Начнём с самого доступного. RoboChem (и его гибкая версия RoboChem-Flex) — это проект, который доказывает: «self-driving lab» можно собрать из недорогих компонентов и 3D-печатных деталей. Стоимость базовой версии — около 5000 долларов, а все файлы для печати и код выложены в открытый доступ. По сути, это небольшая проточная система с насосами, камерами и спектрофотометром, которая умеет оптимизировать химические реакции. Внутри стоит алгоритм байесовской оптимизации: робот ставит несколько опытов, строит вероятностную модель, предсказывает, где выход будет максимальным, и ставит следующий опыт именно там. За несколько итераций он находит условия, которые дают выход 90%+, хотя изначально было 20%. Причём ему не нужна теория — только измерения.
Следующий уровень — AlphaFlow, о которой говорилось ещё во введении. Эта проточная лаборатория использует обучение с подкреплением — тот же метод, что учит нейросети играть в шахматы и го. AlphaFlow не просто оптимизирует одну стадию; она способна выстроить многостадийный синтез без априорного знания стандартных протоколов. Её запустили с задачей найти маршрут синтеза, и она, пробуя разные последовательности реакций и условия, самостоятельно открыла и оптимизировала путь, который оказался лучше общепринятых прописей.
А теперь представь, что ты можешь просто написать чат-боту: «Синтезируй мне аспирин, используя салициловую кислоту и уксусный ангидрид». И робот всё сделает. Именно это и продемонстрировал Coscientist — проект Carnegie Mellon и Emerald Cloud Lab (2023). Coscientist — это ИИ-агент на базе большой языковой модели (той же породы, что ChatGPT), который умеет писать код на Python для управления облачной лабораторией. Ты даёшь ему текстовое задание, он ищет в интернете методику, пишет скрипт для дозирования, нагрева и анализа, отправляет его в удалённую роботизированную лабораторию и получает результат. Ему удалось успешно синтезировать аспирин и парацетамол. Coscientist — прекрасный пример интеграции языкового интеллекта с физическим миром. Правда, он пока не придумывает новые реакции, а использует известные; его автономность — на стыке уровней 3 и 4, но с мощной языковой прослойкой.
Для неоргаников и материаловедов в Беркли построили A-Lab — автономную лабораторию, которая завязана на предсказания GNoME. Это цех с роботами-манипуляторами, печами и рентгеновским дифрактометром. Порошки оксидов дозируются, прессуются, обжигаются, а затем автоматически анализируется их кристаллическая структура. Алгоритмы активного обучения сравнивают полученную дифрактограмму с предсказанной и решают: синтез удался или нужно изменить температуру/время/соотношение реагентов. A-Lab может работать без выходных, перебирая сотни рецептов и постепенно улучшая свою модель. За несколько месяцев она синтезировала и подтвердила десятки новых соединений, которые GNoME пометил как перспективные. Это уровень 4: лаборатория сама решает, что делать дальше, основываясь на предыдущих результатах. Но даже она не умеет заказывать закончившийся оксид титана — это делает лаборант.
На промышленном уровне концепция «self-driving lab» воплощается в гигантских облачных фабриках. Ginkgo Bioworks (совместно с OpenAI) строит облачную лабораторию синтетической биологии, где роботы конструируют ДНК, тестируют штаммы микроорганизмов и масштабируют ферментацию. Доступ к таким платформам продаётся как сервис: ты загружаешь проект, а роботы выполняют его на своём оборудовании. Это всё ещё уровень 3–4, потому что человек формулирует задачу и интерпретирует результаты высокого уровня, но рутинные операции полностью автоматизированы.
Несмотря на огромные успехи, достигнутые в этом направлении, ни одна из упомянутых работизированных лабораторий пока ещё не является полностью автономной. Они не заказывают реагенты сами, не могут починить сломавшийся шприцевой насос, не меняют лампочки в спектрофотометре и не пишут в журнал «закончился гексан, закажите ещё». И ни один эксперт отрасли не скажет, что робот-химик сегодня способен заменить человека-исследователя. Скорее, робот становится суперлаборантом: неутомимым, точным, способным перебрать тысячи вариантов, пока ты думаешь о смысле.
Попробуй сам
Для начала просто посмотри, как это выглядит вживую. Найди на YouTube видео «A-Lab Berkeley autonomous lab» или «RoboChem flow chemistry» и полюбуйся, как робот-манипулятор переставляет тигли и загружает их в печь — зрелище завораживает не меньше, чем марсоход. Если тебя зацепила идея собрать такого робота самому, загляни на GitHub по запросу «RoboChem» — все файлы для 3D-печати и код лежат в открытом доступе, и, возможно, ты построишь своего химического ассистента. А если хочешь уже сейчас почувствовать, как думают эти роботы, открой Google Colab и найди любой учебный блокнот по байесовской оптимизации. Придумай простую «игрушечную» химическую задачу: пусть выход реакции зависит от температуры и времени как какая-нибудь математическая функция с одним максимумом. Сначала запусти случайный перебор — десять случайных точек, и посмотри, какой максимальный выход нашёлся. Потом запусти оптимизацию: она сама выбирает следующую точку, основываясь на предыдущих результатах. Сравни, за сколько шагов байесовская оптимизация нашла оптимум, пока случайный поиск всё ещё блуждает в потёмках. Никакой магии — просто умный алгоритм, который учится на ходу. Именно так работают self-driving labs: они не перебирают всё подряд, а с каждым опытом становятся умнее.