Robot hóa học bắt đầu tự chế tạo phân tử: Phòng lab tương lai có thể chạy gần như không cần con người?

Một nhà hóa học nhập mục tiêu: “hãy tìm điều kiện tốt nhất để tạo ra vật liệu có tính chất này”. Sau đó, thay vì tự pha từng dung dịch, chạy từng phản ứng và ngồi chờ thiết bị phân tích, họ để một hệ thống robot làm phần còn lại.

Robot lấy hóa chất, định lượng, trộn, gia nhiệt, chuyển mẫu sang máy phân tích. Phần mềm đọc kết quả. Thuật toán quyết định thí nghiệm tiếp theo. Nếu kết quả không tốt, hệ thống đổi nhiệt độ, nồng độ hoặc tỷ lệ tiền chất rồi chạy lại. Vòng lặp tiếp tục cho tới khi tìm được vùng điều kiện có triển vọng.

Đây không còn là kịch bản khoa học viễn tưởng. Những hệ thống như vậy đã tồn tại dưới tên gọi self-driving laboratory — phòng thí nghiệm tự vận hành.

Điều thay đổi trong vài năm gần đây là mức độ “tự lái” ngày càng cao. Robot không chỉ làm thao tác cơ học theo một danh sách lệnh được viết sẵn. AI bắt đầu tham gia vào cả khâu đọc mục tiêu, lựa chọn thí nghiệm, phân tích dữ liệu, phát hiện lỗi và quyết định bước tiếp theo.

Một bài tổng quan trên Nature Reviews Chemistry xuất bản ngày 31/7/2026 nhận định rằng self-driving lab đã tiến từ những công cụ tự động hóa tập trung vào một nhiệm vụ hẹp sang các nền tảng khám phá đa mục đích, nơi thuật toán có thể đề xuất, thực hiện và diễn giải thí nghiệm với mức can thiệp của con người hạn chế.

Nhưng điều đó có đồng nghĩa phòng lab tương lai chỉ cần bật máy rồi để robot tự làm khoa học?

Chưa hẳn.

Self-driving lab khác gì một phòng lab có robot?

Robot trong phòng thí nghiệm không phải ý tưởng mới. Máy lấy mẫu tự động, liquid handler, hệ thống sắc ký và dây chuyền xét nghiệm đã được sử dụng trong nhiều thập kỷ.

Điểm khác biệt nằm ở vòng lặp ra quyết định.

Một hệ thống tự động hóa truyền thống thường thực hiện một quy trình đã định trước:

con người lập protocol → máy chạy protocol → con người đọc kết quả → con người quyết định thí nghiệm tiếp theo.

Self-driving lab cố gắng đóng kín vòng này:

AI chọn thí nghiệm → robot thực hiện → thiết bị đo kết quả → AI phân tích → AI chọn thí nghiệm tiếp theo.

Khi vòng lặp đó hoạt động ổn định, hệ thống có thể chạy hàng chục hoặc hàng trăm thí nghiệm liên tiếp mà không cần một nhà nghiên cứu đứng cạnh từng phút.

Robot hóa học không nhất thiết phải giống người

Khi nghe “robot hóa học”, nhiều người hình dung một robot hình người cầm ống nghiệm.

Thực tế, phần lớn phòng lab tự động trông giống một dây chuyền thiết bị chuyên dụng hơn.

Có thể có cánh tay robot để di chuyển lọ. Có bơm định lượng để đưa chất lỏng qua reactor. Có autosampler chuyển mẫu vào máy sắc ký. Có camera để kiểm tra vị trí vật thể. Và ở tầng cao hơn là phần mềm điều phối toàn bộ hệ thống.

Tuy nhiên, một hướng nghiên cứu khác lại cố gắng tạo robot có thể sử dụng chính thiết bị hiện có trong phòng lab giống con người.

Một công trình đăng trên Nature năm 2024 đã sử dụng robot di động để liên kết một hệ thống tổng hợp với sắc ký lỏng–khối phổ và máy NMR để bàn. Robot có thể vận chuyển mẫu giữa các thiết bị, còn phần mềm sử dụng nhiều phép đo khác nhau để quyết định phản ứng nào đáng tiếp tục và tự kiểm tra lại khả năng tái lập của những kết quả tốt.

Ý tưởng này quan trọng vì nó tránh một vấn đề lớn của tự động hóa: không phải phòng lab nào cũng có thể xây mới toàn bộ hạ tầng chỉ để phù hợp với robot.

