Sau cloud server có thể là “cloud laboratory”: Nhà khoa học gửi thí nghiệm qua Internet, robot chạy phần wet lab

Một nhà khoa học ở Boston có thể thiết kế thí nghiệm trên laptop, gửi mẫu tới một cơ sở ở nơi khác, viết workflow bằng phần mềm rồi bấm chạy. Từ đó, pipette, centrifuge, microscope, spectrometer và robot vận chuyển mẫu trong một phòng thí nghiệm vật lý sẽ thực hiện các bước theo lệnh. Khi thí nghiệm xong, dữ liệu quay trở lại qua Internet.

Ý tưởng này thường được gọi là cloud laboratory: thay vì mỗi nhóm nghiên cứu phải sở hữu toàn bộ thiết bị, họ truy cập một hạ tầng wet lab dùng chung theo cách phần nào giống việc developer thuê compute từ cloud server. Mô hình đã tồn tại hơn một thập kỷ ở quy mô thương mại, nhưng năm 2026 nó bắt đầu được đối xử như một lớp hạ tầng nghiên cứu cấp quốc gia. Ngày 22/7, U.S. National Science Foundation (NSF) công bố khoản đầu tư 380 triệu USD cho 20 đội trong bốn năm để xây một mạng lưới các Programmable Cloud Laboratories; Astera Institute cam kết thêm tối đa 20 triệu USD cho các phần liên quan tới open science, dữ liệu và khả năng tái sử dụng.

Điều đáng chú ý không phải phòng lab sắp “lên cloud” theo nghĩa vật chất. Sample, hóa chất, robot và máy đo vẫn phải ở một nơi cụ thể. Thứ được đưa lên mạng là giao diện điều khiển thí nghiệm: cách nhà khoa học mô tả quy trình, gọi thiết bị, theo dõi dữ liệu và trong những hệ thống cao cấp hơn, để AI quyết định thí nghiệm tiếp theo.

Một thí nghiệm biến thành workflow có thể gửi qua Internet như thế nào?

Emerald Cloud Lab (ECL) là ví dụ dễ hình dung nhất. Theo mô tả chính thức của công ty, khách hàng gửi sample tới cơ sở ECL, thiết kế thí nghiệm trong phần mềm Command Center, sau đó cơ sở thực hiện workflow theo các thông số đã chỉ định. Dữ liệu được tổ chức trong hệ thống riêng để người dùng tiếp tục phân tích từ xa.

Ở tầng bên dưới, phần mềm không gửi một câu lệnh mơ hồ kiểu “hãy chạy PCR”. Nó phải biểu diễn thí nghiệm thành những thao tác máy có thể hiểu: lấy bao nhiêu microliter từ container nào, chuyển sang giếng nào, trộn trong bao lâu, giữ ở nhiệt độ nào, centrifuge ở tốc độ nào, chờ bao lâu rồi đưa mẫu sang thiết bị đo tiếp theo.

Tài liệu kỹ thuật của ECL cho thấy một số thao tác như chuyển liquid từ 1 µL tới 50 mL có thể chạy trên robotic liquid handler. Nền tảng cũng hỗ trợ các bước như filtration, incubation, mixing và centrifugation trong cùng workflow. Với những thao tác chưa phù hợp cho robot hoàn toàn, hệ thống còn có thể đưa operator như một resource vào protocol. Nói cách khác, “cloud lab” không nhất thiết có nghĩa toàn bộ phòng lab không có người.

Đó là một điểm quan trọng. Trong nhiều hệ thống hiện nay, robot làm phần lặp lại, thiết bị tự động thực hiện phép đo, còn kỹ thuật viên vẫn xử lý những công việc khó tự động hóa, bảo trì máy, nạp consumable hoặc can thiệp khi workflow gặp ngoại lệ. Nature từng mô tả cloud lab như một lực lượng nghiên cứu từ xa gồm cả robot lẫn con người, thay vì một căn phòng tự vận hành hoàn toàn.

Khác biệt giữa cloud lab và “self-driving lab”

Hai khái niệm này thường bị gộp vào nhau nhưng không hoàn toàn giống nhau.

