实验室自动化早就存在：人写好 protocol，机器照着执行。真正多跨的一步，是让 AI 进入 closed loop：分析已有数据、预测哪些实验值得做、选择下一次实验、调用仪器执行，再根据新结果继续迭代。
这个想法其实不新。2009 年的 Robot Scientist Adam 已经能自动生成酵母基因组学 hypothesis，再用实验自动化测试。2026 真正明显的变化，是 ML、robotics、instrument control 和 agent 开始被接成更完整的系统。
今年 Nature 有一个钙钛矿 closed-loop platform，把 ML-guided molecular discovery 和机器人制造接起来，再用 Bayesian optimisation 调 fabrication parameters；自动制造的 reproducibility 接近人工的五倍。
另一个更直观：Nature Machine Intelligence 今年展示了一个 AI X-ray scientist，在真实 synchrotron beamline 上自己读 detector / scan result、规划下一步、生成仪器 command。但第一次真实实验里 command 仍由人类 relay 执行，因为辐射、motor collision 和设备安全不会因为“agent”两个字消失。
所以目前的 autonomous lab 仍然大多是边界清楚的窄任务。真正难的是 scalability、换实验以后能不能 generalise，以及每一步 decision / data 能不能完整追踪。
AI 开始做实验，并不等于 wet lab scientist 消失。相反，实验知识正在被重新编码进 protocol、constraint、robotics、sensor 和 failure handling 里。
09 到这里。10 接着问：如果 AI 让候选答案越来越便宜，不同科学真正卡住它的，会不会是“验证一个答案到底要多久”？
