從CRISPR-GPT到LabOS，他們想把人從實驗中解脫出來。

作者｜蘇霍伊

編輯｜王博

10月底，英偉達官網悄然上線了一個專題頁面：NVIDIA XR-AI。

NVIDIA XR-AI是一個將XR設備（如輕量化AR/AI眼鏡或頭戴式顯示器）與組織的全部算力資源連接起來的平臺，由英偉達和叢樂團隊等合作發布。它讓具備空間感知能力的智能體（agents）能在云端、數據中心、工作站及邊緣環境中無縫運行。

簡單來說，這是一套令XR設備“真正變聰明”的AI平臺。

過去的AR眼鏡，更多像是一個“顯示屏”，只能把信息投射在你眼前。而他們合作的核心就是給這些設備接上強大的算力和模型，讓它們變成一個能看、能聽、能理解、還能做決策的智能體。

這正源自叢樂和王夢迪在做的LabOS。

叢樂（圖左）、王夢迪（圖右），圖片來源：受訪者

斯坦福大學醫學院病理學與遺傳學系終身教授叢樂、普林斯頓大學電氣與計算機工程系兼統計與機器學習中心教授王夢迪團隊聯合英偉達與XR智能眼鏡廠商VITURE，通過多項突破性系統，率先推進XR-AI在實驗室科學中的深度融合與應用。

其中主要涉及兩項技術突破：LabOS和CRISPR-GPT。

LabOS是一個AI-XR協同科學家（AI-XR Co-Scientist），能夠在真實實驗室中“看見、推理、并與人協作”的智能體，把干實驗室里的研究設計，與濕實驗室的實際操作、機器人智能執行無縫銜接起來。

而CRISPR-GPT則可提供AI指導的基因編輯能力，使研究人員在首次使用由LabOS驅動并基于NVIDIA XR AI平臺的智能眼鏡時，成功完成基因敲除和表觀遺傳修飾的實驗。

在上個月舉辦的華盛頓GTC中，黃仁勛主題演講前的開幕視頻就展示了叢樂和王夢迪團隊的這項成果。

叢樂和王夢迪團隊的LabOS演示畫面出現在GTC上，動圖來源：英偉達

11月18日，英偉達在其硅谷總部組織了一場閉門會?！讣鬃庸饽辍沽私獾剑瑓矘?、王夢迪團隊與英偉達還共同推出了面向實驗驅動科學的AI+XR基準體系——LabSuperVision（LSV）Benchmark標準，以及對應的Leaderboard模型排行榜?！巴瑫r我們和英偉達從XR一個部門的合作拓展到三個部門合作：XR部分， healthcare部門，Robotics/World Model部門。”叢樂介紹。

相比于單一的“agent功能模塊”，LSV希望構建XR-AI在實驗科學中的統一基準：讓不同實驗室貢獻數據和場景，形成可跨項目、跨團隊復用的“實驗環境理解”能力。

目前在LSV排行榜上，Gemini2.5Pro的表現不錯，領先所有商業模型。但拿下最高分的仍是LabOS團隊開發的LabOS-VLM-235B，而且比Gemini的分數高出47%之多。

LSV Benchmark 的官方模型排行榜（LLM Leaderboard），圖片來源：受訪者提供

過去相當長一段時間，XR的主流價值仍停留在“沉浸感”層面——娛樂、培訓、數字孿生更多是錦上添花，而非生產流程的核心工具，原因在于其缺乏智能決策能力、難以融入真實業務閉環，導致技術光環大于實際產出。

XR一度被視為“過氣”技術，本質是它還是停留在“看得更真實”，而不是“干得更有效”。

叢樂、王夢迪團隊推動的“XR-AI”，很可能成為改變這一局面的關鍵力量。它將XR從“感知終端”升級為“智能執行界面”，通過AI賦予其理解環境、判斷情境、實時介入操作的能力，讓其真正嵌入科研這樣的高價值場景，成為流程中的“決策節點”而不是旁觀工具。

“LabOS可以被當做是AI導師，不需要手把手培訓或長時間試錯，就能指導新手達到專家級水平。”王夢迪告訴「甲子光年」。當真人科學家走進實驗室時，無論是沒有按無菌規范操作，還是將試劑孵育時間做出了偏差，LabOS都會把這些細節逐條記錄，并給出提醒和糾正建議。

