Self-Driving Lab（自驱动实验室，也译"自主实验室"），指的是让 AI 智能体自主完成"提出假设 → 设计实验 → 动手执行 → 分析结果 → 修正假设"的完整闭环，而实验是真的在物理世界里做出来的，不是只在电脑里跑模拟。
打个比方：自动驾驶。 传统自动化实验台相当于定速巡航——路线是你设的，它只管匀速跑。自驱动实验室的终极形态是 L4/L5：你只说一句"给我找一个更好的电池电解液"，它自己读文献提假设、自己排实验、自己做、自己看数据、自己决定下一轮做什么。区别就在"闭环"和"自主"这两个词。
它通常由三部分组成：
- 手：自动化硬件平台，如移液工作站、机械臂、微流控芯片、在线分析仪，负责真正动手；
- 脑：智能体与优化算法，用贝叶斯优化、主动学习或大模型读文献来选"下一个最值得做的实验"；
- 记忆：结果自动回流，更新模型，再决定下一轮。
和相邻概念的区别：
| 谁提假设 | 谁做实验 | 谁决定下一步 | |
|---|---|---|---|
| 传统人工实验 | 人 | 人 | 人 |
| 高通量自动化筛选 | 人（预先穷举） | 机器 | 人 / 固定规则 |
| 纯计算预测（如结构预测） | AI 或人 | 不做真实实验 | — |
| 自驱动实验室 | AI 智能体 | 机器 | AI 智能体 |
一句话：高通量筛选是"把同一件事做一万遍"，自驱动实验室是"每次都不一样，因为上次的结果改变了这次"。它也和"用 AI 预测分子结构"不同——预测不产生新实验事实，闭环最终要回到湿实验（wet lab）去验证。
对从业者和普通人的意义。 最先受益的是试错成本高的领域：材料、催化剂、药物配方、合成生物学。模型公司已在探索让大模型参与生物学研究、与实验团队配合；医院里 AI 也早已进入影像、病理、病历等环节——但那些主要是"读数据"，不是"做实验"。把 AI 真正接到物理实验台上，是另一条难得多的路。具体进展以各家官方发布为准。
离工程化还有多远？ 现阶段更像"限定场景下的 L3"：
1. 硬件脆：机械臂抓不住软管、针头会堵、样品会挥发，非标操作自动化成本极高；
2. 试错贵：一轮实验几小时到几天，智能体判断失误的代价是真金白银，大模型的"幻觉"在这里不能重新生成一次；
3. 难迁移：A 实验室跑通的流程搬到 B 实验室往往要重调；
4. 要合规：生物安全、双用途风险、数据和知识产权归属，都需要人在环（human-in-the-loop）审批。
趋势是清楚的：把科研从手艺活变成流水线。但流水线上出的意外，短期内还得人来兜底。