Máy đã có thể tự tổng hợp những gì?

Khả năng của các hệ thống hiện nay khá đa dạng.

Một số nền tảng tập trung vào hóa học hữu cơ và tối ưu điều kiện phản ứng. Một số khác tìm vật liệu mới, chất xúc tác, perovskite, polymer hoặc nanoparticle. Có hệ thống tối ưu nhiều thuộc tính cùng lúc, ví dụ vừa muốn tăng hiệu suất phản ứng vừa giảm nguyên liệu hoặc thời gian.

Năm 2025, một nhóm nghiên cứu công bố trên Nature Communications nền tảng robot hóa học có thể tổng hợp tự động nhiều loại nanomaterial, gồm hạt vàng, bạc, Cu₂O và nanocage PdCu.

Hệ thống sử dụng mô hình GPT để hỗ trợ tạo phương pháp tổng hợp và thuật toán A* để liên tục điều chỉnh tham số nhằm tìm điều kiện phù hợp cho sản phẩm mục tiêu.

Đây là ví dụ cho thấy AI và robot bắt đầu nối được hai lớp vốn tách biệt: lập kế hoạch ở tầng thông tin và thao tác vật lý trong phòng thí nghiệm.

“Tự chế tạo phân tử” thực chất diễn ra như thế nào?

Một quy trình tổng hợp tự chủ có thể bắt đầu bằng mục tiêu hóa học: tạo hợp chất A, tìm một chất có đặc tính B hoặc tối ưu phản ứng C.

Ở tầng phần mềm, hệ thống có thể sử dụng cơ sở dữ liệu phản ứng, mô hình dự đoán hoặc LLM để tạo route tổng hợp và protocol.

Protocol đó sau đó phải được chuyển thành những lệnh máy cụ thể, chẳng hạn:

• lấy bao nhiêu microlit dung môi;
• thêm reagent theo thứ tự nào;
• khuấy ở tốc độ bao nhiêu;
• gia nhiệt đến nhiệt độ nào;
• chờ bao lâu;
• chuyển mẫu sang thiết bị nào;
• đọc tín hiệu nào để đánh giá thành công.

Sau khi phản ứng kết thúc, thiết bị phân tích trả dữ liệu về phần mềm. AI hoặc thuật toán tối ưu dùng dữ liệu đó để quyết định xem nên tiếp tục thử vùng tham số nào.

Điểm quan trọng là máy không nhất thiết phải “hiểu hóa học” giống con người để vòng lặp này tạo ra kết quả hữu ích. Nếu không gian thử nghiệm được xác định tốt và hệ thống đo đủ tin cậy, thuật toán có thể học từ từng thí nghiệm rồi dần tìm đến vùng tốt hơn.

AI giúp giảm số thí nghiệm phải chạy

Một trong những lợi ích lớn nhất của self-driving lab không đơn giản là chạy nhanh hơn con người.

Lợi ích quan trọng hơn là chọn thí nghiệm thông minh hơn.

Giả sử có sáu biến phản ứng, mỗi biến có mười mức. Nếu thử mọi tổ hợp, số khả năng lên tới một triệu. Thực tế không ai muốn chạy toàn bộ không gian đó.

Các thuật toán như Bayesian optimization, active learning, reinforcement learning hoặc heuristic search có thể dựa trên các kết quả đã có để chọn thí nghiệm tiếp theo mang nhiều thông tin nhất hoặc có khả năng cải thiện mục tiêu cao nhất.

Nhờ đó, robot có thể không cần chạy hàng triệu phản ứng. Nó thử một nhóm nhỏ, học từ kết quả rồi thu hẹp không gian tìm kiếm.

Đây chính là chỗ AI có thể tạo ra lợi thế vượt xa một cánh tay robot đơn thuần.

Robot bắt đầu biết nhìn và phát hiện khi thí nghiệm đi sai

Một vấn đề tưởng nhỏ nhưng cực kỳ quan trọng trong lab tự động là xử lý lỗi.

Trong một quy trình được lập trình cứng, robot thường giả định mọi thao tác trước đó đã thành công. Nhưng thực tế phòng thí nghiệm đầy những tình huống bất ngờ: chai lệch vị trí, đầu hút không gắn đúng, dung dịch tràn, mẫu bị đục, vật thể rơi hoặc thiết bị trả tín hiệu khác thường.

