Opentrons Series E 為實驗室機械人邁向互聯實驗提供資金

Opentrons 籌集了 4,000 萬美元，藉此把實驗室自動化的範圍擴展至個別機械人以外，連接更多實驗流程環節。Opentrons Series E 支持機械人、軟件及實驗數據基礎設施，讓 AI 系統可協助設計、執行及改良實驗。當中的核心挑戰，是如何在真實的實驗室設備之間可靠地連接這些階段。

這輪融資正值公司朝向自主科學推進之際；所謂自主科學，是指實驗系統在有限人手介入下，利用結果引導後續工作。Opentrons 已有銷售實驗室機械人。如今它希望擴展的，是科學意圖、實體執行及可用實驗紀錄之間的連繫。

這使其願景與 Automata 的互聯實驗室平台並列，亦建基於其與 HighRes 的合作。主要矛盾存在於工作流程本身：自動化一項個別工作，並不代表能自動連接整個實驗。對實驗室採購方及開發人員而言，這輪融資的重要之處，在於它支持處理這些連繫——亦即軟件如何與儀器、樣本及科學判斷交會。

Opentrons Series E 實際資助甚麼

這輪融資支持以既有機械人平台為核心、更廣泛的實驗基礎設施業務。

Opentrons 於 2026 年 10 月 29 日公布此輪融資，由醫療保健投資者 Avego 領投，BroadOak Capital Partners 亦有參與。其 Series E 融資公告列出 SoftBank Vision Fund 及 Khosla Ventures 為現有投資者。

公司表示，資金將用於支援 AI 輔助實驗執行、擴展儀器能力，以及進軍更多市場。加快開發實驗方案，以及與其他實驗室系統作更深入整合，亦是優先事項。實驗方案是詳細說明實驗應如何進行的程序。

Opentrons 表示，已在超過 80 個國家部署逾 11,000 部機械人。這些數字反映其已安裝的規模，卻未能說明有多少客戶正在使用自主工作流程、這些流程的運行頻率，或當中需要多少人手介入。

這個分別很重要，因為融資公告同時涵蓋已成熟的產品及更廣泛的開發議程。執行預設程序的機械人，與能選擇後續實驗的系統，屬於不同的營運類別。兩者都可以有用，但採購方必須了解自己正在評估哪一種能力。

因此，Opentrons Series E 有多項實際任務。它必須支持改善機器、其執行的指令，以及其後返回的資訊。只有當各環節之間的連接正常運作，一個領域的進展才會帶動其他領域。

設想一所實驗室引入一套可草擬程序的 AI 工具。只有當科學家能檢視輸出結果，並把它轉換為受支援的儀器指令，草擬才會變得有用。當程序需要使用機械人即時工作範圍以外的設備時，下一個挑戰便會出現。

一項實驗可能需要準備工序、在儀器之間移動、量度及詮釋。即使改善了最初的準備步驟，其餘交接仍未解決。為更深入整合提供資金，正是針對這些交接環節；它們決定了整個流程有多少部分可毋須反覆的人手協調而運作。

公告並未詳細列出這些優先事項的資金分配，也未為每項擬議功能訂立通用發布時間表。讀者應把這筆資金視為支持一項擴展計劃，而非證明整個計劃已經推出。

對希望了解 Opentrons 融資的人而言，最清晰的解讀是從營運角度出發。投資者正支持一套基礎設施，將擬議實驗連接到實際操作及可詮釋的結果。這套基礎設施能否廣泛採用，仍取決於在客戶實驗室內的實施情況。

壓力轉移至儀器之間的連接

眼前的壓力落在負責把有前景的 AI 示範轉化為可靠實驗室工作流程的團隊身上。

科學家、自動化工程師及科研軟件團隊，從不同角度處理這個問題。科學家需要能回答有意義問題的程序；工程師需要設備能一致地執行這些程序；軟件團隊則需要清晰的介面及可反映實際情況的紀錄。

介面，即 API，定義軟件如何向另一個系統發送指令及交換資訊。開放 API 可令整合成為可能，但不會免除配對指令、儀器狀態及實驗要求的工作。

Opentrons 已承認，更廣泛的協調需要合作夥伴。它在 2 月 4 日與 HighRes 發布的公告，介紹了一項 實驗室工作流程合作，把 Opentrons 機械人及 AI 工具，與 HighRes 的排程及編排軟件結合。編排會協調不同設備之間的工作，讓整體程序按預期次序推進。

