Jiuwen Symbiosis：物理智能体走进自动化科研实验室

机器之心发布 如何把屏幕上罗列的实验流程准确变成一连串的实际操作？这个问题直指 AI 科研落地的核心门槛：AI 能够输出可行的实验方案，却很难自主完成整套线下实操。 华为 openJiuwen 团队联合算力平台公共事业中队，以电催化场景为例，打通了大模型与底层物理设备之间的交互，成功将设计的实验方案下发到物理设备上执行。其中，保障大模型操作物理设备的关键底座之一，便是 openJiuwen 旗下的 Jiuwen Symbiosis 物理智能体。 这一落地案例，也为我们打开窗口，进一步阐释 Jiuwen Symbiosis 面向自动化科研实验室的通用技术能力。 一、湿实验 为什么是 AI 科研难落地的一环 以一条常规实验指令为例：“按方案 B 配制三组溶液，60℃搅拌两小时后开展光谱表征。” 在数字空间中，这条描述看似清晰完备。但落到真实实验台，它会被拆解为多项物理动作：取容器、开盖、称量、移液、物料混合、加热台控温…… 每一步都需要由对应的设备或具身机器人执行。 真正的难点在于：当 AI 置身样品、容器、仪器与环境耦合而成的物理真实世界时，它需要判断操作是否可行、执行条件是否满足 —— 例如移液前瓶盖是否开启、加热工位是否处于空闲状态；需要在异构设备集群、多流程并发运行、突发异常扰动的场景下保持稳定；还要保证所有动作具备明确约束边界，样品与设备的每一次状态变更均可追溯。 自动化实验室规模越大、实验链路越长、并发任务越多，后果就越突出：一个未识别的对象状态偏差、一次违反约束的操作，都可能沿流程传导，造成后续实验失败，甚至引发安全隐患。湿实验一旦出错，不存在数字世界里的 “撤销键”。 二、拆开 Jiuwen Symbiosis 它如何完成湿实验 面向上述湿实验难题，Jiuwen Symbiosis 以 "感知 — 规划 — 执行 — 反馈" 的 Agent Loop 为核心，实现基于环境感知的实验任务动态编排：行动之前先确认现场状态，依据设备能力与状态动态调度设备、分配动作，执行之后再以观测结果校验成效并驱动下一轮决策，循环往复，直至任务完成。 感知：构建实验现场的结构化状态 感知环节负责回答 "现场是什么样子"。它同时汇聚两类信息： 环境状态：实验台上有哪些容器与样品、分别位于何处、彼此之间存在怎样的空间关系。系统采用开放词汇的视觉识别方式，以文字描述即可定位目标；识别结果结合深度信息统一换算至对应设备的坐标系，无论相机安装于机械臂末端还是固定于实验台一侧，输出的均是可直接用于操作的位置。 设备状态：每台设备具备哪些能力、当前处于何种姿态、是否空闲、末端是否持有物体。设备能力以显式方式声明 —— 能否移动、能否夹取、能否吸取、是否具备视觉 —— 编排时只会把动作分配给真正具备相应能力的设备。 自动化实验室里，机械臂、移动机器人与各类工作站来自不同厂商，硬件结构、通信接口千差万别。适配器层负责抹平这些异构差异，向上给规划层提供一套统一的能力与状态抽象。实验流程只需要考虑 “谁可以完成这一步”，不必关心底层具体是哪一台设备。 规划：基于现场状态的动态编排 规划环节负责回答 "接下来怎么做、由谁来做"。规划器以自然语言描述的实验目标为输入，结合感知环节输出的结构化现场状态与各设备声明的能力，将任务拆解为具有明确先后依赖的子任务序列，并为每个子任务匹配具备相应能力、且当前处于可用状态的设备：配液交给移液工作站，转移交给机械臂，跨台转运交给移动机器人。步骤之间的数据依赖同样被显式描述 —— 前一步感知得到的样品位置，直接作为后一步抓取动作的参数，而不是预先写死的坐标。生成的执行方案在下发之前还会经过整体校验，确认每一步所需的前置条件都能由此前的步骤满足，从源头避免不满足约束的操作进入执行环节。 与固定脚本相比，动态编排的价值在于：实验流程不再与某一套设备布局、某一种实验方案绑定。同一个实验目标，在不同的现场条件下会生成不同的执行方案；新增一类实验，不必重新编写控制程序；实验室新增或更换设备，也只需由设备声明自身能力，即可被纳入编排。 执行：跨设备的动态动作调度 执行环节负责把计划转化为设备的物理动作。规划结果被拆分为面向具体设备的动作指令，按序调度至移液工作站、机械臂、移动机器人等不同执行单元。 设备之间的每一次 "交接"，都以现场状态为前提：上一台设备的动作是否真正完成，下一台设备是否空闲、能否到达目标位置。为保证安全，涉及运动与抓取的动作不会被并行下发至同一台设备，避免多条指令同时驱动同一套硬件；所有动作在到达硬件之前，还需通过安全护栏的边界检查（详见第四部分）。 反馈：以观测校验驱动下一轮决策 反馈环节负责回答 "刚才那一步，是否真的做到了"。每一步执行完成后，其结果会被写入执行记忆，现场状态随之更新。 在下一步开始之前，系统会对照