Một nhà nghiên cứu con người có thể nhìn và lập tức nhận ra “có gì đó sai”. Robot truyền thống thường không làm được điều này.

Năm 2025, nhóm của Đại học Liverpool công bố hệ thống LIRA trên Communications Chemistry. LIRA kết hợp camera và mô hình vision-language để robot định vị vật thể, kiểm tra trạng thái và suy luận khi workflow lệch khỏi dự kiến.

Công trình này nhấn mạnh một điểm then chốt: muốn phòng lab chạy tự chủ lâu dài, robot không chỉ cần biết thực hiện thao tác đúng. Nó còn phải biết phát hiện thao tác đã thất bại.

Thế hệ mới đang nối LLM với robot

Trước đây, self-driving lab thường dựa vào những thuật toán tối ưu chuyên biệt. Gần đây, LLM bắt đầu xuất hiện như một lớp điều phối mới.

Thay vì yêu cầu người dùng viết mã điều khiển từng thiết bị, một tác nhân AI có thể nhận yêu cầu bằng ngôn ngữ tự nhiên, dịch mục tiêu thành protocol, gọi công cụ, đọc dữ liệu và phối hợp các module khác nhau.

Một số hệ thống đa tác nhân thậm chí chia vai: agent này đọc tài liệu, agent kia lập kế hoạch, agent khác kiểm tra an toàn hoặc dịch kế hoạch thành lệnh robot.

Điều này làm self-driving lab linh hoạt hơn, nhưng cũng mở ra một rủi ro mới: LLM có thể hallucinate hoặc tạo một protocol nghe hợp lý nhưng không phù hợp với thực tế hóa học.

Vì thế, các kiến trúc đáng tin cậy thường cần những lớp kiểm tra bằng quy tắc, bộ giới hạn phần cứng, mô hình chuyên ngành và cơ chế xác nhận trước khi lệnh được gửi tới thiết bị vật lý.

Năm 2026: AI bắt đầu tham gia cả suy luận vật liệu trong vòng kín

Một preprint công bố tháng 4/2026 từ nhóm A-Lab mô tả nền tảng tự động dành cho vật liệu lithium halide nhạy với không khí.

Hệ thống kết hợp robot thao tác trong glovebox với một agent AI dùng hai kiểu suy luận: quy nạp để mở rộng sang những vùng thành phần chưa được khám phá và suy luận theo hướng giải thích để điều tra các quan sát bất thường.

Trong chiến dịch gồm 352 mẫu, nhóm nghiên cứu báo cáo rằng tỷ lệ những thành phần vừa có độ dẫn ion tốt vừa có độ tinh khiết pha cao tăng từ 1,33% trong 75 mẫu đầu lên 5,33% ở 75 mẫu cuối do agent đề xuất.

Đây vẫn là preprint và cần được đánh giá với sự thận trọng tương ứng. Nhưng nó cho thấy hướng phát triển rõ ràng: hệ thống không chỉ tối ưu một con số duy nhất mà bắt đầu được thiết kế để lý giải quan sát rồi dùng lý giải đó định hướng vòng thí nghiệm tiếp theo.

Phòng lab “24/7” là mục tiêu hấp dẫn

Con người phải ngủ. Robot thì không nhất thiết.

Nếu vật tư được chuẩn bị đủ, thiết bị ổn định và workflow có khả năng tự khôi phục lỗi, một self-driving lab có thể tiếp tục chạy qua đêm hoặc cuối tuần.

Điều này đặc biệt hấp dẫn với những chiến dịch cần hàng trăm hoặc hàng nghìn thí nghiệm lặp lại.

Ngoài tốc độ, tự động hóa còn có lợi cho khả năng tái lập. Robot có thể định lượng, thao tác và ghi log theo cách nhất quán hơn giữa các lần chạy. Nếu metadata được lưu đầy đủ, hệ thống có thể tạo hồ sơ chi tiết về chính xác những gì đã xảy ra trong mỗi thí nghiệm.

Bài tổng quan năm 2026 trên Nature Reviews Chemistry coi việc ghi nhận đầy đủ nguồn gốc và metadata của toàn bộ quy trình là một trong những điều kiện then chốt để self-driving lab trở thành hạ tầng khoa học đáng tin cậy.

Vậy có thể bỏ nhà hóa học ra khỏi phòng lab?

