因為有點太長,大概會分成三篇:
1. 介紹 SDL 的進程 + 目前幾個大型的 SDL 研究中心
2. 生技公司、藥廠自建 SDL(用在生物製劑上的 SDL)
3. 趨勢:自主實驗室的商業模式
Automation of Science
AI 世代的來臨,不只軟體工程漸漸被 AI 取代,生醫和藥物開發方面也有開始有這個趨勢。
自主實驗室這個詞,也越來越常被提起,或是出現在新聞上。
自主實驗室,Autonomous lab,又稱 Self-Driving Lab。
Self-driving 的概念興起於 2000 年代後期,強調其閉路循環(closed-loop),也就是 DMTA (Design-Make-Test-Analyze) 循環:AI 建立假說、設計實驗 + 自動化機器人執行和測試 + 傳回給 AI 進行數據分析和評估最佳化條件,然後設計和進入下一輪實驗。
不過,說到自主實驗室,就要提起 Automation of Science 的先驅,同時是英國劍橋大學和瑞典 Chalmers Institute of Technology 的教授 Dr. Ross King。
Adam (2009)
史上第一個自主實驗室是 Ross King 在 2009 年時,和亞伯里斯威斯大學(Aberystwyth University)研究團隊合作的亞當 Adam,除了是向聖經中的亞當致敬,也是向 18 世紀極力提倡工業機械化的經濟學家亞當・斯密(Adam Smith)致敬。
亞當主要是應用於基因組學,利用酵母菌(S. cerevisiae)作為模型生物,自動推論並找出酵母菌中 10% 到 15% 未知功能的基因,以及識別孤兒酶(orphan enzymes)。
💡 孤兒酶(Orphan Enzyme)是什麼?
已知其功能的酶,例如它催化哪一個代謝反應,但不知道是哪一個基因負責編碼這個酶。這些基因很多原本被標註為未知功能(unknown function)或功能標註錯誤。
Adam 的工作是把「功能未知的基因」與「已知但缺少基因的酶」配對起來。
Adam 做了什麼?
1. 從現有生物資料庫和邏輯模型中,自動產生假設:哪一個未知功能的基因可能編碼某個孤兒酶?
2. 針對 13 個孤兒酶產生了 20 個假設並設計實驗
3. 執行實驗、分析數據,並迭代優化。
結果:成功發現並驗證了多個孤兒酶的基因,其中最重要的一個是負責離氨酸(lysine)生成的酵素 2A2OA (2-aminoadipate:2-oxoglutarate amino transferase)
Eve (2015 ➔ 2018)
2015 年,他和瑞典哥德堡(Gothenburg)的查默斯理工大學(Chalmers University of Technology)的研究團隊合作,將亞當進化成夏娃 Eve,可以將早期藥物設計的流程自動化。
發表在 2018 年的研究顯示,夏娃篩選了約 1,600 種化學物質,針對其結構和活性的關聯性建模,用以預測哪些物質值得測試,並設計和執行實驗來驗證,結果發現常見的抗菌化合物三氯沙(triclosan)可以抑制瘧原蟲(Plasmodium falciparum)在肝臟休眠期時,用來存活的酵素 DHFR (Dihydrofolate reductase)。
Eve 運作流程:
- 初步 in silico 篩選:AI 從涵蓋已核准的 Johns Hopkins Clinical Compound Library 中用 ML 模型快速預測哪些最可能有活性。
- 執行實驗:把 AI 選出的化合物加入細胞培養盤,培養瘧疾寄生蟲,然後用自動化儀器測量真實的抑制效果。
- AI 學習:將實驗結果傳回 AI 系統,AI 根據結果分析哪些化合物的結構或性質與活性有關。
- 最佳化:使用 Bayesian Optimization 等演算法,根據分析結果來預測哪些還沒測試過的化合物最可能有效,然後自動安排下一輪實驗。
- 迭代優化:重複 2–4 步進行「測試 → 學習 → 預測 → 下一輪測試」,直到找到活性最強、最有潛力的候選物。
Genesis (開發中)
2019 年時,Ross King 收到瑞典 WASP (Wallenberg AI, Autonomous Systems and Software Programme) 的邀請,被任命為 Wallenberg Chair,正式啟動第三代的 Genesis 開發計劃,目標是讓它成為 L4 自主實驗室,完成後可以全面自動化酵母(Saccharomyces cerevisiae)系統生物學(systems biology)研究,每天自組啟動和執行 1000 個實驗。

