当具身智能赛道上挤满工业搬运与家庭服务的创业故事时，一家名为源络科技的公司把主战场选在了生命科学实验室。这家物理智能机器人公司由两位背景互补的创始人执掌：连文昭长期在硅谷从事AI模型与算法研究，谢铮则在国内深耕机器人硬件，曾负责优必选Walker人形机器人产品线，两人还是高中同学。
连文昭的履历几乎贯穿了机器人智能研究的多个阶段。他早年加入探索通用人工智能的初创公司Vicarious，随后在Google X担任资深研究科学家，接触机器人技术的工程实践与前沿模型算法，之后又成为Figure AI的初创成员并出任技术总监，第一次与硬件团队深度协作。在他看来，有些问题软件上容易解决、硬件上却极难实现，反过来也一样，这段经历让他对机器人系统的复杂性建立了完整认知。
促使他回国的判断，形成于多模态大模型快速升温之际。他当时认为，这类技术有望加速机器人的实际应用；机器人虽然比大语言模型面对更多物理约束，需要在复杂动态的真实环境中完成任务，但很可能代表AI下一阶段的重要方向。而国内在人才、供应链以及软硬件协同研发上的条件，能够支撑更快的产品迭代。回国后，他还受聘为上海交通大学人工智能学院教授。
选择谢铮作为搭档，出自他对机器人产品规律的思考。机器人是软硬件高度耦合的系统，在硬件尚未完全成熟的阶段，纯算法团队若依赖外部硬件平台，性能和迭代速度都会受限。他倾向于走类似苹果的垂直整合路线，把关键硬件、底层控制与AI模型握在自己手里。在新公司中，谢铮负责机器人本体和底层控制，他本人主抓模型与算法。
至于为何放着热门的工业制造、仓储物流不做，偏偏盯上实验室，连文昭的解释与他在硅谷的观察有关。他此前接触的应用探索多集中在家庭、工厂和仓库，但真到部署阶段，团队发现工厂未必是发展智能机器人的最佳试验场——工业制造追求标准化、低成本、高效率，许多问题通过调整环境和流程就能解决，未必需要多高的智能水平。
实验室则是另一种图景。实验流程、样本配比、操作要求经常变化，不同研究人员的操作习惯也不尽相同，几乎无法把所有条件标准化；与此同时，这里对柔性、精细操作和连续多步骤任务的要求又极高。他把“难”视为选场景的加分项：起点足够有挑战，才能倒逼团队造出智能机器人真正需要的能力，这些能力将来也能迁移到别的领域。
针对“生命科学领域已有高通量平台和黑灯实验室，为什么还需要新机器人”的疑问，连文昭给出了一套三阶段框架：实验室1.0是以人为核心的传统实验室，靠科研人员的双手和眼睛完成操作；实验室2.0是以设备为核心的自动化实验室，用高通量仪器、工作站和机械臂串起固定流程，适合标准化、重复性高的任务，但灵活性不足，固定式高通量设备还需要一定实验规模才能摊薄成本。他想推动的是实验室3.0——上层由AI模型和智能体规划任务，底层由智能机器人执行，实现“手脑联动”。
他强调，3.0并非要取代所有自动化设备，而是让机器人凭借柔性操作把现有仪器和实验环节连起来：AI根据实验结果调整下一步计划，机器人负责执行，再把新数据喂回模型，由此形成真正的科研实验闭环。在他看来，三种模式会长期共存，只是占比会变——纯人工的实验室会逐渐减少，流程固定、实验量大的任务仍归自动化工作站，而3.0的份额会随着AI能力提升不断扩大。
产品层面，源络已从单一机型走向模块化组合。最早的Monte 01是轮式双臂机器人，Monte 02延续类人形设计，随后推出的Monte S1是轮式单臂机型，同时也支持固定式单臂、双臂等形态。不同机型共享关键硬件模组、底层控制系统和上层AI模型，因为称量、滴定这类操作可能需要双臂协作，而简单转运样品，一台轮式单臂机器人就够了。公司的思路是不强求所有任务由同一种机器人完成，而是让不同形态按需协同。
经过多轮迭代，其机器人末端执行精度达到±0.1毫米，可以满足目标实验室场景的要求。据此前报道，其机器人已能复现80%以上的常见实验流程。连文昭说明，这个数字指的是关键流程覆盖率，属于较粗略的估计，具体取决于如何界定实验流程范围。在细胞培养与传代、细胞毒性检测、核酸提取与检测等常见实验中，机器人已能覆盖相当多操作环节，但距离覆盖完整流程、实现无人值守运行仍有差距，接下来要继续扩大操作覆盖范围，提升运行速度和可靠性。商业化方面，源络已与若干科研机构和企业建立合作，客户通常分阶段提出需求：先完成前期目标，再提高运行速度、覆盖更多实验环节。
训练数据来自几条渠道。第一视角和第三视角视频帮助模型理解任务、识别操作目标，但仅靠视频难以支撑精细动作控制，因此团队还采集真实机器人操作数据——人工引导末端执行器，或用遥操作设备控制机器人，记录动作与环境反馈，这类数据眼下依然关键。团队同时在尝试自主探索式学习：在称量实验中让机器人反复用勺子取样，根据电子秤的重量反馈不断调整动作，让机器人不只模仿人类操作，而是通过自身尝试获得反馈、持续改进。
