SE-Fab：面向具身 AI 科学家的自进化工厂
特辑 Vol. 4 · AI4S Infrastructure · Scale Agentic Discovery
SE-Fab 是面向自主酶进化实验室的 AI4S 基础设施构想：它把研究意图转化为可调度、可执行、可追踪的任务，再利用真实实验反馈生成更好的下一轮方案。
从 EvoPlay 到具身机器人科学家
随着 AI for Science（AI4S） 进入 Agent 时代，科研竞争正在发生变化。关键不再是谁拥有更多工具，而是谁能把工具、数据、设备和实验反馈放进同一个持续进化的闭环。
SE-Fab，即 Self-Evolving Foundry（自进化工厂），正是为这一闭环提出的基础设施：一个面向 AI4S 的自进化干湿实验室。
从研究意图到下一轮实验
SE-Fab 连接起完整循环：
- 提出研究目标。
- 设计候选实验。
- 调度所需资源。
- 执行实验。
- 记录过程及其上下文。
- 学习实验反馈。
- 生成下一轮更好的方案。
实验室不再停留在“回答一个问题”，而是把研究意图转化为一条 可调度、可执行、可追踪 的任务链。
为什么自动化之后还需要自进化？
自动化解决的是“让实验被执行”。但研发真正的瓶颈往往出现在每一轮实验之间：下一步尝试什么、如何从失败中学习，以及如何把结果转化为更好的搜索策略。
SE-Fab 将多智能体协作、自博弈、主动学习迭代、Agent-ready 硬件、全链追溯、安全合规、智能排程和灵活调度结合起来。
传统方案受到通量有限、流程刚性、数据孤岛以及难以应用海量候选等限制。自进化实验室从每一轮结果中学习，不仅沉淀成功经验，也学习失败案例及其揭示的边界。
SE-Fab 如何工作
1. 把研究意图变成可执行任务
SE-Fab 将研究目标转化为可下发、可执行、可追踪的任务链。它可以提出多个可用于实验验证的 Protocol，而不是只返回一个对话式答案。
图片中展示了某工具酶自进化工艺参数优化，相较传统方法的四项指标：
- 无效实验减少 27%
- 设备利用率提高 30%
- 迭代时间缩短 60%
- 审计成本降低 58%
2. 智能排程，让 AI 设计的方案进入物理实验室
任务下发前，SE-Fab 会先进行资源校验，再通过智能调度 Agent，把任务排进真实产线能够运行的时间窗口。
3. 让每台设备成为可调用的实验节点
在 Agent-ready 产线中，每台设备都封装标准化接口，AI Agent 可以直接调用、调度和编排这些设备。仪器不再是孤立的设备，而是智能体随时可以调用的实验节点。
由此形成一个 可追溯、可审计、可持续进化 的实验室。
4. 保留可信的执行记录
SE-Fab 不是让 AI 黑箱地“自动做实验”，而是记录从模型建议到专家确认、从仪器动作到数据回写的每一步，包括：
- 异常记录。
- 物料批次和板位。
- 设备状态。
- 专家确认。
- 算法优化历史。
- 签名与审计记录。
数据回流并不是“归档结束”，而是下一轮自进化的起点。成功数据是经验，失败数据是边界；每一次实验都带着上下文和质量标签回到系统，成为下一轮设计的资产。
从酶工程走向更多 AI4S 研发现场
同样的基础设施可以从酶工程迁移到合成生物、化工、材料、检测等更多研发场景。
执行链路保持一致：
AI 设计 → 实验编排 → 自动执行 → 自进化迭代 → 数据回流 → 资源调度
长期目标是构建具身 AI 科学家：能够在真实实验室中完成设计、执行、观察、学习和改进的系统。
Build Your Embodied AI Scientist
SE-Fab 的主张很明确：让真实实验室成为 AI4S 基础设施的一部分，让每一次实验都成为下一次实验能力提升的台阶。
构建你的具身 AI 科学家。
参考图片注：其中一张图片引用了发表于 2023 年 8 月 8 日的 Nature Machine Intelligence 文章，DOI 为 10.1038/s42256-023-00691-9。