- Adam:第一個可提出並驗證假設的 SDL。
- Eve:從純科學發現轉向產業應用,以最佳化(optimization)為主,能大幅提升效率,可用藥物篩選。
- Genesis:體積是 Eve 的五分之一,目標是可自主生成假設、設計實驗、執行並分析結果,建構基因、蛋白質與小分子交互作用的系統生物學模型。King 希望用它證明在特定領域,機器科學家能比人類更快、更便宜完成研究。
Dr. King Ross website: Automation of Science
Self-Driving Lab (SDLs)
上面提到 Ross King 團隊的目標是把 Genesis 打造為 L4 自主實驗室,什麼是 L4?
Beal et al 在 2020 年的時候,在 Mol Syst Biol 發表了一篇文章,提出 SDL 的分級,他將 SDL 分成 L0-5 六級,L0 完全就是工人實驗室,隨著級數升高,工人智慧的佔比變少,人工智慧的佔比升高。
2026 年的時候,Ginkgo Bioworks 的創辦人兼 CEO Jason Kelly 提出了產業版的 LoLA (Levels of Laboratory Autonomy)。

目前稱得上自主實驗室,有達到 L3 包括 Ginkgo Nebula + GPT-5, A-Lab, Genesis 和 LabGenius EVA 等等。
文章連結:Levels of autonomy in synthetic biology engineering
Berkeley Lab: A-Lab
A-Lab 是美國 Lawrence Berkeley National Laboratory 開發的自主實驗室平台,於 2023 年開始運作,主要用在加速無機材料(inorganic materials)的合成與開發。
A-Lab 整合了以下幾個元素形成完整的 closed-loop 系統:
- AI 規劃端:先從 Materials Project 和 Google DeepMind 的計算資料裡挑選出預測為穩定的新材料,以及從文獻中學習合成方式。AI 能為每個目標化合物提出多達 5 種合成路線,並透過主動學演算法持續優化。
- 機器人執行端:硬體包含 3 個工作站可自動合成和分析。
- 數據分析 & 迭代:AI 即時解讀結果,判斷是否成功合成目標物,並決定下一步實驗。
整個過程高度自動化,無需人類介入,為全球第一個用無機化學粉末為原料的全自主固態合成 SDL。
研究團隊於 2023 年在 Nature 期刊正式發表,目標是縮小「預測」和「實際合成」之間的差距,且 AI 和機器人能 24/7 自主完成從設計、實驗、分析到迭代優化的完整循環,被視為材料開發加速 10-100 倍的範例。
實驗結果:
- 在 17 天連續自主運行 中,A-Lab 共執行 353 次實驗,每天執行約 21 個實驗。
- 從 57 個目標化合物中成功合成 36 個,成功率為 63%,涵蓋多種氧化物、磷酸鹽等無機晶體。
新聞連結:Meet the Autonomous Lab of the Future
論文連結:NJ Szymanski, B Rendy, Y Fei, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature (2023) DOI: 10.1038/s41586-023-06734-w
U of T: Acceleration Consortium
加拿大多倫多大學的 Acceleration Consortium (AC) 由化學系教授 Alán Aspuru-Guzik 帶領,成立於 2021 年,為全球領先的自主實驗室研究與應用中心。
傳統材料開發通常需 20 年、耗資 1 億美元以上,AC 希望透過 SDLs 將時間與成本大幅縮減至 1 年、100 萬美元左右,目標是加速開發永續未來的材料與分子,例如藥物、可生物降解塑膠、再生能源材料等。
