“将样品离心后分离、干燥、制样，再进行XRD测试。”这是化学实验室里最普通的操作流程,研究人员一听就懂。该用什么容器、装多少体积、离心机怎么配平、离心后取沉淀还是上清液（指实验中离心或沉淀后，位于沉淀物上方的那层澄清液体）、测试数据怎么和样品对上号,都来自经验和常识。可对AI来说，这句话背后藏着一连串它并不天然懂得的“实验室规矩”。
10月18日，智能科学家生态联盟第四届年会在合肥举办，中国科大发布机器科学家2.2版本，并现场开放“灵境造物”平台入口，供到场的学者和研究人员体验AI for science的便利性。记者了解到，让这个平台能够顺利运转的，是中国科大智能科学家团队发布AI原生实验室语言“ALL”（AI-native Laboratory Language，即“AI原生的实验室语言”），相关论文《物理实验室的可计算表示，让可验证工作流成为可能》已在arXiv发布，系统性工程验证依托华为昇腾算力平台完成。这套语言要解决的核心问题只有一个，让AI从“会聊天、会写论文”，走向“安全、可控、可信地亲手做实验”。
AI进实验室，难的不是“动手”而是“懂规矩”
专业角度看，如今，让AI调用仪器、生成控制代码、甚至驱动机器人完成实验动作，已不是最大的难题。
真正的难题在物理世界。
面对由样品、容器、设备和环境构成的真实实验室，AI能不能判断“什么可以做、在什么条件下才能做”？面对不同厂商、不同年代、控制方式各异的设备，面对多流程并发和突发异常，它能不能稳定运行？能不能让每一次行动都有边界、每一次状态变化都可追踪？
中国科大团队介绍，在化学、材料和生物实验中，这绝非苛求。一个未被识别的样品状态，一次不满足约束的操作，就可能让后续流程全部失效，甚至带来安全风险。
“ALL”给出的办法，是把实验对象、物理状态、科学操作、实验约束和工作流程，全部组织成“机器可理解、可验证、可执行”的标识，使AI能够“行动前检查、执行中追踪、异常时处置、实验后还原全过程”。
目前，科学界已建立了大量描述“科学对象”的语言。分子可以表示为结构式、图结构或三维构型，材料可以表示为晶体结构和元素组成。这些语言回答了“科学对象是什么”，却回答不了“如何在物理世界中作用于它”。“ALL”补上的，正是从“科学对象表示”走向“科学行动表示”的关键一层。
前者让AI认识世界，后者教AI改造世界。
一门语言的“名词、动词、语法和规则”
一套语言之所以能描述世界，是因为它既有名词，也有动词；既有语法，也有不能违反的规则。“ALL”为物理实验室做了同样的定义。
团队介绍，“名词”是实验对象，但对象不再脱离容器和环境。同一种材料，装在离心管、反应釜、微孔板还是无盖样品瓶里，对机器人来说是完全不同的对象。在“ALL”中，实验对象＝科学身份＋物理载体＋当前状态＋空间环境＋操作历史。容器决定抓取方式和设备兼容性，开盖状态、体积、形态、温压和位置，共同决定此刻能做什么操作。“没有物理上下文，就没有机器可以真正操作的实验对象。”
“动词”是工作站，每台设备都是一个“状态转换算子”。传统自动化只告诉设备“启动、加热、设定转速”，却说不清实验对象发生了什么。“ALL”把工作站抽象为一次状态转换，样品从一个状态出发，经过有明确输入条件、参数范围和物理约束的操作，进入新状态。加热搅拌不只是升温和转动，而是反应体系发生了状态转换；离心不只是设定转速和时间，而是悬浊液变成沉淀与上清液。每个工作站都必须声明自己的科学能力、输入输出、参数范围、安全边界和可能产生的状态变化。设备由此从“可调用的机器”，变成实验世界里改变对象状态的基本算子。
