世界里復合的環境變化，對策略的影響不是簡單的線性疊加，而是存在某種共振效應。

04

考試的意義是什么？

被問及具身智能最大的瓶頸時，夏彥沒有猶豫："本體、數據、模型，三者都有瓶頸，但當下最突出的是本體能力。"這個判斷與Benchmark的測試結果形成了呼應。

Labimus的評測表明，精細的接觸控制是當前方法共同的短板。但這些操作對靈巧手本身也提出了極高要求：高自由度、敏感的力覺感知、毫秒級的響應延遲。市場上能達到這一水平的靈巧手，單只售價30萬起，且大多尚未量產。

"我們受限于經費，還沒有辦法把市場上所有靈巧手都買回來測試極限。"夏彥坦言，"但如果本體都完不成動作，收集再多數據也沒用；沒有好的數據，模型也訓練不出來。"

這是一個層層傳導的困境：本體→數據→模型，瓶頸從最底層向上放大。

數據采集的混亂進一步加劇了這一困境。視覺、觸覺、UMI、egocentric……各種采集方案百花齊放，連攝像頭規格都遠未統一。夏彥提到一個有趣的對比：特斯拉Optimus能進展較快，很大程度上是因為它復用了自動駕駛同一套傳感器規格，數據遷移成本極低。而學術界的機器人研究，幾乎每家都在用不同的硬件、不同的協議、不同的坐標系。

Labimus的v0版本顯然不完整：只覆蓋了四個原子操作和一項Tier 2精度任務，完整工作流評測仍在進行，Sim2Real遷移尚未驗證。

但團隊選擇在這個節點發布，是因為他們想先把人形機器人化學家這個方向拋出來。

"這是一個非常交叉的領域，做AI的人不懂化學，做化學的人不懂AI。"夏彥說，"我們先把概念提出來，讓大家看到這個賽道到底能做成什么樣。如果更多人加入，事情會推進得更快。"

這種先占位、再完善的策略，在AI研究領域并不罕見。Labimus的特殊之處在于，它提出了一個新的評價范式。

過去，機器人Benchmark的競爭邏輯是刷分，在固定數據集上追求更高的成功率。但夏彥認為，這種邏輯在科學場景下會失效。"最終評價一個機器人科學家的，不應該只是它完成了多少任務，而是它是否真正加速了科學發現。 比如把發現一個新物質的時間從100年縮短到一周。這個效率維度，現有的Benchmark都沒有體現。"

這是一個更宏大的問題，也是 Labimus 留給行業的真正命題。

以下是AI科技評論與論文通訊作者、中國科學技術大學人工智能與數據科學學院特任教授夏彥的對話，經不改變原意的編輯整理：

▎AI科技評論：為什么直接瞄準人形機器人+靈巧手的終局，沒有先找一個中間態過渡？

夏彥：對，我們確實沒有考慮一個中間的狀態。我們覺得這樣才是未來。

現有的自動化實驗室，本質上是用夾爪去做定制化的事情。換一個實驗，換一個夾爪，換一個硬件，這條路我們覺得不是未來。化學操作天然具有靈巧性，稱多了要抖一抖，搭裝置要擰冷凝管，這些中間態的專用設備解決不了。人形機器人可以直接走進沒有任何改造的實驗室，用人類現成的工具完成操作。

不是為了讓它看起來像人，是因為這間實驗室，本來就是為人的雙手設計的。

▎AI科技評論：但靈巧手現在這么貴，又容易壞，如果本體能力長期跟不上，這個評測會不會懸置在半空？

夏彥：這個確實是我們擔心的。所以我們現在希望有更多靈巧手廠家能夠一起合作，去探索本體的極限。

現在市面上有的說22個自由度，有的說25個，但實際上能不能做到精準化學操作？我們受限于經費，目前采用的還是比較基礎的靈巧手。如果我們用了更好的本體，是不是事情會更容易一點？評測先行是有風險的，但如果沒有人先把方向提出來，行業可能永遠不會往這個方向投入。 所以我們選擇先把Labimus拋出來，哪怕它現在只是一個v0版本。

▎AI科技評論：你預計人形機器人什么時候能真正走進化學實驗室？

夏彥：我希望在簡單任務上，接下來一兩年內能做一些比較經典的基礎動作。全面鋪開的話，可能需要5到10年。但我跟幾個專門做機器化學家的化學工作者聊過，他們更樂觀，認為隨著AI發展，3到5年可能就實現了。我作為做機器人的人，可能稍微保守一點。

▎AI科技評論：AI和化學是兩個完全不同的學科，這個交叉領域的困境怎么突破？

夏彥：這確實是一個非常交叉學科的事情。做具身智能的人其實是不懂化學的，化學的人也不懂AI。我們希望雙方的研究者都能進入這個賽道看一看，它到底能做成什么樣。這也是為什么我們要現在推出v0版本。不是我們等不及，而是這個概念需要先提出來，才能吸引更多人加入。 如果只有我們一家在做，這個事情永遠做不大。

▎AI科技評論：現在模型學習速度越來越快，很多benchmark很快被刷穿，具身領域會不會也有這個問題？一個面向科學的benchmark，該怎么避免淪為刷分工具？

夏彥：確實存在。很多方法在數據集上刷得很高，但很難泛化到其他場景。

我覺得這里有一個根本性的問題：最終評價一個機器人科學家的，不應該只是它完成了多少任務，而是它是否真正加速了科學發現。 比如發現一個新物質，從100年縮短到一周，這個效率維度現有的benchmark都沒有體現。

如何建立一個既能量化操作精度、又能衡量科研效率的完整評價體系？這是一個又大又難的問題。Labimus也只是初步嘗試，肯定不完美。但如果行業能圍繞這個問題持續討論，比單純刷分要有意義得多。

▎AI科技評論：目前具身智能最大的瓶頸在哪里？

夏彥：我覺得模型、數據、本體都有瓶頸，但本體能力是當下最突出的。我們想做很簡單的化學操作，但本體能力就已經受限了。我們希望把市場上所有靈巧手都買回來測試極限，但受限于經費還沒做到。如果本體都完不成動作，收集再多數據也沒用；沒有好的數據，模型也訓練不出來。另外，數據采集設備也遠未統一，視覺、觸覺、UMI、egocentric……各種方案百花齊放。

論文：arxiv.org/abs/2606.31037

項目主頁：labimus.github.io

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。