Lila Sciences 是什麼？GTC 展出的 AI 科學工廠，實驗回頭改假說

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

2026 年 10 月 21 日，NVIDIA 執行長黃仁勳在柏林 Tempodrom 發表 GTC Berlin 主題演講。演講中一段影片介紹 NVIDIA Agent Toolkit（代理工具包）的三個產業應用，其中一個屬於 Lila Sciences：代理協助設計一種可能的 B 細胞淋巴瘤療法，用虛擬實驗引導自動化實驗室裡的工作。同一天，NVIDIA 官方頻道還發布了一支 102 秒的 Lila 專題影片，標題直接點名它想講的事：Lila Sciences 的 AI 與自動化實驗室，如何幫科學家更快發現新藥。

同場 GTC 柏林的壓軸橋段是 四隻 399 美元的 Microduck 機器鴨，黃仁勳當場請牠們坐下與午睡。

Lila 共同創辦人 Ben Kompa 在台灣時間 10 月 22 日清晨轉發了其他人對這段演講的紀錄，回應只有一句話：真實世界的驗證，是科學超智慧的瓶頸。他寫道，公司正在生命科學、化學與材料科學打造從模型到實驗室的完整技術堆疊，文末補上 more soon（快有更多消息）。這則貼文沒有宣布新產品、新成果或新合作。

這場展出真正值得記下的點，不在「AI 已經會自己做科學研究」的舞台語言，而在 NVIDIA 把「代理呼叫工具、工具接上實體實驗室」這條鏈，當成可以賣給企業的 Agent Toolkit 賣點。而把 Lila 自己的文件攤開來讀，會看到更具體的圖像：這座被稱為「AI 科學工廠」的系統裡，人類仍守著合成前的材料安全檢查，樣本在機器之間的搬移也還靠人工；被重新搬上台的綠氫催化劑成果，公司自己寫明是材料發現，還不是能放大生產的商業技術。

演講裡的 Lila 段：三個產業例證之一

GTC Berlin 是 NVIDIA 在歐洲的 GPU 技術大會，2026 年這一屆為期三天，超過 100 場議程在 STATION-Berlin 舉行，主題演講則在曾辦過演唱會與政治活動的 Tempodrom。根據 NVIDIA 的大會紀錄，那段影片用三個例子說明代理怎麼把公司知識、模型與工具接起來：Lila Sciences 的科學研究、Siemens 工廠的產線準備，以及 Dassault Systèmes 的車輛工程。

Lila 那一段的轉述是：代理協助設計一種潛在的 B 細胞淋巴瘤療法，用虛擬實驗引導自動化實驗室裡的工作。同場的兩個對照例子分別是 Siemens 在 Erlangen 的工廠讓代理先在數位孿生裡測試計畫、再動到實體產線，以及 Dassault Systèmes 的工程代理用模擬找出車輛設計問題並修正。主題演講完整影片長約 94 分鐘，已上傳 NVIDIA 官方頻道；那支 102 秒的 Lila 專片也在同一天上線，想親自核對這些說法的讀者，兩支影片現在都看得到。

Pin

必須誠實畫出的界線是：該段演講的逐字稿與畫面細節，目前只能以 NVIDIA 大會紀錄的轉述為準。NVIDIA 會在自家頻道發一支 Lila 專片、黃仁勳的主題演講把它與 Siemens、Dassault 並列，這些是可核對的事實；至於影片旁白實際說了什麼，公開資料只到官方轉述這一層，再多就屬於推測。

Kompa 的回應則可以逐字核對。他的完整原文是：real world verification is the bottleneck for scientific superintelligence – we are building the full stack to tackle this across life science, chemistry, and materials science.他在 Lila 的職稱是共同創辦人兼 AI 實驗室創新負責人（Head of AI Lab Innovation），擁有哈佛大學機器學習與生物科技博士學位，創辦 Lila 前在 Flagship Pioneering 開發機器學習與生物科技交集領域的新創事業。他選擇回應的角度本身就是訊息：NVIDIA 的影片談的是發現新藥，他給的關鍵詞卻是驗證。