“如果把LabOS理解成一個操作系統，CRISPR-GPT就是其中一款應用?！眳矘氛f。與LabOS那種“把導師的眼睛裝進實驗室”的方式不同，CRISPR-GPT更像是把整套“基因學”封裝進了一個始終在線的虛擬研究助理中，讓它能提供專家級的實驗室“輔助駕駛”（copilot）。

CRISPR（成簇規律間隔的短回文重復序列）是一種源自細菌免疫機制、可對DNA進行精準“剪切和改寫”的革命性基因編輯技術，被譽為改寫生命代碼的“基因剪刀”。

叢樂團隊主要負責數據、模型與實際應用場景的開發，而王夢迪團隊更專注于強化學習。在雙方團隊的努力下，實驗室不再只是一個“操作空間”，而開始變成一個能夠學習、理解并參與實驗推演的系統：一個過去只能依賴“人”的實驗現場，正在被重新定義；科研的邊界，也因此開始出現新的可能性。

1.CRISPR-GPT：一個能夠加速實驗進程的智能體，有望拯救更多生命

實驗室里的現實常比想象更“混亂”一些。

研究人員在腦海中把路徑畫得清清楚楚：哪一步該做什么、哪一條反應鏈會往哪里走、最后應該看到什么結果。但真正站在實驗臺前，許多事情并不會按照思想的軌道運行。如試劑溫度比預期低了半度，混勻的力度略微輕了一些，手上不自覺的一個停頓，就足以讓結果偏出原本的方向。

這種落差并不是誰的錯，而是實驗本身的樣子。

生物、材料這些學科至今沒有一個足夠精確的模擬系統來替代反復試驗，人只能在一次次操作中摸索、修正。

更讓人無奈的是，結果并不會因為你意識到這個問題而變得“更聽話”。2016年Nature團隊曾發布了一項再現性調查里，超70%的生物醫學研究者無法復現別人的實驗，超50%的研究者連自己的實驗都難以重復。

不是科學家不夠謹慎，而是實驗執行天然帶著太多隱含的變量。思想很清晰，動作卻無法完全對齊；設計很正確，執行始終不夠穩定。

“實驗執行過程中的跑偏多數和設計無關 ，是你的手、眼和注意力無法保持機器般的穩定?！眳矘犯嬖V「甲子光年」，“所以我想把智能眼鏡、機器人和AI拉到同一張實驗臺前。”

由此在2023年，叢樂把目光先落在了最鋒利、也最難駕馭的一把“基因剪刀”上——CRISPR。

事實上，在麻省理工學院讀博期間，他便是第一批CRISPR成功用于哺乳動物基因編輯并證明其可行性的人，也是全球最早、最核心的CRISPR技術推動者之一。

CRISPR這項基因編輯技術足夠強大，卻也格外“任性”。

實驗時如果想在DNA上精準落刀，科學家除了需要判斷哪個片段是真正的“罪魁禍首”，還得在海量可能方案里選出一條相對安全的路徑：哪里切、切幾次、用什么載體、怎么控制脫靶等。

即使是經驗豐富的研究人員，也得常在文獻、實驗記錄、導師口耳相傳的經驗之間“輾轉反復”，經過一輪又一輪試錯，才能把一套操作流程走順。

而CRISPR-GPT就是把這一段最耗時、最依賴經驗的部分，交給不會疲憊的大腦來先“過一遍”，就像在原有流程上加了一層“緩沖區”：把錯誤盡可能攔在“腦海里的設計”和“真正操作的手”之間。

但起初，項目的推進并不順利。

叢樂嘗試聯系多家基因編輯實驗室，希望獲得更多數據來支撐論文。只是回應寥寥，進入論文的外部數據大多來自他們搭建的一個社區論壇。

“技術走得太前，也會‘脫節’?！?/span>叢樂感嘆。對他而言，技術超前反倒成了項目早期實現的阻力。當時大部分AI Agent相關論文甚至連實驗驗證都沒有，他是最早讓AI Agent真正跑進實驗室的那批人。

甚至AI Agent還不是一個廣為人知的概念。那段時間，叢樂與實驗室溝通時，總會從同一個問題開始：“什么是AI Agent？”

認知落差、執行端的缺口，以及模型與實驗之間的縫隙，都讓“開發GRISPR-GPT”變得更為迫切：如果沒有一個由科學家自己參與研發，能把設計、觀察、引導與執行接起來的系統，這類agents就不能真的被科學家們信任和使用。

