戴上这个眼镜，科研小白一周跑出专家级数据，导师再也不用担心我做实验出错

LabOS 使用者的视野，可以直接看到实验步骤和操作提示。来源：Cong Group, Stanford University

来源 环球科学科研圈

撰文 菡萏

想象一下，你是个任劳任怨的生物专业研究生，不久前被导师布置了一个筛选新药的任务。于是，肝了好几天终于做好文献调研和实验计划的你，正顶着黑眼圈坐在实验台前，向一个铺满细胞的 96 孔板里依次添加 N 种被稀释成不同浓度的待测化合物。当你一个眼晕就要将试剂加错时，你佩戴的智能眼镜摄像头捕捉到了你的动作，在你把移液枪头伸进错误的位置之前，就弹出闪烁警示框，并贴心地在你的视野里提示下一组的正确位置，以及接下来的各种步骤。

这个住在眼镜里的实验室助手叫做 LabOS，它是一个专门为科学实验室打造的 AI “操作系统”。在操作失误发生前，它就能为你指明回归正轨的路径。

LabOS 由斯坦福大学生物工程学家丛乐和普林斯顿大学计算机科学家王梦迪共同领导的团队开发，依托视觉语言模型处理视觉数据，为 AI 提供实时实验动态认知，使其能精准判断实验成败的关键因素。在 LabOS 的帮助下，一个实验室新手小白，只需要一周时间就能熟练掌握细胞基因敲除和慢病毒转导等技术，达到资深专家水平。

造福手残党

做过细胞或分子生物学实验的人都知道，复现一个生物学实验的成功率很多时候堪称“玄学”。抛去统计不当或发表压力带来的数据造假，还有一个常见因素很少被拿到台面上讨论——人类在进行重复性实验操作时容易出错。在错误温度下添加试剂，时间紧迫跳过某个步骤，移液器吸头受污染……这些细微失误难以察觉，却足以毁掉整个实验。

于是，王梦迪和丛乐的团队提出了一个全新的解决方案：让 AI 能够见实验者所见。根据他们此前发表的预印本论文，LabOS 实际上是一个由专为生物实验开发的视觉语言模型 LabOS-VLM + 增强现实/扩展现实（AR/XR）智能眼镜组成的数字-物理系统。

使用者只需佩戴眼镜，将第一人称视频实时传输至 AI。视觉语言模型会将其所见与书面实验方案进行比对，在为佩戴者提供指导的同时收集训练数据。LabOS 的 AI 能逐步引导实验者的操作，提醒他们保持表面无菌，或标记出技术操作中的疏漏。

LabOS 的使用场景 来源：论文

在这项工作中，最关键的技术是如何创造一个能够理解实验操作的 AI 模型。研究团队选择了通义千问视觉语言模型（Qwen-VL）作为基座，利用已有的标准化实验操作视频和自采集的 240 多个第一人称实验视频对其进行训练。在监督微调和强化学习两个步骤的训练后，最高参数（235B）模型的错误检测准确率超过了 90%，并在生物医学基准测试（HLE:Biomedicine）中超越了GPT-5、Gemini 2.5 Pro 等前沿模型。

在实际操作中，LabOS 展现出了它强大的辅助能力。专为生物研究打造的 AI 不仅能够成功预测自然杀伤（NK）细胞对肿瘤杀伤作用的癌症免疫治疗靶点；还能够作为导师，全程辅导一名科研新手在一周内学会复杂的细胞工程实验技术，成功利用离体细胞完成了目标蛋白的过表达，获得的结果与实验室老手几乎别无二致。“作为教授，我完全看不出差异，”丛乐在接受《科学美国人》采访时说，“实验数据简直如出一辙。”

学霸组合

LabOS 的诞生，得益于生物科学与 AI 这两个不同领域学者的深度合作。在这个项目的领导人之一、斯坦福大学医学院副教授丛乐是生物医学领域的知名学者，他本科毕业于清华大学，博士毕业于哈佛大学基因编辑先驱张锋门下，深度参与了张锋基于 TALE 和 CRISPR－Cas9 系统的基因编辑技术研究。目前，丛乐带领自己的团队专注于基因编辑与细胞治疗技术开发，还在积极探索将 AI 模型融入生物学领域，致力于实现计算设计与机器人执行的深度融合，将实验室打造为可编程的 AI 原生环境。

来源：斯坦福大学

另一位核心人物则是 AI 领域的知名学者王梦迪。她 14 岁考入清华大学自动控制系，24 岁获得麻省理工学院博士学位，不到 30 岁就获得了普林斯顿大学的终身教职，研究方向涵盖机器学习、强化学习、生成式人工智能及其在科学和智能系统中的应用。

来源：普林斯顿大学

他们认为，LabOS 的诞生并不是取代人类，而是帮助人类。人类进行实验操作时，学习过程可能较为缓慢。如果实验失败，他们会试图找出问题所在并重新开始。然而，当 AI 观察实验并看到结果时，它或许能更快地识别出导致问题的步骤，并设计新的实验方案。通过记录整个实验过程，AI 可以研究最微小的细节，以确定失败的原因。

现在，这个集结了生物医学和人工智能领域学者的团队正将这项技术推向实验室之外。最近，团队还推出了 MedOS 系统，将 AI 与增强现实架构应用于辅助外科医生的解剖定位和器械校准。王梦迪表示，最终目标是让每个科研实验室（以及所有诊所）转变为“AI 可感知、可操作的环境”，打造一个能加速专业人员培训、纠错并提升人类健康成果的智能系统。

未来挑战

LabOS 是第一个能同时"思考"（数字推理）和"看见"（物理感知）的 AI 联合科学家系统，但它仍然处于“原型机”阶段，距离成熟应用还需要多轮打磨。

一方面，生物实验室的复杂环境对模型的错误检测能力有较高要求，而用于训练视觉语言模型的生物实验数据获取不易，不仅需要配备标准操作流程，还需要对每个操作步骤的时间段、错误类型、关键参数或材料进行标注，这些都需要熟练的实验专家完成，数据的收集和标注成本高。另一方面，目前适配的智能眼镜续航时间有限，2 小时的使用时间难以支撑全天候实验的需求，数据传输与计算的实时性也可能存在一定限制。

更重要的是，一名新手能够在 LabOS 辅导下快速完成实验，并不代表 TA 可以长期保持这个技能。就像导航软件可能削弱人类的空间记忆一样，当实验操作被实时提醒和纠错接管，研究人员是否还需要真正理解每一个步骤背后的原理，仍是一个值得讨论的问题。

尽管如此，LabOS 所代表的思路已经指向一种新的实验室形态：在这样的环境中，实验流程被数字化记录，操作错误能够即时纠正，而知识的积累也不再局限于个人经验，而是沉淀为可共享、可训练的机器模型。对于长期以来依赖手工经验的生命科学实验而言，这或许意味着一次深刻的范式转变。

主要参考来源：

https://arxiv.org/abs/2510.14861

https://www.scientificamerican.com/article/how-labos-ai-powered-smart-goggles-could-reduce-human-error-in-science/

https://ai4labos.com/

https://med.stanford.edu/profiles/186687

https://ece.princeton.edu/people/mengdi-wang

-电商广告-

《环球科学》2026订阅季启动！

全年订阅可享超值优惠

戳图片立即订阅

点击【在看】，及时接收我们的内容更新