Một cloud lab chủ yếu giải bài toán truy cập: nhà khoa học mô tả experiment từ xa, cơ sở tự động thực thi rồi trả dữ liệu. Quyết định khoa học — thử hợp chất nào, đổi nhiệt độ ra sao, hypothesis tiếp theo là gì — vẫn có thể do con người đưa ra.

Một self-driving laboratory đi thêm một bước. Thuật toán đọc kết quả vòng trước, chọn experiment tiếp theo, gửi nó xuống robot, nhận dữ liệu mới rồi lặp lại. Đây là vòng design–build–test–learn khép kín, trong đó con người đặt mục tiêu và ràng buộc nhưng không nhất thiết chọn từng experiment.

NSF đang cố nối hai hướng này lại. Chương trình PCL Test Bed yêu cầu các node có khả năng cho người dùng từ xa chạy workflow tùy chỉnh qua interface tiêu chuẩn, đồng thời hỗ trợ AI trong thiết kế experiment, phân tích dữ liệu và các workflow “self-driving”. Điểm tham vọng hơn là các lab khác nhau còn phải chia sẻ chuẩn dữ liệu, metadata và protocol để một workflow không bị khóa cứng vào duy nhất một cơ sở.

Carnegie Mellon đang thử biến phòng lab thành một hạ tầng có thể lập trình

Carnegie Mellon University là một trong những nơi đẩy mô hình này lên quy mô lớn. AI Science Foundry của trường kết hợp automation, robotics, scientific instruments, compute và AI trong cùng một hệ thống. Theo CMU, Foundry hiện kết nối hơn 80 thiết bị được điều khiển robot trải trên biology, chemistry và materials science qua hai cloud lab.

Biological and Chemical Innovation Cloud Lab của CMU có diện tích khoảng 15.000 ft². Hình ảnh của cơ sở trông ít giống phòng lab đại học truyền thống và gần một dây chuyền công nghiệp hơn: thiết bị được bố trí thành các cell tự động, robot di động chở sample qua các aisle, trong khi software orchestration quyết định mẫu nào cần tới thiết bị nào tiếp theo.

Đây là phần khiến phép so sánh với cloud computing trở nên hữu ích. Developer không cần biết server vật lý nằm ở rack nào để yêu cầu một virtual machine; tương tự, mục tiêu của programmable lab là để researcher mô tả ý định thí nghiệm mà không phải tự đứng cạnh từng máy. Scheduler của lab có thể tìm instrument còn trống, điều phối sample và ghi lại toàn bộ provenance của workflow.

Nhưng phép so sánh cũng có giới hạn. Compute workload có thể được copy gần như miễn phí giữa các server giống nhau. Một sample sinh học thì không. Nó có tuổi thọ, điều kiện bảo quản, khả năng nhiễm bẩn và đôi khi chỉ tồn tại một bản. Máy sắc ký của hai cơ sở khác nhau cũng có thể cho kết quả khác nếu calibration, consumable hoặc phương pháp sample preparation không hoàn toàn tương đương.

Điểm mạnh lớn nhất có thể không phải tốc độ, mà là reproducibility

Trong wet lab truyền thống, rất nhiều chi tiết sống trong notebook, kinh nghiệm cá nhân hoặc những thao tác “ai trong lab cũng biết”. Hai nhà nghiên cứu cùng đọc một protocol có thể pipette khác nhau, chờ khác vài phút hoặc dùng thiết bị với setting hơi khác mà không ghi lại đầy đủ.

Cloud lab buộc protocol phải cụ thể hơn vì máy không thể chạy một bước chưa được định nghĩa. Khi mỗi action, sample, instrument, thời gian và dữ liệu đầu ra đều được ghi lại dưới dạng machine-readable metadata, việc lặp lại cùng một workflow trở nên dễ kiểm tra hơn.

Đây cũng là lý do các cloud lab hấp dẫn với AI for science. Model cần nhiều dữ liệu có cấu trúc, kèm provenance rõ ràng. Một hệ thống tự động có thể chạy hàng trăm biến thể experiment theo cùng protocol và ghi metadata nhất quán hơn so với việc ghép dữ liệu từ hàng chục notebook khác nhau.