在斯坦福醫學院，叢樂團隊用十余年的專家討論記錄和已發表論文，訓練出一個面向CRISPR的大模型，它能理解科學家習以為常的輸入方式：一段實驗背景、一段目標描述或一串序列信息。CRISPR-GPT再生成一套“有理有據”的設計，包括為什么選這條通路；類似實驗里哪些步驟容易出問題；哪里需要增加對照；哪些參數可以作為第一輪嘗試的起點等。

CRISPR-GPT的結構拆解，圖片來源：受訪者

叢樂的期待并不“空洞”。

他希望新藥開發的早期試錯不再以“以年為單位”來計算，可以被壓縮到幾個月甚至更短的尺度。“擁有一個能夠加速實驗進程的智能體，最終有望幫助拯救更多生命。”叢樂告訴「甲子光年」，即便是第一次接觸CRISPR的學生，無需通過在黑板和冰箱門之間來回抄寫配方完成訓練，僅在這位‘隨叫隨到的資深助理’協助下，就能快速完成一套規范實驗。

比如他課題組的一名學生，在CRISPR-GPT的幫助下，從黑色素瘤細胞中成功激活了特定基因，這名學生給系統輸入得只是一句“日常對話”式的請求：“我想在人體腫瘤細胞上做一次CRISPR激活實驗，應該怎么做？”

CRISPR-GPT把研究者的一句話逐步拆解成可執行的實驗方案的流程圖，來源：受訪者提供

以往這種嘗試意味著反復確認、來回修改、一次次“看起來差不多”的失敗，而他第一次就做對了。叢樂說，很多科研訓練是在“反復撞南墻”中完成的，“如果有一天能變成‘試一次就成功’，那會是完全不同的科研體驗”。

為了適應不同階段的研究者，CRISPR-GPT被分成了幾種工作方式：可以像導師一樣按部就班拆解每一個概念；也能像同行評審那樣與專家一起推演復雜方案；還可以在研究者只想確認某一個細節時，快速給出類似“醫生查房式”的回答。相比傳統論文，它的回答更成體系，也更貼近真實決策場景：給出唯一標準答案同時，也會把選項空間和過往教訓攤開在用戶面前。

但人的最終決策權沒有讓渡。

受訪過程中，叢樂一直在表達“最后拍板的仍然是人類科學家”。AI不做決策，做的是把信息組織得更清楚，把潛在錯誤暴露得更早，讓原本只能“自己踩坑”才能獲得的經驗，提前放到屏幕上。在此基礎上，系統還會檢查研究者已經寫好的設計，并嘗試將成熟的框架遷移到新的疾病、新的細胞類型上，讓一個實驗室里積累的“know-how”更容易跨團隊復用。

需要注意的是，CRISPR-GPT處理的不是普通文本，而是與生命系統直接相連的“操作指令”。

它設計的每一步，都可能改變一個細胞的命運，涉及病毒、基因突變、干細胞和人類遺傳信息。只要鏈路有一個環節失控，風險便會溢出虛擬世界，可能造成無法挽回的生物學后果。因此CRISPR-GPT的安全閾值必須遠高于通用大模型，以防止模型生成危險內容和實驗者在無意中跨過生物安全邊界。

CRISPR-GPT的安全約束一開始就被寫進底層邏輯中。叢樂把這一點稱作“三層保護”，后來擴展到LabOS的整體架構中也是同樣的原則?！耙驗樗猻erve所有的agent，”他說，“安全的閥門必須一直開著。”

第一層來自模型本身的判斷。一旦用戶的輸入帶有明顯越界的傾向——例如涉及病毒編輯，或指向人類胚胎的修改要求，系統會在語言模型的第一步檢測中直接拒絕執行。對話不會繼續，指令不會下發，鏈路會在源頭被截斷。

第二層針對序列信息的敏感性。基因編輯的設計不可避免要接觸DNA序列，但只要序列長度超過20個堿基，就可能泄露個人遺傳信息。所有超過閾值的序列都不會被送入外部大模型和任何共享的記憶模塊，而是交給一套獨立的、本地化的私有模型處理。即便系統內部調用了ChatGPT這樣的外部API，它看到的永遠是一段經過截斷和脫敏后的輸入，不能被反推出個體信息。

第三層來自攻擊面的驗證。團隊在論文附錄中加入了系統性的越獄（jailbreaking）與白名單（whitelisting）測試，讓不同研究者嘗試用各種方式誘導模型生成危險內容——比如設計某類病毒、修改某種病原體。所有測試過程與結果都被完整記錄，只為確認系統在極端情況下仍不會給出有安全風險的響應。