兩家公司公布，計劃展示軟件代理如何跨平台溝通，根據自然語言指令建立部分自動化工作流程。代理是運用工具朝既定目標完成工作的軟件。該公告描述的是開發及示範工作，而非證明已在所有客戶中普遍部署。

其意義在於責任分工。機械人負責受支援的實體操作，協調軟件則管理周邊工作流程。連接這些系統，讓實驗室能超越孤立的自動化。

對採購方而言，這帶來更嚴格的評估過程。成功的工作示範可以回答設備能否完成某項特定操作；互聯工作流程還必須顯示操作之前、之後，以及另一個組件無法使用時會發生甚麼事。

這些問題對人手配置的影響，與設備選擇不相伯仲。若科學家仍要在系統之間手動傳遞資訊，機構便仍要承擔協調負擔。若工程師每當程序改變便要重寫整合，軟件又會帶來另一項維護責任。

因此，這輪融資令 Opentrons 承受壓力，必須讓其更廣泛的產品組合對這些團隊真正有用。更多能力會擴闊可行工作流程的範圍；更清晰的介面及易於管理的部署方式，則決定客戶能否採用它們而不造成過度複雜性。

這亦是為何安裝數量需要審慎解讀。一所實驗室可以擁有一部機械人，卻只把它用於範圍狹窄、受監督的程序。要把這項安裝擴展成互聯實驗系統，還涉及額外設備、軟件及營運決策。

短期機會是實際的，而非抽象的。團隊希望減少重複交接、取得更清晰的執行紀錄，並減少在系統之間轉換程序所花的時間。即使實驗室尚未達到任何雄心勃勃的自主定義，這些改善仍然重要。

當這些好處出現在一般客戶工作流程中，Opentrons 的自主科學將更具可信性。相關證據在於實驗室操作人員的工作如何改變。

實驗數據將機械人連接至下一項決策

學習迴路需要在預定程序、其執行過程及所得量度結果之間建立可信的關係。

Opentrons 策略背後的機制，概念上相當直接。軟件提出或選擇一項實驗；設備執行受支援的步驟；量度結果返回資訊，協助決定下一步應該做甚麼。

複雜性存在於每一次轉換之中。一項科學目標必須轉化成足夠具體的程序；程序必須配合現有設備及材料；所得紀錄必須保留足夠背景，以支援詮釋。

液體處理器是一種可轉移已量度液體份量的機械人，能把這個流程中已界定的一部分自動化。它的指令描述操作，而科學結論則取決於這些操作能否產生回應預定問題的量度結果。

一份顯示已完成液體轉移的紀錄，屬於有用的營運資訊。然而，單憑它並不能解釋所得樣本是否支持某項科學主張；這仍需要量度及實驗背景。

這個分別令數據基礎設施成為融資故事的核心。實驗室需要把計劃中的程序，與其實際執行及後續觀察連接起來。否則，軟件可能會把不完整的紀錄視為實驗的完整描述。

研究已有相關先例。2023 年一篇 Nature 論文描述了使用 Coscientist 的 自主化學研究。該系統結合語言模型、軟件工具及實驗自動化。研究人員表示，系統兼容 Opentrons Python API 及 Emerald Cloud Lab 的程式介面。

研究探討的工作涵蓋規劃、使用文件、控制儀器及優化實驗。這為 AI 系統能在指定環境下連接推理與實驗室操作提供證據，但並不表示同樣的可靠性會自動套用至每項程序或每所實驗室。

這項歷史參考有助定位目前的融資。將 AI 連接至實驗室設備，是一個已有基礎的研究方向；商業上的挑戰，在於如何讓這些連接在客戶實際面對的條件下發揮效用。

這些條件包括不同的設備配置、不斷改變的程序，以及對監督程度各異的期望。在經過周密準備的設置下成功的工作流程，仍需具備在其他環境實施的路徑。維持這條路徑的工作，正是基礎設施機會的一部分。

Opentrons Series E 為一項讓更多流程可重複進行的工作提供資金。其潛在價值在於減少規劃、執行及詮釋之間的轉換負擔。即使科學家仍作出最終決策，這項負擔依然重要。

Opentrons 的自主科學亦取決於資訊如何持續連接。若程序有所改變，用戶需要知道是哪個版本產生某項結果；若操作人員介入，該次介入亦應記錄在實驗描述之中。

這些是評估準則，而非聲稱 Opentrons 現時已提供所有所需能力。它們說明為何實驗紀錄值得與機械人規格一同受到重視。當研究人員評估一項實驗的意義時，更快的機器無法彌補缺失的背景資料。