Trong một workflow hẹp, được chuẩn hóa tốt, câu trả lời ngày càng gần với “có thể trong nhiều giờ hoặc nhiều vòng thí nghiệm”.

Nhưng nếu câu hỏi là một phòng nghiên cứu hóa học tổng quát có thể vận hành gần như không cần con người hay không, câu trả lời hiện tại vẫn là chưa.

Có nhiều lý do.

1. Robot giỏi ở những gì đã được thiết kế để robot làm

Một nhà hóa học có thể mở ngăn kéo, đổi loại lọ, ứng biến khi thiếu dụng cụ hoặc chuyển sang một thiết bị khác.

Robot thường phụ thuộc vào hình học, giao diện và quy trình rất cụ thể.

Một thay đổi tưởng nhỏ — chai khác kích thước, thiết bị đổi firmware, đầu nối bị lệch — có thể làm cả workflow ngừng hoạt động.

Khả năng tổng quát hóa giữa các phòng lab vì vậy vẫn là một trong những vấn đề lớn của lĩnh vực.

2. Hóa học thật không sạch như dữ liệu mô phỏng

Phản ứng có thể tạo kết tủa. Chất lỏng có độ nhớt khác dự kiến. Bọt khí làm sai phép đo. Mẫu có thể bám vào thành bình. Một chất trung gian có thể phân hủy.

Những chi tiết “vật lý vụn vặt” này thường không xuất hiện đầy đủ trong mô hình AI nhưng lại quyết định thí nghiệm có chạy được hay không.

Đây là lý do nhận thức thị giác và khả năng xử lý ngoại lệ đang trở thành một phần quan trọng của robot hóa học.

3. Tự động không đồng nghĩa an toàn

Hóa học có vật liệu dễ cháy, chất độc, phản ứng tỏa nhiệt, khí áp suất cao và nhiều nguy cơ khác.

Một self-driving lab không thể chỉ hỏi “thí nghiệm nào tối ưu nhất?”. Nó phải hỏi thêm “thí nghiệm nào được phép thực hiện an toàn?”.

Các giới hạn về nhiệt độ, áp suất, tương thích hóa chất, lượng vật liệu và vùng hoạt động của robot cần được thực thi bằng những lớp bảo vệ độc lập, thay vì phụ thuộc hoàn toàn vào suy luận của một mô hình AI.

4. Máy chưa tự quyết định câu hỏi khoa học nào đáng theo đuổi

Một thuật toán có thể rất giỏi tối ưu trong không gian đã được giao.

Nhưng việc chọn câu hỏi nào đáng nghiên cứu, tiêu chí nào thực sự quan trọng và khi nào một kết quả “bất thường” đáng để bỏ kế hoạch ban đầu vẫn là những phần mang tính khoa học sâu hơn.

Đây là điểm con người vẫn giữ vai trò trung tâm.

5. Một kết quả tốt chưa chắc là một khám phá tốt

AI có thể tìm ra điều kiện cho yield cao hơn 3%. Nhưng tăng 3% đó có đáng quan tâm về mặt khoa học hay kinh tế không?

Một vật liệu đạt chỉ số tốt trong thiết bị đo nhỏ nhưng có thể không tổng hợp được ở quy mô kilogram.

Một cấu trúc có tính chất nổi bật nhưng dùng tiền chất cực đắt hoặc độc hại có thể không có giá trị thực tế.

Việc biến tối ưu cục bộ thành tri thức khoa học hữu ích vẫn đòi hỏi bối cảnh và phán đoán.

Con người có thể chuyển từ “người pipette” thành người điều hành khoa học

Nếu self-driving lab phát triển đúng hướng, vai trò của nhà hóa học có thể thay đổi hơn là biến mất.

Thay vì dành hàng giờ cho thao tác lặp lại, họ có thể tập trung vào:

• đặt câu hỏi nghiên cứu;
• xác định không gian và giới hạn thí nghiệm;
• thiết kế tiêu chí đánh giá;
• kiểm tra các kết quả bất thường;
• đảm bảo an toàn;
• diễn giải cơ chế;
• quyết định phát hiện nào đáng theo đuổi.

Trong mô hình đó, robot trở thành “đội thực nghiệm” có thể chạy liên tục, còn con người đóng vai trò thiết kế, giám sát và phản biện.