同時團隊也在計劃與監管和標準制定機構合作，把這種“AI 參與實驗設計”的能力納入更清晰的倫理與合規框架中。

叢樂還補充道，他做CRISPR-GPT不為了替代誰，是為了讓這條“思想到行動”的鏈路不再被無形的誤差不斷拉扯。把看不見的變量變得可見，把經驗性的動作變得可記錄，把那些重復但又無法跳過的步驟交給不會疲倦、不會分心的系統，讓人可以把力氣用在真正需要判斷和創造的地方。

2.LabOS：讓AI真正成為實驗中的協同科學家

CRISPR-GPT是以對話形式進行交互的，但在叢樂向其博士導師張鋒等教授介紹AI Agent時，他們都給出了同一個反饋：“你有沒有想過，實驗中最累、最慢、最費精力的不是在電腦上做設計，而是做實驗本身?！?/p>

叢樂也意識到，CRISPR-GPT的AI能力不應停留在“回答問題”層面。如果設計可以通過對話生成，為什么執行還要靠人去翻步驟、對照文檔？既然設計鏈路已經被AI接住，為什么不讓AI接住整個實驗？

LabOS的想法正是從這冒出的。它把對話生成的設計、視覺模型的理解、XR的引導和機器人的動作串成一個系統，再被直接被執行。

LabOS示意圖，圖片來源：受訪者提供

在實際操作中，AI始終以實時方式參與實驗流程。

當研究人員完成某一步驟時，AI立即在界面上作出響應，然后根據需要調整顯示位置。頭顯設備在此充當了貼身的AI助手，讓人機協作在繁瑣步驟中實現無縫銜接。

研究人員完成關鍵動作后即可離開轉向其他工作，后臺AI Agent能夠實時理解其操作意圖，自動將任務銜接給機器人，機器人無需額外指令即可繼續執行流程。秘訣在于，頭顯內置的攝像頭會持續回傳實驗畫面，機器人本體也同步上傳視野數據，所有信息最后都會進入 LabOS。

依托這些數據，LabOS 在“看”的同時，也夠理解實驗的推進邏輯，實時掌握人類操作細節。當研究人員將試管交給機器人時，系統已自動判斷流程進度，機器人亦隨即進入下一步操作。整套流程在人、AI和機器人之間自然流動起來。

“你不需要提供任何指示，Agents和AI控制的機械手完全知道該做什么。”叢樂說。

如視頻所示，在CRISPR基因編輯干細胞實驗中，研究人員先把一段又枯燥又耗時的步驟交給機器人：持續地攪拌、混勻，讓溶液達到穩定、均一的狀態。機械臂在臺前反復運轉，而人則可以暫時離開這張實驗臺取要編輯的人體細胞。等他把細胞拿回來時，機器人已經把這一階段的準備工作做完了，實驗隨即進入下一步更精細的操作，目前這部分仍然很難完全交給機器人，只能由人接手完成。

叢樂分享，這種協作模式已經擴展到其他實驗場景，比如他們剛完成一套量子材料實驗室的接入方案?！皫缀跞魏螌W科的科學實驗都可以通過類似方式被‘接入’和‘服務’。”只是在材料實驗室里，系統不會再調用“ScienceGPT”，而是換成面向材料研究的“MaterialGPT”。

“本質上，我們想做的就是一種操作系統級的體驗解決方案。”他說。

3.讓實驗真正從“設計”一路通向“執行”

為什么LabOS會選擇眼鏡和機器人？

叢樂解釋道：“現在包括英偉達都看到了，機器人不可能在明天就取代所有人類工作，也不可能立刻進入所有科研場景。所以如果人、機器人和AI需要實現協同，就必須在目前這個2.5代階段，用眼鏡和機器人一起配合?！?/p>

只有人、機器人與AI在同一個流程里看見同樣的東西、理解同樣的語境，并在同一時刻參與決策，這樣干濕實驗的閉環才真正被跑起來。

那CRISPR-GPT與LabOS又是怎么協作的？

叢樂沒有強調技術細節本身，而是回到一個中心：AI、混合現實、視覺模型與自動化流程的組合，并非為了讓科研“看起來更未來”，是為了讓實驗真正從“設計”一路通向“執行”，成為一個連續而加速的鏈條。