Tuy nhiên, tự động hóa không tự động tạo ra reproducibility. Một review trên Nature Synthesis năm 2024 cảnh báo rằng abstraction phần mềm có thể che giấu khác biệt ở hardware. Hai hệ thống cùng nhận một lệnh “mix” vẫn có thể thực hiện chuyển động, lực hoặc thời gian khác nhau. Nếu abstraction không mô tả đủ context, workflow chạy lại được về mặt code nhưng kết quả khoa học vẫn khác.

“Lab as a service” còn vướng những thứ cloud server không có

Đầu tiên là vật chất. Sample phải được vận chuyển tới nơi thí nghiệm, hoặc reagent phải có sẵn trong inventory của lab. Một experiment không thể bắt đầu ngay nếu vật liệu chưa tới, và một sample hỏng trong vận chuyển không thể được phục hồi bằng cách restart job.

Thứ hai là phạm vi thao tác. Liquid handling trong plate đã tự động hóa tốt, nhưng một researcher có thể nghĩ ra một setup cơ học kỳ lạ, một bước cần quan sát bằng mắt hoặc một quy trình mới chưa tồn tại trong library của cloud lab. Khi đó, automation cần được engineering thêm trước khi workflow có thể chạy ổn định.

Thứ ba là troubleshooting. Ở lab truyền thống, một scientist nhìn thấy precipitate bất thường có thể dừng ngay và đổi cách làm. Trong remote lab, hệ thống phải có camera, sensor, rule hoặc một kỹ thuật viên tại chỗ để phát hiện cùng vấn đề. Càng tự động hóa nhiều, lab càng cần xử lý exception tốt thay vì chỉ chạy đúng những trường hợp “happy path”.

Cuối cùng là interoperability. Nếu mỗi cloud lab có ngôn ngữ protocol, data format và API riêng, researcher chỉ chuyển sự phụ thuộc từ một máy cụ thể sang một nền tảng cụ thể. Đây chính là lý do chương trình PCL của NSF nhấn mạnh open interface, metadata chuẩn và khả năng workflow chạy qua nhiều node.

Bước tiếp theo không phải một lab tự động hơn, mà là nhiều lab có thể nói chuyện với nhau

Đến năm 2026, cloud laboratory không còn là ý tưởng thuần tương lai. ECL cho biết nền tảng thương mại của họ có hơn 200 model thiết bị và hoạt động 24/7; CMU đã có hạ tầng lớn dành cho biology, chemistry và materials; nhiều self-driving lab chuyên biệt cũng đã được xây cho material discovery và synthesis.

Phần chưa được giải quyết là làm những hệ thống này thành infrastructure dùng chung thay vì các đảo automation riêng biệt. NSF nói mạng PCL mới sẽ bao phủ biology, biotechnology, biochemistry, chemistry, soft materials, 2D materials, metals, characterization và electronics. Các node được yêu cầu cho phép remote access và custom workflow, đồng thời cùng phát triển protocol và standard chung.

Nếu mô hình đó hoạt động, thay đổi lớn nhất đối với scientist có thể không phải robot thay họ cầm pipette. Nó nằm ở cách một experiment được đóng gói: thay vì là một chuỗi thao tác gắn với một căn phòng và một người cụ thể, experiment trở thành một workflow đủ rõ để gửi qua mạng, chạy lại, version-control và — trong một số trường hợp — để AI tự chọn vòng tiếp theo.

Cloud computing không làm server biến mất; nó biến server thành một tài nguyên có thể gọi qua phần mềm. Cloud laboratory đang thử làm điều tương tự với một thứ khó hơn nhiều: thế giới vật lý của khoa học thực nghiệm. Việc các lab có thể đạt mức chuẩn hóa và độ tin cậy cần thiết để trở thành một lớp hạ tầng phổ biến hay không sẽ phụ thuộc ít vào demo robot đẹp mắt hơn, và nhiều hơn vào những chi tiết nhàm chán nhưng quyết định: calibration, metadata, protocol, logistics, exception handling và khả năng tái lập giữa các cơ sở.