机器人会摆镜片、调光路：光学实验的手艺开始变成代码
光学实验台上，机械臂抓起两面镜子和一块分束器，把它们放进指定位置；粗摆完成后，它又换上一件带两根内六角杆的工具，插进镜架旋钮，来回微调，直到相机里出现稳定的干涉条纹。整个过程中，没有人伸手“凭感觉”拧一下。
一台机器人接管光学实验：从画光路到拧旋钮，它还不是真正的AI科学家
镜片摆到0.5毫米内还不够：机器人如何学会调出干涉条纹
光学实验台上，机械臂抓起两面镜子和一块分束器，把它们放进指定位置；粗摆完成后，它又换上一件带两根内六角杆的工具，插进镜架旋钮，来回微调，直到相机里出现稳定的干涉条纹。整个过程中，没有人伸手“凭感觉”拧一下。
8月19日，MIT团队在《Science Advances》正式发表这套名为OptoMate的系统。它不只让AI画一张光路图，而是试图贯通自由空间光学实验的四个环节：理解目标、生成布局、实体装配、校准与测量。
这件事值得关注，不是因为机器人终于会摆镜片。工厂早就能做固定工序的光学装配。真正的变化是，长期藏在研究人员手指、眼睛和经验里的实验手艺，开始被拆成机器可读取、检查和重复的步骤。
最难自动化的，恰恰是那一下“手感”
自由空间光学实验看起来像把积木摆在一张布满螺孔的金属桌上。实际上，一套干涉仪能否工作，取决于镜片的位置、角度、光轴高度和相位是否同时对上。元件粗摆只差一毫米，光束走过几米后就可能偏离探测器；镜架旋钮多动一点，干涉条纹便会消失。
所以光学实验室一直保留着很强的手工业色彩。熟练研究者会用一张白卡追光斑，用眼睛判断反射方向，再凭反馈慢慢调镜子。问题是，这种经验难写进实验方法，也难被另一间实验室完整复制。博士生毕业时带走的，不只是论文知识，还有一套没有被记录的动作。
化学和材料实验的自动化走得更早。液体可以由泵和移液器按体积转移，反应与分析设备也较容易固定接口。光路则不同：元件种类多、空间自由度高、误差彼此耦合，环境轻微振动和温漂都会让昨天调好的系统今天失准。
OptoMate选择的不是一步到位，而是把“手感”拆成三层闭环：大模型提出结构化方案，规则检查物理可行性，视觉和传感器再监督机器人把误差一点点收回来。
大模型负责提案，但没有资格直接碰电机
第一层是设计。团队选了四类典型光路：Michelson干涉仪、Mach–Zehnder干涉仪、Hong–Ou–Mandel干涉仪和4f成像系统。每一类从一个参考布局出发，通过平移、缩放、旋转和镜像生成大量样本，再删除元件重叠、超出工作区或光束撞上机械臂的方案。
他们用这些数据微调LLaMA 3.1 8B模型。采用的QuanTA方法只训练约1.4313亿个参数，占完整模型1.75%，但完整训练仍消耗约8500个A100 GPU小时。在每种光路128个测试样本上，模型在进入规则验证前的正确率超过80%。
这个数字必须放回口径里。它不是“AI做光学研究的准确率”，只表示模型面对四类已知结构，能否生成与参考拓扑等价、满足用户位置要求的布局。训练数据也不是数千种真实实验，而是从四个参考结构做出的几何变化。
更重要的是，模型输出不能直接驱动机器人。布局先过几何和物理验证，不合格就返回修改。随后，另一个基于Claude 3.7的代理把元件列表翻译成动作代码，但它只能调用四组预先写好的封装函数：初始化、识别抓取、精确放置和机械臂归位。
换句话说，大模型负责提案，验证器掌握否决权，传统控制软件把住最后一道闸门。这比“让AI自由操作实验室”的说法克制得多，也更接近工程系统真正可用的样子。
0.5毫米只是粗摆，最后还要拧旋钮
实体执行使用一台7自由度UFACTORY xArm 7机械臂，负载3.5千克、工作半径61厘米。工作台上方有两台相距23厘米的4K相机；每个元件装进定制3D打印外壳，贴上ArUco视觉标签，底部放入磁性底座。机械臂末端的LiDAR深度相机负责补上距离信息。
厂家给机械臂的标称重复精度是±0.1毫米，但论文在完整实验条件下测得的实际摆放精度为位置±0.5毫米、角度±0.2度。团队没有掩盖这道差距。每放下一个元件，相机便重新检查；如果偏差超过0.5毫米，机器人就抓起来再放一次。
可对干涉仪而言，半毫米仍远远不够。团队因此制作了一件机器人可抓取的精调工具：两台小电机带动两根内六角杆，旁边装着相机和环形灯。机械臂把它拿到镜架前，边旋转边向前，像找钥匙孔一样插进调节旋钮，再依据相机或光电探测器的反馈反复调整。工具加工容差低于100微米，最终角度调节可进入亚角分级。
这套组合完成了两个最直观的演示。机器人从零搭起Michelson干涉仪并调出稳定条纹；它也摆好两片透镜和针孔，组成4f空间滤波系统，把光束清理得更规整。
机器人随后完成五类测量：追踪光束方向和束腰、测量完整光束矩阵、绘制偏振分布、获取光子晶体的角分辨透射谱，以及在真实空间中寻找2倍扩束器的正确镜片间距。扩束实验从两个不同初始位置出发，都在大约10次迭代后收敛到2.08倍目标。