如果研究者提出一個基因編輯的實驗需求，比如通過“CRISPR-GPT”生成實驗流程，得到的設計可以直接通過LabOS 投遞到XR眼鏡的界面中。團隊為此專門訓練了一個視覺多模態模型VLM，能夠同時理解protocol的內容和眼鏡里看到的人類操作。

“AI可以對齊這兩件事，”他說，“既理解agent設計的步驟，也理解人正在做什么。”

整個過程被叢樂拆成三層：

第一層是“設計”——AI agent生成實驗流程，并在混合現實的空間里以沉浸式方式呈現；

第二層是“觀察”——眼鏡實時回傳畫面，AI根據視覺理解來觀察操作是否正確；

第三層是“反饋”——AI向研究者指出需要糾正的步驟，或在必要時直接將指令發送給機器人執行下一步操作。

“這就是我們為什么同時使用眼鏡和混合現實技術?！彼f。研究者、AI 和物理實驗之間通過視覺模型被編織成一個可追蹤的閉環。

在LabOS中，研究者登錄系統后可以創建一個新的實驗項目，與CRISPR-GPT進行交互，提出“我想編輯人類的多能干細胞”這樣的目標。AI 會在界面右側自動展開完整的workflow，從實驗步驟到DNA序列設計，每一項內容都會被逐步生成。

“所有序列都會自動出來，然后生成一個報告，告訴你每一步應該怎么做。”叢樂介紹。這些內容隨后可以直接同步到XR眼鏡，讓研究者在實驗過程中看到步驟提示，實現從構思到執行的連續協作。

改變不止于模型的思考能力，還有系統對實驗現場的支持方式。但關于實驗實時性的問題也接踵而來：這樣一個強大的實驗系統，需要依賴網絡實時連接嗎？一旦連接中斷，會不會導致操作半途失靈？

叢樂的答案是“本地化”底層的設計原則。

LabOS無需遠程服務器就能在本地GPU上完成推理與反饋；智能眼鏡通過WiFi或藍牙將畫面和動作實時傳回，這種近距離的無線通信足以保證延遲可控。即使網絡抖動，實驗進行中的關鍵步驟也不會被中斷。為了支持這種運行方式，他們訓練的模型規模被刻意控制在235B（基于Qwen模型）的量級，讓它既能理解復雜的實驗流程，又能在常規硬件上保持穩定。

從實驗桌的角度看，這種系統并不是要替代實驗者，而是要讓實驗者不再被冗余、重復、容易出錯的環節拖慢手腳。只要人能穩穩地拿起一個試管，AI就能把后面的鏈路接住。整個科研訓練體系門檻也被重新塑造：不拉低標準地讓每個人都能更早進入“思考”而非“糾錯”的階段。

現在叢樂團隊正在沿著兩個方向推進研究。

一是自動化。在實驗環境中，一個可靠的自動化系統必須整合更多感知能力：觸覺、壓力、力反饋、震動信號……這些都是人類在無意識中依賴的能力。團隊正在把這些底層傳感器與更靈活的機械手整合進LabOS，讓機器人不僅能“動”，還能“感知”。

二是多模態大模型。在原有VLM的基礎上做新的嘗試，同時與普林斯頓大學鄧嘉教授、紐約大學計算機學助理教授謝賽寧團隊、及OSU李伏欣教授合作，探索更強的“視覺-動作-語義”對齊方式，讓系統理解實驗畫面的同時，還能對環境做穩定的推理。“像謝賽寧團隊最近提出了一個新的概念，叫‘super sensing（超級感知）’，我們現在正在合作嘗試把這個概念直接用到實驗室AI4Science系統里。”叢樂說。

4.“人應該做更有意義的工作”

交流中，叢樂語速一直很快。

他試圖解釋一個在學界仍爭議不斷的觀點：科研自動化的真正瓶頸不在于算法的能力，關鍵在于AI在物理世界中的“不夠好”。

在叢樂看來，今天的科研仍被實驗執行效率所束縛，學界在如何推動AI參與真實實驗方面爭論已久。“論文里不能寫得太狠，”他笑著說，“因為外界會以為我們已經在做‘AI取代人類研究者’了，但實際并沒有?！?/p>

與許多團隊的路徑不同，叢樂的選擇往往是“自己動手”。他提到，最初將頭顯技術從游戲應用推向科研場景，就是他主動促成的?！爱敃r幾乎所有智能頭顯公司都在做消費場景，學生也不想戴眼鏡做實驗，我需要不斷努力推動團隊，也很感謝團隊及合作方的信任?！眳矘氛f。