對軟件開發人員而言，這會把焦點轉向系統之間的邊界。指令、觀察結果和例外情況都需要具備其他元件可解讀的含義。這些連接的質素，決定了額外自動化是簡化工作流程，還是只會把複雜性轉移到別處。

競爭平台說明整合為何重要

開放性讓實驗室擁有選擇，但供應商仍會在客戶須完成多少整合工作上競爭。

Automata 提供了一個有用的比較，因為其 LINQ 平台同樣強調互連的實驗室營運。該公司形容其方案結合模組化硬件、工作流程軟件，以及與外部數據系統的連接。其公開定位包括跨儀器供應商的互通性。

Automata 的實驗室自動化平台亦提及可透過軟件存取的共用工作流程定義，以及 Python 開發工具包。Python 是常用於科學運算和自動化的程式語言。這些能力針對的是科學程序與可執行工作流程之間的關係。

這項比較並不能證明哪個平台表現較佳。現有說明並未提供涵蓋相同實驗室及程序的共通基準。它們確實顯示，連接硬件、軟件和數據，是 Opentrons 以外的重要競爭優先事項。

因此，策略選擇比開放系統與封閉系統之分更為細緻。兩家供應商都描述了開放介面和整合能力。有意義的差異會在實施方式、支援的設備、工作流程覆蓋範圍，以及留給客戶承擔的責任中浮現。

Opentrons 擁有據報的裝機基數，並與其機械人用戶建立了既有關係。Automata 則將 LINQ 定位為涵蓋實驗室營運的整合平台。這些定位為與客戶的對話提供不同起點，但並未預設結果。

既有的 Opentrons 客戶或會重視擴展團隊已熟悉的設備。計劃更廣泛自動化的實驗室，則可能從一開始便優先考慮協調多台儀器。兩種情況都不能保證某一家供應商必然最合適。

實際比較應聚焦於完整程序。平台可以直接協調甚麼？哪些連接需要自訂開發？執行前如何檢查變更？工作流程停止時，哪些資訊仍然可用？

這些問題令競爭討論保持務實。一長串功能清單可以掩蓋大量部署工作。一項範圍較窄的能力，只要解決明確界定的營運問題，仍然可以很有價值。

這亦說明 HighRes 為何作為合作夥伴出現在這個故事中。實驗室自動化涉及重疊的角色，包括儀器控制及跨系統協調。合作關係可以擴展受支援的工作流程，而毋須由單一公司建立每一個元件。

對 Opentrons 而言，更深入的整合帶來擴大其在既有實驗室中角色的機會。同時，這亦提高了對相容性和持續支援的期望。採用更廣泛平台的客戶，所依賴的不只是單一機器的表現。

更廣泛的含意是，實驗室機械人競爭愈來愈包括軟件架構和實施體驗。實體機械人仍然不可或缺，但周邊系統決定了它能支援多少實驗工作。

這讓買家能以具體方式理解這輪融資。應詢問投資在哪些方面減少整合工作，又在哪些方面擴展受支援的工作流程。這些答案比假設「自主科學」標籤描述的是統一產品類別更有用。

生成的實驗方案仍需科學審查

Opentrons 自身文件清楚劃定了 AI 輔助與用戶無須審查便可信賴的指令之間的界線。

該公司的 AI 實驗方案指引警告 OpentronsAI 可能出錯，並要求用戶在執行前審閱實驗方案。當中介紹了建立和修改程序、要求進行模擬，以及將生成檔案匯入機械人軟件的工具。