AI 科學工廠在文件裡的樣子：實驗室當驗證器

Lila 技術頁給出的定義相當收斂：一座 AI Science Factory（AI 科學工廠，AISF）是一個緊密結合的循環，由推理模型、一組工具、自動化設備與驗證機制接在一起，用前所未有的速度與規模執行尖端科學。技術頁對「驗證」的論述是這整套敘事的核心：數學與程式領域的 AI 進步，靠的是答案可以客觀檢查的「可驗證獎勵」；但大多數科學問題沒有這種答案，所以 Lila 的做法是把真實實驗大規模跑起來，讓工廠本身就是「科學的驗證器」，實驗結果直接變成模型下一輪訓練的訊號。

同一頁還提出「科學資料是取之不竭的訓練原料」的說法：驅動這一代 AI 的網路資料已經被用完，但每個實驗都會產生世界上原本不存在的新資料。這是公司的說法，能不能兌現要看後續成果，不過它解釋了 Lila 為什麼堅持自建實體實驗室，而不只做一套代理軟體。技術頁同時列出自家循環覆蓋的領域，從 DNA、RNA、蛋白質、分子到細胞、表面、塗層與催化劑；在 Kompa 六月那篇說明裡，公司宣稱平台已產出的成果包括可用於下一代 CAR-T 細胞療法的全新 UTR 序列、新催化劑，以及新的蛋白質結合劑。這些同樣是公司自述，但顯示它的企圖一直寫在生命科學與材料科學的交叉處，演講裡的淋巴瘤療法設計例並非憑空搬出來的素材。

Pin

NVIDIA 與 Lila 的技術合作其實早有鋪陳。2026 年 6 月 22 日，Kompa 在 Lila 部落格發表與 NVIDIA BioNeMo 的合作說明：Lila 用 AI 科學工廠產生的跨領域科學資料，對推理模型做後續訓練，訓練對象包含 NVIDIA Nemotron 3 這個為代理應用優化的開放權重模型家族；代理再透過 BioNeMo AgentToolkit 呼叫蛋白質結構預測、分子設計等領域模型與 NIM 微服務，搭配 NVIDIA ALCHEMI 的科學模擬，以及 Nemotron Omni 驅動的文獻工具。這份說明用「分子要能同時讀三遍」來描述這種設計：序列、三維結構，以及它在細胞裡實際做什麼。

換句話說，GTC Berlin 舞台上的合作亮相，背後是至少從六月就公開的技術整合。把「模型提出假說」當賣點的也不只 Lila：開源圈有像 DiscoveryRSI 這種把科學假說寫成可檢驗研究計畫的模型，差別在於 Lila 把後半段的可檢驗環節做成實體設施，這正是 Kompa 說的瓶頸所在。

被重新搬上台的數字：九月綠氫催化劑案

登上舞台之後開始在網路上流傳的那批數字，包括 2,942 個候選材料與 6 個材料家族，全部來自 Lila 於 2026 年 9 月 25 日發布的案例文章，以及前一天提交的論文預印本（arXiv 編號 2609.30133，共 22 位作者）。GTC Berlin 這一場沒有公布新的實驗成果，把兩件事的時間分開，是解讀這波報導的第一步。

那個案例研究的是綠氫生產裡最卡關的一段。用電力把水分解產氫，陽極側的析氧反應（OER）需要在強酸環境裡長時間運作，現今商用電解槽最耐得住的主力催化劑是氧化銥，而銥是鉑礦開採的副產品，全球年產量只有幾噸；另一個選項釕便宜些卻不夠穩定。找一個儲量充足、耐酸又耐久的替代催化劑，是材料界卡了幾十年的老問題。

該公司敘述的流程是四個接起來的區塊：模型分析化學空間並提出配方後，系統用物理氣相沉積一次合成 96 個候選材料，先做測前分析確認做出來的成分，接著在酸性環境裡跑加速的析氧測試，同時量活性與穩定性，最後做測後分析看什麼退化、什麼撐住了。所有步驟接上實驗室資訊系統，每個資料點都可以回頭追溯。結果回到模型，決定下一批要合成什麼，循環就此接上。