消費場景之外，并非簡單的“用眼鏡輔助科研”。

為了讓AI能夠幫忙執行實驗，叢樂和團隊從最底層開始搭建系統。這是一項龐大的工程，學生在實驗中采集數據；實驗流程（protocol）自己寫；AI agent也是團隊內部開發的。模型的性能讓他頗為自豪，在某些任務上，團隊研發的VLM已經能夠超越包括Gemini，GPT-4在內的主流模型。

比結果更重要的往往是動機。

叢樂談到自己動機：他不認為“AI 取代人”是威脅，而是科學前進必需的過程。

“為什么人要做那么費勁的實驗？人應該提出更牛的想法，比如要上火星，或者基因編輯治好阿爾茨海默癥?！彼f。實驗執行本身枯燥且耗時，但這正是機器和AI更擅長的部分。

叢樂認為，這個世界上必然會存在的有兩種人：一種是拒絕被取代，也不愿意接受AI的；另外一種就是希望被AI取代的。

他顯然屬于后一類。

叢樂說得很直接，對他而言“被取代”不代表離開科研領域，而是把耗時、重復、但又不可跳過的實驗執行環節交給機器，讓人從漫長的操作中抽離出來，做真正推動科學前進的事：提出問題、判斷方向、設計新的假設。

換言之，他更在意的是讓科學家從“做”中解放出來，回到“思考”的位置上。

“如果你的目標是開發治療方案，那是不是要花幾年再學一遍CRISPR？”過去需要博士生花數年訓練才能熟練掌握的流程，現在縮短成幾天乃至幾小時的設計周期。

傳統實驗室里，從“會拿試管”到“能獨立做基因編輯和干細胞實驗”，并不是一個學期或一年能跨過的門檻。干細胞對手勢、溫度、速度的敏感度遠超教科書描述，CRISPR的每一步設計與遞送也充滿隱形變量。大多數研究者要在長時間的試錯和積累之后，才真正具備獨立操作這些高精度實驗的能力。

但當LabOS與CRISPR-GPT介入之后，耗時多年的學習曲線被幾乎重新塑造。尤其在設計環節被CRISPR-GPT自動化之后，實驗現場也開始被重構。

在這個重構的實驗室里，研究者只需要掌握最基礎的實驗動作，如試管怎么拿、移液槍的刻度怎么看、無菌臺該如何擺放耗材等。剩下的判斷、流程、參數設計，都可以交給LabOS和CRISPR-GPT組成的“智能實驗系統”來完成。叢樂表示，一個生物醫學專業的大一新生，只要上完最基本的課程，就能在這套系統的輔助下完成過去要博士后才能嘗試的實驗。比如干細胞相關的基因編輯，以前看似遙不可及，如今在嚴格的引導下變得可觸碰、可執行。

既然LabOS、AI agent已經能把那么多事做到位，一名科學家真正不可替代的能力還是什么？叢樂的回答很干脆：創造性和前瞻性。

無論是大模型還是LabOS，本質上學的都是人已經做過的事情，“人沒做過的東西，它能自己做出來嗎？”在他看來，機器人可以把人類已經驗證過的流程執行得更好，但“這個地球上還不存在的東西”從哪里來，仍然得靠人去想?！癆I for science在很長一段時間里都難被取代，”叢樂補了一句，“因為最難的是看到現在完全不存在的世界?！?/p>

目前，智能協作已經不再局限于生物研究。叢樂介紹道，他們已經在構建量子材料實驗室的接入方案。當場景更換，系統調用的模型可以從“ScienceGPT”變成“MaterialGPT”，但核心機制一致：人機協同、AI推演、現場感知三者組成的閉環，能夠被復制到“幾乎所有”實驗體系中。

這也是他做LabOS和CRISPR-GPT的初心。

叢樂始終認為，數字世界中的AI已經證明了自己的價值，如AlphaFold等。如果AI能在物理實驗中像在數字世界那樣快速迭代，科研將迎來全新的加速度。他相信這件事“應該會發生”，也確信總會有人邁出那一步。

至于誰會率先實現這一點，叢樂沒有做更多延伸，只是淡淡地說：“是我們，還是別人？但總得有人去做。”

（封面圖來自斯坦福大學叢樂實驗室，取自NVIDIA XR AI頁面。）