上海交大连文昭：机器人进实验室，先把100件事做可靠

近些年，计算机、电子和 AI 迅猛发展，但生物医药研发效率的提升相对缓慢。核心原因之一，是传统研发范式仍高度依赖人工实验和经验积累。

这段话出自源络科技创始人、上海交通大学人工智能学院教授连文昭。他 2011 年本科毕业于上海交通大学，2015 年获得杜克大学机器学习博士学位，此后先后就职于 Vicarious AI、Google X、Figure AI，2023 年回国创立源络科技。

公司聚焦 AI for Science 赛道，让机器人进入真实实验流程，完成细胞传代、细胞毒性检测、试剂配制等精细化实验操作。核心产品 Monte02 采用仿人构型，搭载自研 OPN 模型（以物体为中心的物理原生模型），定位精度达到亚毫米级。目前，源络机器人已在 10 余家企业与科研机构落地。

为什么选择 AI for Science

在创办源络之前，连文昭曾在美国多家公司从事机器人相关工作，接触过制造、物流、商超等应用场景。这些经历让他开始思考：随着机器人感知、决策和操作能力不断提升，哪些场景能真正释放具身智能的价值？

在他看来，高度标准化、重复性的任务，传统自动化已经形成了相对成熟的解决方案。具身智能的机会，在于环境更复杂、任务链更长、传统自动化难以覆盖的工作。“我们希望寻找的是机器人能够真正创造增量价值的场景。”这也是源络成立之初的出发点：机器人不局限于演示任务，而是真正走进产业流程，在复杂环境下持续运转，解决真实业务痛点。

AI for Science 是他最终选择的方向。行业常用“10 年、10 亿美元、10% 成功率”概括新药研发的周期、投入与临床转化率。连文昭认为，研发效率提升的重要瓶颈，在于实验执行仍高度依赖人工。实验并不是简单的重复劳动，试剂、设备、环境、操作方式等多个因素都可能影响结果，而人工执行很难把所有变量控制和记录下来。

这也引发他对自主实验室的思考：如果机器人能自主执行实验，并在关键节点完成感知与记录，能否降低实验对个人经验的依赖，提升 AI for Science 实验的一致性与可重复性？

传统实验室存在一个长期矛盾：一方面，部分实验涉及挥发性气体、病原微生物等潜在风险，人员长期参与可能带来安全和交叉污染问题；另一方面，大量重复性的实验执行工作也占用研发人员的时间。更重要的是，这些工作并不完全适合传统自动化——实验室里的设备和物品相对有限，移液枪、试管、孔板以及各类仪器都有明确任务边界，但样品、操作流程和实验条件又存在大量变化。

在连文昭看来，这恰好构成具身智能的合适落地场景。“实验室属于半标准化场景，物品相对固定，但样品本身变数很大，有粉末、颗粒、固体和液体等不同形态，很难统一预判。”他表示，“对实验室场景的探索，是我们走向物理世界的开端。通用物理智能是我们的前进锚点，这类场景任务边界清晰，为技术率先落地创造了条件。”

这也是源络从 AI for Science 切入具身智能赛道的原因。源络并非将实验室当作单一场景，而是依托真实科研任务验证机器人的环境理解、自主决策与实操能力，最终打造通用物理智能。

以物体为中心的物理原生模型

要让机器人真正融入实验流程，通用硬件与模型难以满足实验室精细化作业的要求。源络选择自研核心 OPN 模型，连文昭将其概括为两个部分：“一是懂任务，二是会执行。”

第一层，是以物体为中心的任务理解。面对一句相对模糊的操作指令，机器人先理解目标物体需要发生怎样的状态变化，再将长任务拆解成一系列可执行操作。以插枪头为例，机器人真正需要理解的并不是手臂如何运动，而是枪头、试管等物体之间的关系，以及最终需要达到的状态。

