🧵Thread: 在NVIDIA GTC遇到了OpenClaw创始人Peter 1/ 一个把Claude、Meta、OpenAI同时卷进来的独立开发者 一个人干翻了硅谷对"AI Agent该长什么样"的定义 聊了20分钟，记录几个让我印象深刻的细节 👇

留意 $AMD 7月大涨的机会 AMD Advancing AI 2026，定于 7月22-23日，地点旧金山 Moscone Center（同步线上直播）。 这是 AMD 的年度旗舰 AI 大会，规格对标 NVIDIA GTC。 主要看点： •Lisa Su 发表主题演讲，另有生态合作伙伴、客户及开发者参与  •预计发布下一代 Instinct MI500 系列 AI 加速器，以及基于 Zen 7 架构的 Verano CPU  •去年大会发布了 MI350 加速器、Helios 机架，并预告了 EPYC Venice 系列  •整体围绕 AMD 从芯片到软件的全栈 AI 方案，覆盖构建、部署、规模化等议题  投资角度值得关注的点： MI500 的规格与 TSMC N2P 制程进展（能否正面竞争 Blackwell/Vera Rubin）、ROCm 软件生态更新、以及是否有新的 OEM/云厂商合作公告，都是市场关注焦点。

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。