模型方面，源络自研了OPN模型（Object-Centric Physics-Native Model）。连文昭不愿过分强调技术路线的分野，称其框架中既有视觉语言模型，也引入了世界模型的监督方式，用于预测未来视频帧、力觉信号等。OPN的特色在于以物体为中心的表征：从图像中提取物体姿态、可供性等结构化信息，编码物体之间的关系，预测未来状态并生成动作。相比之下，直接根据原始图像和机器人状态预测动作的端到端模型，容易依赖训练数据中的具体场景，物体位置、颜色、材质一变就要大量新数据来适应，而结构化表征能降低数据需求，提升泛化能力和操作可靠性。
面对不同实验室千差万别的仪器和流程，源络的策略是把实验步骤拆解为有限的基础技能。机器人掌握这些基础能力后，再适配不同设备的位置、尺寸和结构，就无需为每台设备重新编写程序。其Monte系列机器人目前可连续实现50余种操作技能，团队在持续积累这类可复用技能，目标是逐步做到开箱即用。
对于“别人买现成硬件、配上先进模型就能进场”的质疑，连文昭搬出了自己十年前做物流仓储机器人的经验：借助开源模型和成熟硬件，不需要机器人博士也能很快搭出一个演示系统，让机器人完成一次抓取并不难；真正的难点是让它在真实环境中持续、可靠地完成任务，同时把成本控制在合理范围。他把这比作电动汽车——造出一辆能跑的车，与开发出性能稳定、成本可控、可大规模交付的产品，完全是两回事。除模型和硬件外，还要解决系统可靠性、运行速度、成本控制以及客户实际需求，科学实验室场景还要求把实验工艺、操作经验等行业知识融入机器人系统，这些都依赖长期的工程积累和用户合作的沉淀。
实际研发中的取舍随处可见。以实验室常见的高精度称量为例：一种做法是让机器人像人一样用勺子取样，靠调整动作控制落入天平的重量，团队训练过这样的端到端模型，机器人面对新样品也能完成较精细的称量，但需要大量数据训练，精度存在上限；另一种做法是使用带气泵等装置的专用自动化称量设备，效率更高、成本更低，却难以适应所有样品。连文昭由此提出，通用机器人适应性强但成本效率未必最优，专用设备经济却牺牲灵活性，因此并非所有实验都要由通用机器人独立完成，按任务要求在机器人、专用设备及两者组合之间选择即可。
至于一些AI公司推动的实验仪器接口标准化，他的看法是，即使不同厂商采用统一协议、AI能直接调用设备，实验室集成效率会提高，但样品转运、上下料等物理操作仍然需要完成——而人本来就是实验室里最通用的接口，无论设备来自哪个厂商，人都能操作按钮、开关和样品，把各个环节连起来，智能机器人可以承担类似角色，两种方式会逐步达成动态平衡。
外界担心长期服务实验室会让技术越做越垂直、难以迁移，连文昭的回应是：创业公司必须先明确具体任务，才能给硬件设计和模型研发清晰目标。如果把实现通用物理智能比作一场终极考试，实验室可能是最好的模拟考场——未来机器人进家庭做饭、洗碗、清洁，同样要操作电器、使用容器、处理液体、连续完成多个步骤，与实验室任务多有相似，只是后者对精度要求更高。专注实验室并不偏离通用目标，反而能提前积累通用机器人所需的关键能力。
对于行业热议的Scaling Law，他从两个层面作答：物理操作能力方面，机器人随着持续执行任务、积累操作经验，精度和速度都有机会提升，团队已在一些完整实验流程和液体处理等单项操作中观察到这种变化；科学价值方面，过去科学模型主要靠论文和历史实验数据训练，机器人持续做实验产生的新数据可以反馈给科学模型自我迭代。他把科学模型比作一块海绵，认为其容量还很大，现阶段尚未看到能力提升的明显天花板。
关于自主科研闭环能否短期实现，连文昭透露团队已在一些具体案例中尝试并实现，关键在于问题边界的划定。实验室与自动驾驶面对的开放道路不同，是相对可控的环境，可以提前明确任务目标、设备条件和操作范围；把问题限定在清晰范围内，系统就有可能达到很高的可靠性并自主运行。源络的打法是先解决边界明确的问题，在稳定闭环中产生实际价值、积累真实数据，再用这些数据继续训练改进模型，逐步放宽约束、扩大自主任务范围。
这背后还牵涉科学数据本身的缺失与偏差。一项研究可能做了很多次实验，最终发表的只是其中一部分，模型若只依赖这些经过筛选的数据，必然带着系统误差；科学研究中长期存在的P-Value Hacking数据一旦用于训练，也会干扰模型判断。源络希望通过智能机器人连接实验设备，尽可能完整记录实验条件、操作过程和最终结果，而不只保存成功的实验，为科学模型提供更完整、可靠的一手数据。