新聞:U of T receives $200-million grant to support Acceleration Consortium's ‘self-driving labs’ research
AC 目前在多倫多大學擁有 6 座 SDL (SDL1-6),和溫哥華的 UBC 合作一座(SDL7),同時連結全球超過 30 座 SDL。
- SDL1 : Inorganic - 無機材料開發
- SDL2: Organic - 有機小分子開發
- SDL3: Medicinal Chemistry - 用於藥物開發
- SDL4: Polymers - 聚合物材料開發
- SDL5: Formulations - 用於分析混合後的材料結構、功能和測試其應用,橫跨個人護理、醫療保健等領域。
- SDL6: Human organ mimicry - 用於建立次世代人類組織模型和創新療法
- SDL7: Scale-up - 橋接初期的藥物開發和終端的量產。
SDL7 和多倫多大學的其他 6 座 SDL 形成完整的開發鏈,從分子設計到材料合成,最後由 SDL7 完成 scale-up,目的是縮短早期開發到上市的時間,讓新藥物、清潔能源技術等更快進入應用階段。
因此,AC 不只是學術研究單位,它同時也透過新創公司與產業夥伴將 SDL 推向市場。
◻️ 產業合作
AC 目前有超過 60 家合作夥伴,涵蓋產業、政府、非營利組織和新創,其中產業夥伴以化學、製藥、消費品與材料科學領域的大型企業為主。
- BASF:2025 年五月合作建立 SDLs,應用於農業、醫藥、塗料等領域的材料開發和優化,推動農業與化學領域的永續發展與技術創新。
- Unilever:2025 年九月開始共同開發 SDLs,主要用來優化個人護理產品中的 submicron 乳化技術與配方,例如沐浴乳、乳液等。
- Bristol Myers Squibb:合作開發液體混合物分離(liquid-liquid extraction, LLE)自主純化平台,可廣泛應用於製藥、食品、化學加工與環境整治中。
他們也和溫哥華的新創公司 Telescope Innovations 技術整合,已有多座商業 SDL 部署至 Pfizer、韓國製藥協會等,SDL7 的研究成果正快速轉化為產業應用。
網站連結:Explore our core facilities and related labs
U of T: LUMI-lab
也是多倫多大學研究團隊開發的 DMTA 完全閉環的自主化平台,主要用於設計可離子化脂質(ionizable lipids)和脂質奈米粒子(LNPs),可在超過 2,800 萬個 3D 分子結構上進行大規模訓練。
LUMI-lab 會自主學習,並完成完整的閉路循環,不停的迭代優化:模型預測 → 機器人自動合成 → LNP 配製 → 大規模 in vitro 篩選 → 數據回饋和模型優化。
它的三階段訓練為:
- 分子預備訓練(self-supervised pretraining):使用 1,300 萬個分子結構及其 3D 構造,執行預測和對比學習。
- 脂質預備訓練(continual pretraining with lipid):針對 1,500 萬個脂質分子庫進行持續預訓練,使其在執行篩選任務前,先深化模型對脂質化學特性的理解。
- 主動閉路學習(closed-loop active learning):在 10 個迭代循環中,不斷用新實驗數據迭代優化。
在他們今年發表於 Cell 的研究中,經過 10 個迭代循環後,LUMI-lab 評估了 1,781 種 LNPs,發現超過 50% 的候選 LNP 展現出高 transfection 效力,其中 LUMI-6 LNP 在老鼠模型中的 mRNA transfection 效果比 Moderna 用於新冠疫苗的 SM-102 LNP 要好。
除此之外,當用在 CRISPR-Cas9 進行肺部基因編輯的實驗中,LUMI-6 在上皮細胞的編輯效率達到 20.3%。
這個試驗顯示在只有少量實驗數據的情況下,LUMI-lab 可以透過閉路的模型訓練、主動學習和迭代優化循環,開發出新的 LNP,展現其強大的自主開發能力。
新聞:Self-driving LUMI-lab system combines AI and robotics to advance design and evaluation of lipid nanoparticles for mRNA delivery