“语法”是工作流，它不是步骤清单，而是状态的连续演化。合成、离心、洗涤、烘干、表征、测试——写给人看的步骤说明，机器无法照做。“ALL”用顺序、并行、分支、循环、等待等“控制流算子”，把基础操作组合成复杂实验，并让样品的身份和状态在不同步骤之间连续传递。实验方案就此从“写给人看的说明书”，变成机器可以解析、组合、验证和运行的“科学程序”。
“规则”则是物理约束，而且直接写进语言本身。实验容器是否兼容、体积是否足够、机械臂能否到达、离心能否配平、温压是否超出安全边界、上一步输出能否接上下一步输入——全部必须在执行前检查。一项操作不仅要说清“做什么”，还必须说清作用于什么对象、对象应处于什么状态、参数范围是什么、怎样算完成、异常发生后如何处理。
连接这一切的，是名为“FSP（函数状态协议）的基础协议”。它不规定设备用什么方式连接，只统一三件事的语义，“对象”（容器及其状态）、“操作”（动作、参数与结果）、“系统”（设备状态、前置条件与安全约束）。不管设备原本说什么“方言”，接入“ALL”后都讲同一种“普通话”。
72㎡到近3000㎡，在实验里“长大”的语言
AI的一句科学意图，究竟怎样变成一个真实实验？团队介绍，以“优化一种电催化材料的组成和合成条件”为例，第一步，AI首先要明确候选变量、样品矩阵、试剂与容器、合成条件、后处理方式、表征方法和评价指标。第二步，逐项检查容器体积是否兼容、设备能力是否匹配、参数是否越界、步骤之间能否衔接。第三步，确认无误后把方案映射到真实工作站，驱动设备和机器人执行；实验数据与状态变化再一路反馈回来，形成“科学问题—物理执行—科学判断”的完整闭环。
论文所涉及的工程框架中，还设有多道“准入关”。工作站的能力要先被抽象、封装成可复用的“功能技能”，无论是AI自动生成还是人工编写，都要经过质量评分（60分合格线）和仿真验证才能“上岗”；方案真正下发到物理设备前，要先由有状态的仿真器在数字世界完整“彩排”一遍，像飞行员的飞行模拟器，提前暴露所有问题；负责代码优化的模块还设有安全门控，任何可能改变实验结果的条件判断，都不允许被当作冗余代码“剪掉”。
“ALL”不是在书斋里设计出来的，而是在真实实验中反复检验、“长”出来的。据介绍，目前，“ALL”已应用于中国科大近3000平方米的智能科研实验平台，统一组织605个构成各异的工作站。过去一年，平台完成1.1万余项“任务智能规划—机器实验执行—数据自动归档”全流程科研任务，覆盖能源、材料、化学、生物等领域。
平台本身的成长，也是一条陡峭的上升曲线。2019年72平方米；2022年210平方米；2025年1226平方米，另有1096平方米在建。效率方面，单日传统人工操作仅能完成一组实验，而人工智能机器则可以一夜完成上百组实验。
同时，团队介绍，这套语言从最初设计到投入应用、未来合作，都是开放取向。中国科大正联合华为、标准化机构、科研机构及科研仪器厂商，推动“ALL”成为开放的行业协议和基础标准，近期还将上线开源社区。依托华为昇腾算力平台完成的系统性工程验证，也为其跨硬件、跨平台推广打下基础。
今年4月，在第四届科交会上，中国科大科学智能物质创制中心已发布“灵境造物”科研智能体并面向全球开放，首次构建起“大模型大胆假设—小模型小心求证—机器人精准实验”的全链条体系。如果说“灵境造物”让外界看到了AI做科研的能力边界，“ALL”则试图把这种能力沉淀为一套人人可用的底层语法。
当不同实验室、不同厂商的设备都能“听懂同一种语言”，AI科研能力才可能像今天的手机应用一样跨平台流动。这，已被行业定义为AI驱动科学研究从“单点示范”走向“规模化、工程化”的关键一跃。
（安徽商报记者 郜征 通讯员 杨晓桐）