Từ một robot đơn lẻ tới “science factory”

Bước tiếp theo của lĩnh vực có thể không phải một robot thông minh hơn, mà là một mạng lưới thiết bị và phòng lab có thể phối hợp với nhau.

Một agent AI có thể gửi một nhóm thí nghiệm tổng hợp tới lab A, phép đo phổ tới lab B và mô phỏng tới cụm máy tính C. Kết quả quay lại một hệ thống chung, nơi thuật toán lập kế hoạch vòng tiếp theo.

Nếu các giao thức, dữ liệu và thiết bị đủ chuẩn hóa, nghiên cứu có thể bắt đầu giống một hạ tầng điện toán phân tán: người dùng gửi mục tiêu thay vì trực tiếp sử dụng từng máy.

Đó là lý do một số nhà nghiên cứu nói đến khái niệm science factory hay cloud laboratory.

Nhưng “phòng lab tương lai” không chỉ là bài toán AI

Để self-driving lab trở thành hạ tầng phổ biến, ba lớp phải trưởng thành đồng thời.

Phần cứng phải đủ linh hoạt, mô-đun và đáng tin cậy.

Phần mềm phải có thể điều phối thiết bị từ nhiều hãng mà không cần viết lại mọi thứ.

AI phải biết ra quyết định dưới bất định, phát hiện lỗi và tuân thủ giới hạn an toàn.

Bài tổng quan năm 2026 trên Nature Reviews Chemistry nhấn mạnh ba yêu cầu lớn cho giai đoạn tiếp theo: khả năng mở rộng, khả năng tổng quát hóa và việc ghi nhận đầy đủ toàn bộ nguồn gốc dữ liệu thí nghiệm.

Đây đều là những vấn đề cơ sở hạ tầng, không thể giải quyết chỉ bằng cách gắn thêm một LLM vào robot.

Robot hóa học đã bước qua ngưỡng “máy làm theo lệnh”

Điểm đáng chú ý nhất của self-driving lab không phải cảnh robot cầm ống nghiệm.

Đó là sự xuất hiện của một vòng lặp khép kín nơi máy có thể hành động dựa trên kết quả mà chính nó vừa tạo ra.

Robot chạy phản ứng. Máy đo đọc mẫu. AI phân tích. Thuật toán quyết định bước tiếp theo. Và chu trình có thể lặp lại mà không cần con người chọn từng thí nghiệm.

Một số hệ thống hiện nay đã làm được điều này trong các bài toán cụ thể về tổng hợp, tối ưu phản ứng và khám phá vật liệu. Robot di động đã có thể sử dụng nhiều thiết bị trong lab thật. Các mô hình vision-language bắt đầu được dùng để phát hiện lỗi. Agent AI đang được kết nối với thiết bị vật lý để tham gia trực tiếp vào quyết định thí nghiệm.

Nhưng khoảng cách từ đó tới một phòng lab hóa học “không cần con người” vẫn rất lớn.

Kịch bản thực tế hơn trong tương lai gần là phòng lab ít cần con người đứng máy hơn: robot đảm nhận phần thao tác lặp lại và chạy 24/7, AI quản lý các vòng tối ưu, còn nhà khoa học tập trung vào câu hỏi, cơ chế, an toàn và những quyết định mà hệ thống chưa thể tự tin xử lý.

Nếu điều đó xảy ra, thay đổi lớn nhất có thể không phải robot thay nhà hóa học.

Nó sẽ là việc một nhà hóa học có thể điều khiển khối lượng thí nghiệm mà trước đây cần cả một nhóm người — và để máy khám phá hàng trăm nhánh hóa học trong lúc con người tập trung vào việc quyết định nhánh nào thực sự có ý nghĩa.

Nguồn tham khảo

• Canty R.B. & Abolhasani M., Nature Reviews Chemistry 2026 — The past, present and future of self-driving laboratories.
• Dai T. và cộng sự, Nature 2024 — Autonomous mobile robots for exploratory synthetic chemistry.
• Gao F. và cộng sự, Nature Communications 2025 — A chemical autonomous robotic platform for end-to-end synthesis of nanoparticles.
• Zhou Z. và cộng sự, Communications Chemistry 2025 — LIRA for autonomous workflows in self-driving laboratories.
• Fei Y. và cộng sự, 2026 — Agentic LLM Reasoning in a Self-Driving Laboratory for Air-Sensitive Lithium Halide Spinel Conductors.