第二层，是视觉与力觉融合。实验室中，仅靠视觉并不足以完成所有精细操作。插试管、操作孔板、使用仪器等任务，都需要机器人感知接触过程中的力度变化。“我们将视觉与力觉信息同步输入神经网络，由模型预测后续视觉状态、力反馈信号，并输出对应的执行动作。”

“懂任务”加上“会执行”，这套基于 OPN 物理原生模型的系统，构建起从任务理解到动作执行、再到反馈修正的技术闭环。

算法之外，硬件同样是一道门槛。连文昭说，现有供应链中的部分通用机械臂，在控制精度和系统响应方面，与实验室任务的需求仍存在差距，因此团队自研伺服控制和关节模组，以满足场景要求。“买不到的，我们会自己做。”他表示，面对产业场景需求，源络会持续加大自研投入，从底层算法、控制系统到关键硬件自主迭代，构建技术壁垒。

数据是具身智能发展的另一道门槛。现在市面上有很多数据采集公司，但源络的数据采集没有选择外包。实验室任务对精细程度要求极高，源络建立了自己的数据采集体系，由专职团队持续采集和审核。连文昭认为，核心在于数据和模型之间形成快速反馈：模型侧发现哪些数据有价值，就强化相应采集范式；如果数据无法有效提升模型能力，就及时调整。

在他看来，具身智能的数据建设，核心不在于数据规模，而是围绕场景任务构建可持续迭代的数据闭环。这也是源络搭建自主实验室的核心逻辑：机器人在场景中产出实验数据，持续训练 OPN 模型，模型迭代反哺机器人能力，推动 AI for Science 实验体系自我进化。

实验室 3.0：具备自主执行能力

实验室可以分成三个阶段：1.0 是人完成实验；2.0 是设备自动化；3.0 则是实验室具备自主执行能力。到了 3.0 阶段，人不需要再将实验拆解成一条条操作命令，只需提出任务指令，机器人负责理解任务、规划步骤，并自主调用仪器和耗材，完成跨设备、长流程的实验操作。人的角色也因此发生变化：从大量具体的实验执行，逐渐转向实验设计、过程判断和结果分析。

目前，源络已在华大智造等合作方完成实际落地验证，适配不同实验流程，实现 7×24 小时持续运行，加速自主实验室建设。

实验室 3.0 改变的不仅是实验执行方式，更是 AI for Science 的工作范式。实验过程中产生的操作、变量和结果能够被系统记录，沉淀为真实世界的实验数据，反哺计算模型；模型再基于新数据提出假设、生成实验方案，交由机器人完成验证，结果再次回到模型之中。从计算到实验，再从实验回到计算，AI for Science 由此形成持续与物理世界交互、验证和迭代的闭环。

在连文昭看来，机器人不只是实验执行者，更是连接计算智能与真实科学世界的物理载体。“本质上，我们正在搭建科学智能的物理基座。”

“我们都需要机器人，但不需要不可靠的机器人。”他认为，真正具备实用价值的机器人，核心是拥有长时间自主稳定运行的能力，真正解放人力，无需人员实时看护干预。可靠性，远比可实现任务的数量更关键。源络的路径是先将单类别任务打磨成熟，再拓展至百类任务稳定落地，继而探索更广域的通用能力。

他提到，目前机器人本体已可完成多项基础操作。行业下一阶段的核心重点，是依托模型与算法持续提升执行稳定性，确保机器人持续输出可靠结果。源络始终理性把控发展节奏：先扎实做好一件事，再实现百项任务可靠运行，循序渐进拓宽能力边界。

“现阶段我们的机器人已落地诸多场景，收获客户认可。伴随持续投入与迭代，产品将持续释放产业价值，也期待行业与市场更长期、理性地看待技术成熟与商业化的节奏。”连文昭表示。

眼下具身智能行业的时间表，被概念和资本拨得很快。这一次，连文昭把源络的表针调回实验台。以可靠为基石，向通用智能演进。