這些指引之所以重要，是因為它們貼近實際用戶工作流程。融資公告描述的是長遠方向；文件則說明用戶在使用現有工具時仍須保留的責任。

生成的程序即使看似連貫，仍可能需要修正。審閱其指令有助用戶評估輸出是否符合預期實驗和設備。生成工具的存在並不免除這項責任。

模擬，即以軟件呈現擬議的執行過程，提供了另一個檢查點。它可協助用戶在投入實驗室資源前檢視程序。其效用取決於模擬所呈現的內容，以及它檢查哪些條件。

程序通過軟件檢查，並不代表它能回答科學問題。這項判斷需要來自實際實驗過程的證據。將這些評估分開，可避免把營運成功變成缺乏支持的科學主張。

同樣的審慎態度也適用於數據主張。結構化記錄可令軟件更容易處理資訊。但其結構本身並不能證明相關實驗是恰當、完整或可重現的。

可重現性是指在指定條件下重複某個程序時，獲得一致結果。要證明這一點，不能只描述輸出檔案的格式。研究人員需要有關執行和結果的充分資訊，才能評估這項主張。

融資公告並未披露對各客戶實驗室自主表現的詳細評估。它未有確立一般介入率、比較工作流程基準，或普遍的自主程度。這些缺口限制了讀者可從融資本身得出的結論。

它們並非策略不可行的證據，而是指出評估進展所需的資訊。一家公司可以擁有有用的自動化產品，同時仍在發展實現更廣泛自主能力所需的技術。

投資者支持亦應以相同方式看待。Avego 的參與顯示其支持這個機會，但並不獨立驗證每一項技術主張，也不能證明客戶將在多大範圍內採用未來能力。

對買家而言，合理做法是要求與自身程序相關的證據。審閱建議工作流程、所需監督，以及執行後可取得的記錄。詢問如何處理例外情況，以及最終由誰負責解決。

對研究團隊而言，隨着軟件改變，保留程序歷史和技術文件同樣重要。可搜尋的知識庫可協助員工找回這些支援背景資料。實驗記錄仍須在實驗室的營運系統內保持連結。

因此，核心不確定性很具體：這筆新投資在實際應用中會帶來多少可靠的實驗協調能力？回答這個問題需要部署證據，而非對 AI 科學潛力作更廣泛的主張。

留意部署證據及通往 2027 年的路徑

下一批有用訊號將是客戶工作流程成果、更廣泛的儀器整合，以及朝公司所述實體 AI 計劃邁進的進展。

首先，留意描述完整工作流程的客戶證據。有用的案例應說明程序、所涉及設備和所需的人手介入。它應解釋部署後有何改變，以及仍有哪些限制。

這類證據會加強軟件和整合投資改善實驗營運的論據。略去設置工作或例外處理的示範，仍會留下更多不確定性。關鍵在於讀者能否理解結果背後的條件。

其次，留意 Opentrons 及其合作夥伴如何擴展跨設備協調。公告應區分計劃中的示範與客戶可使用的能力。當部署要求清晰時，對額外儀器的支援才更具意義。

這包括工作流程如何回應變更，以及用戶如何檢查執行記錄。若更廣泛的相容性能減少實際整合負擔，便會加強平台論據。沒有可管理實施路徑的額外介面，提供的證據則較弱。

第三，留意早前於 2026 年所述實體 AI 開發時間表的更新。此處的實體 AI，是指利用感知和軟件模型引導實驗室行動的系統。這項工作處理的是超越固定預先編程動作的任務。

2 月，Genetic Engineering & Biotechnology News 報道 Opentrons 利用 NVIDIA 技術進行實體 AI 開發。行政總裁 James Atwood 表示，會結合已記錄的機械人活動與模擬訓練數據。預期發展會由較小型設備組合，逐步走向更複雜的實驗室環境。

該報道指出，訓練將持續至 2026 年，並可能在視乎進展的情況下於 2027 年向指定客戶開放。Atwood 指出，能否在多台儀器之間實現可重現性，是推進工作的條件。這些說法提供的是開發參考，而非保證推出的承諾。

未來數月，針對這些條件的具體更新，會比泛泛而談的動能更具資訊價值。跨設備可重複運作的證據，將加強更廣泛的策略。修訂時間表則會要求讀者重新評估建議能力何時可用。

這些訊號亦有助區分投資計劃的不同部分。較佳的實驗方案輔助，可在流動機械人能力成熟前提供價值。即使科學家仍持續審閱實驗決策，改善儀器協調仍可令實驗室受惠。

因此，應透過一連串具體改變來評估 Opentrons 的 E 輪融資。客戶可以部署甚麼？它移除了哪些工作？相關主張附帶甚麼證據？這些問題將融資與預期使用其成果的人連結起來。

如果你正評估對實驗室的影響，請從既有程序開始，追蹤由規劃至量度之間的每一次交接。找出人員在哪裏轉譯指令、傳遞資訊、處理例外情況，或事後重建發生過甚麼。以這些環節評估未來的產品公告和客戶案例。對於關注 Opentrons 融資解讀的讀者，這提供了一個實用篩選方法：尋找證據證明投資改善了完整的實驗工作流程。未來數月，將所述能力與已記錄的部署條件作比較，並區分現有工具與開發里程碑。在判斷哪些進展重要時，應一併關注程序、其執行過程和結果。