論文連結:Y Xu, H Cui, K Pang, et al. LUMI-lab: A foundation model-driven autonomous platform enabling discovery of ionizable lipid designs for mRNA delivery. Cell (2026) DOI: 10.1016/j.cell.2026.01.012
Duke University: SAMPLE platform
SAMPLE(Self-driving Autonomous Machines for Protein Landscape Exploration)平台是由美國威斯康辛大學(現已搬遷至杜克大學)Romero 研究團隊開發的 AI 自主蛋白工程平台。它能自主學習蛋白序列與功能之間的關係、設計新蛋白,並結合自動化實驗室進行測試、分析與迭代優化,每次循環(design → test → learn)約需 9–10 小時。
在他們 2024 年發表於《Nature Chemical Engineering》的研究中,研究團隊將其 SAMPLE 平台和 Strateos Cloud Lab 的自動化硬體設備結合,成功打造出完整的自主實驗室(SDL),大幅加速蛋白質優化流程。相較於傳統人工方法通常需要 6–12 個月,SAMPLE 在理想連續運作下,20 輪循環理論上只需 1–2 週。(實際規劃下約 2 個月,實際運行約花費 6 個月。)
| 項目 | SAMPLE 自動化平台 | 人類研究人員(估計) |
|---|---|---|
| 20 輪循環時間 |
1–2 週(連續運作) 實際規劃:約 2 個月 實際運行:約 6 個月 |
6–12 個月 |
| 操作成本 | 約 5,200 美元(20 輪) | 高(含人力成本與實驗室雜支) |
| 數據特性 | 高度可重複、具完整元數據追蹤 | 易受主觀影響、重複性較低 |
實驗室網站:Duke | Romero Lab
Gov Investment
SDL 已實際被應用在各個領域,不少政府也投資大量資源在上面。
美國的 DOE 除了推動能源、原料研究上的自主實驗室,例如 PNNL (Pacific Northwest National Laboratory) 的自主實驗室,旗下的 ARPA-E 也在今年四月宣布投入 3,400 萬美元,資助 12 項自主實驗室相關計劃。
加拿大多倫多大學的 Acceleration Consortium 目前校內有六個 SDLs,還有個和 UBC 合作的 SDL7。SDL1-5 是化學實驗室,SDL6 負責人類組織模型,SDL7 則是負責 scale-up。他們在 2023 年的時候,獲得加拿大政府 CFREF (Canada First Research Excellence Fund)高達 2 億加幣(約 1.46 億美元)的研究經費,用來推動 SDL 基礎設施與應用研究,是加拿大聯邦政府有史以來授予單一大學最高額的研究資金。
英國的 ARIA 於今年一月推出 AI Scientist 計畫,共投資 600 萬英鎊在 12 項專案上,用來開發能自主設計、執行、分析實驗的自主實驗室,例如 King’s College London 的研究團隊獲得 50 萬英鎊,用來開發能將農業與食品工業的副產品(Agro-food by-products)轉化為高品質蛋白質的 SDL,用已應對全球飢餓與環境永續的雙重挑戰。
南韓政府也把 SDL 列為國家戰略,目標是在 2030 年前導入 500 座自主實驗室。韓國最大製藥協會(KPBMA)於去年年底向 Telescope Innovations 購買並安裝了韓國第一座藥物開發 SDL,作為全國 AI 驅動 R&D 訓練中心。
新聞:
ARIA - AI Scientists
DOE ARPAE | U.S. Department of Energy Announces $34 Million to Pair Artificial Intelligence with Autonomous Labs to Accelerate Catalyst Development
산업기술 R&D 혁신에 AI 활용…2030년까지 600개 프로젝트 추진







.png)


