华为物理智能体打通AI科研实验室实操闭环

如何把屏幕上罗列的实验流程准确变成一连串实际操作？这个问题直指 AI 科研落地的核心门槛：AI 能输出可行实验方案，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，打通大模型与底层物理设备之间的交互，成功将实验方案下发到物理设备执行。关键底座之一是 openJiuwen 旗下的 Jiuwen Symbiosis 物理智能体。

以常规实验指令为例：“按方案 B 配制三组溶液，60℃搅拌两小时后开展光谱表征。”在数字空间中描述清晰，但落到真实实验台会被拆解为取容器、开盖、称量、移液、物料混合、加热台控温等多项物理动作。难点在于：AI 需判断操作是否可行、执行条件是否满足，如移液前瓶盖是否开启、加热工位是否空闲；需在异构设备集群、多流程并发、突发异常扰动下保持稳定；还要保证动作具备明确约束边界，样品与设备状态变更均可追溯。自动化实验室规模越大、链路越长、并发任务越多，一个未识别的状态偏差或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安全隐患。湿实验一旦出错，不存在数字世界里的“撤销键”。

Jiuwen Symbiosis 以“感知—规划—执行—反馈”Agent Loop 为核心，实现基于环境感知的实验任务动态编排：行动前确认现场状态，依据设备能力与状态动态调度设备、分配动作，执行后以观测结果校验成效并驱动下一轮决策，循环直至任务完成。

感知环节回答“现场是什么样子”，汇聚环境状态与设备状态。环境状态采用开放词汇视觉识别，以文字描述定位目标，识别结果结合深度信息统一换算至对应设备坐标系。设备状态以显式方式声明能力，编排时只把动作分配给真正具备相应能力的设备。适配器层抹平不同厂商硬件结构、通信接口差异，向上提供统一能力与状态抽象。

规划环节回答“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，结合结构化现场状态与设备能力，将任务拆解为具有先后依赖的子任务序列，并匹配可用设备。步骤间数据依赖显式描述，前一步感知得到的样品位置直接作为后一步抓取参数，而非预先写死坐标。执行方案下发前经过整体校验，确认前置条件可被满足。动态编排使实验流程不再与某一设备布局或实验方案绑定，新增实验不必重写控制程序，新增或更换设备只需声明能力即可纳入编排。

执行环节把计划转化为设备物理动作，规划结果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。设备间每次“交接”以现场状态为前提，涉及运动与抓取的动作不会被并行下发至同一设备，所有动作到达硬件前还需通过安全护栏边界检查。

反馈环节回答“刚才那一步是否真的做到了”。每步执行结果写入执行记忆，现场状态随之更新。下一步开始前，系统对照最新真实状态校验能否成立。一旦现实与计划不符，便触发重新规划，并设次数上限避免无休止循环。

执行记忆自动维护目标位置与设备状态，成功动作结果自动沉淀供后续继承；一旦位置参照关系改变，此前记录位置自动失效，系统知道需重新确认。执行记忆遵循两条原则：现场观测优先于依据执行记录做出的推断；未经确认的状态一律视为“未知”，而非默认“成立”。

每一次动作调用、现场观测、异常事件都会被结构化记录，并可按需保存关键画面。任务结束后轨迹可回放为可视化报告。研究者可回溯异常样品在哪一步、由哪台设备处理、当时现场状态如何。系统还支持对大量历史轨迹离线分析，将失败案例自动聚类、归纳共性原因并生成改进建议交由人工审核。

Jiuwen Symbiosis 在动作到达硬件之前设置安全护栏，挂接在执行过程关键事件上：运动类工具调用前触发，工具执行异常时触发恢复护栏。超出边界的指令会被直接拒绝，即便某项边界尚未配置，护栏仍会对指令做类型与数值有效性检查。运动或抓取类动作执行失败后，恢复机制尽力让设备回到已知安全位姿：末端未持物则同时释放；确认夹持样品则保持夹持、执行带载回退，不会因一次运动失败丢下样品。回位再次失败时系统不会反复重试同一动作，而是如实上报。

Jiuwen Symbiosis 给出的答案不是单一模型，而是一套面向物理世界的智能体系统：以闭环看清现场、动态编排，让设备协作随现场而变；以执行记忆与可回放轨迹记住每一步、追溯每一次；以安全护栏守住每一个动作的边界。