成果數字如下，全部是發布方自報：三個月內篩了 2,942 種氧化物，橫跨 53 個組合系統與 26 種元素，最後聚焦出 6 個以鈀為基礎的材料家族。鈀對這個反應來說本是冷門選擇，過去被認為在酸性環境撐不住；模型找到的不是純鈀，而是加了少量其他元素、行為被改變的鈀組合。領先候選在酸性測試裡撐過 1,000 小時以上，性能與釕相當，而鈀的儲量與供應鏈都比銥、釕健康。第一輪實驗跑了四個月（當時基礎設施還在邊蓋邊跑），第二輪只花四週。

速度數字同樣出自公司：整套流程約每週篩 240 個樣本，單日處理量上限 100 個，宣稱比一般實驗室快 17 倍，每個樣本省下超過九成的人工時間。比較基線怎麼設定，公開資料沒有完整交代，這些數字不應該直接換算成任何實驗室導入後的預期改善。

文件裡的人類：安全檢查與搬樣本都還在

同一篇案例裡，對人類角色的描述值得單獨拿出來讀。計畫初期，電化學家 Ken Jenewein 逐案查看模型的建議並否決其中一部分；後來他發現模型選的方向跟他自己會選的越來越接近，就讓逐案審查退場，只保留一個環節：材料合成前的安全檢查。樣本在不同機台之間的移動，在第一個科學計畫裡由人工處理，該公司同時在開發搬運機器人，想像的終局是讓工廠日夜不停運轉。技術頁對這個願景的用詞也很直白：一座工廠還不夠，要把更多 AI 科學工廠連成網路，讓任何一座工廠的新實驗都變成整個系統的訓練訊號。

這些細節決定了「AI 主導」一詞的成色。在這個案例裡，它指的是假說與實驗方向的決策權，而不代表每個物理動作都已無人化。想評估這類系統的讀者，比較穩的做法是把每個步驟的自動化程度分開看：誰提假說、誰操作儀器、誰搬樣本、誰在例外發生時介入，四件事可以有三種答案。論文預印本摘要裡的寫法是平台自動化程度超過九成，剩下的那一成，恰好是安全與實體搬運。

材料發現與可下單的產品之間，公司自己畫的線

Lila 在案例文章裡講得很白：這是材料科學的發現，還不是放大生產的商業技術。任何析氧催化劑都要在工業規模的嚴苛條件下運轉才算數，領先候選的長期耐久測試還在跑，團隊也還在評估它在接近實際使用形態下的表現。科學家的引述同樣保留餘地：參與計畫的 MIT 材料科學副教授 Gómez-Bombarelli 說，如果沒有實驗室把結果驗回來，他們會把模型的發現當成幻覺打發掉；正因為真的做了實驗，才知道它是真的。

想接觸這家公司的讀者，入口是合作而非產品。Lila 官網列出的兩種模式，一是 Catalyst，把它的平台接進客戶既有的研發流程加速推進；二是 Creation，與 Lila 共同開發新發現、新產品，甚至共同成立公司。沒有可以下載或自助購買的東西。Lila 於 2025 年 3 月公開亮相，總部在美國劍橋，執行長是共同創辦人 Geoffrey von Maltzahn。

NVIDIA 把這樣的公司搬上主題演講，與它近年在科學運算上的佈局一致；黃仁勳今年 9 月才因為把 GPU 變成科學工具的貢獻獲頒美國國家科學獎章。對 Lila 來說，被 Agent Toolkit 的三例之一點名，意義在於「代理接實體實驗室」這條路開始有了平台廠商背書的敘事位置。

後續值得追的訊號

Kompa 那句 more soon 是最直接的鉤子：這則貼文沒有宣布任何具體事項，未來幾天若有新發表，值得回頭對照他在演講結束後選擇聚焦的關鍵詞。搬運機器人的進度是另一個觀察點，它決定「工廠」一詞裡還剩多少人工，也決定每週 240 個樣本的吞吐量能不能再往上。催化劑這條線則要看兩件事：長期耐久測試與工業形態評估的結果，以及那篇預印本後續的同行評審狀態。

把這些放在一起看，GTC Berlin 上的 Lila 展示像是一個中途站：架構的說法、九月的案例數字與六月的技術整合都已公開，本週新增的部分是 NVIDIA 給了它一個主題演講等級的舞台。這條路線最終被檢驗的地方，從頭到尾都是 Kompa 自己指出的那一個：模型提出的假說，被真實實驗退回來的速度有多快。