其中，光束方向的结果不是机器人“看一眼”后给出的判断。系统移动相机，在多个纵向位置采集光斑，再用直线拟合光束轨迹；论文报告的角度估计由230次测量取平均。这个细节说明自动化的意义不只在于替人搬元件，还在于把“移动—采样—拟合—复核”变成可重复执行的测量协议。它仍不能消除系统误差，却让误差来自哪里更容易被追查。
它自动化的是工作流，不是科学发现
论文称，系统的部分测量一致性超过人工操作者，单个元件的人工放置通常超过20秒，机器人平均更快。但这些表述不能直接扩展成“机器人做实验比科学家更好”。论文没有给出跨实验室的大规模人员比较，也没有完整披露一次实验从设计到数据的总时间、长期故障率和维护成本。
系统所处的环境也被精心改造过：元件有统一外壳、磁性底座和二维码式标签；照明经过控制，四周还有挡光板；训练布局固定光学高度。现实实验室里则有不同品牌的镜架、盘绕的线缆、灰尘、热漂移、临时夹具，以及谁也没有写进数据库的旧设备。
因此，OptoMate证明的是“在被结构化的工作台上，端到端自动化可以闭环”，而不是“机器人已经能走进任何实验室自主发现”。论文的训练集合包含Hong–Ou–Mandel量子干涉仪，但实体端完整展示集中在Michelson干涉仪和4f系统，也不能写成机器人已经独立完成量子光学实验。
这道边界反而揭示了真正的产业机会。实验室自动化首先需要的，可能不是更大的模型，而是更统一的镜架接口、夹具、元件身份、校准文件、安全联锁和故障日志。只有这些基础设施存在，机器才知道手里拿的是什么、应该放在哪里、怎样确认自己没有做错。
当实验台成为云服务，谁拥有那套手艺
光学仪器几乎存在于所有前沿实验：量子计算、芯片检测、显微成像、激光制造、材料光谱和天文观测。若其中大量重复装调与测量可以远程执行，一台高价设备就可能被更多研究者按时段共享，危险的高功率激光和X射线实验也能减少人员暴露。
但成本不会凭空消失。它会从研究人员的时间，转移到机械臂、视觉系统、模块改造、校准和维护上。最先适合自动化的，不一定是最前沿、最独特的实验，而是任务定义清楚、重复次数高、接口相对稳定的测量工作。
人的岗位也不会简单消失。过去，优秀实验人员的价值体现在“把光调出来”；未来一部分价值会转向设计可被机器执行的实验语言，判断异常数据究竟是新物理还是镜面脏了，以及在自动化失灵时重建因果链。隐性手艺没有被消灭，而是被重新分配：一部分进入代码和夹具，一部分留在对异常的判断里。
对中国的真实关联同样在这一层。中国已经拥有光学元件、激光器、机器视觉和工业机器人供应链。能否把这些能力变成自动实验室，不取决于再做一个“AI科学家”演示，而取决于不同厂商的元件、软件和安全接口能否互认。若每个实验室仍要重新打孔、贴标签、写驱动，集成成本会吃掉机器节省的时间。
科学家的手，不会突然离开实验室
OptoMate最有价值的地方，是它没有只停在屏幕里的光路图。模型的方案必须经过规则验证，机器人放下元件后必须重新测量，粗摆不够还要拿工具拧旋钮。每一层都承认上一层会犯错。
这也给“AI for Science”提供了一个更现实的判断标准。真正移动边界的，不是模型说出多少专业术语，而是它能否让一个可测量的物理过程闭环，并在失败时留下可以追查的记录。
机器人已经能够摆好几面镜子，调出一幅干涉条纹。距离自主提出问题、识别意外现象并说服同行，还隔着很远。但实验科学里最难复制的一部分手艺，确实开始第一次被系统性地写进机器。这可能比“AI科学家诞生了”更慢，却也更重要。
资料来源
- Uddin et al., Science Advances — AI-driven robotics for optics — 2026-08-19 — https://doi.org/10.1126/sciadv.aee1381
- Uddin et al., arXiv — AI-Driven Robotics for Optics, v2 — 2025-11-15 — https://arxiv.org/abs/2505.17985
- Jonathan Fan, Science — Building a robotic optical engineer — 2026-08-20 — https://doi.org/10.1126/science.ael5804
- Choi et al., arXiv — A Framework for Closed-Loop Robotic Assembly, Alignment and Self-Recovery of Precision Optical Systems — 2026-03-23 — https://arxiv.org/abs/2603.21496
- Vaidya et al. — OptSetGen source code — 2025 — https://github.com/sachin4594/OptSetGen
- AutoArm — AUTO-Arm control code — 2025 — https://github.com/AutoArm/AUTO-Arm
