样本链路错
错放、漏扫、标签错误、耗材不足和仪器未就绪经常靠人肉发现。
Pitch 55 · Closed-Loop Lab Operations
实验室不缺记录系统，缺让实验真正闭环的操作层。
LabLoop 是面向生命科学、临床检验、药企 QC、CRO/CDMO 和核心实验平台的实验室闭环操作层：把样本、协议、仪器、机器人、原始数据、QC 异常、报告和下一轮实验建议连成可执行、可审计、可学习的闭环。
01 · Problem
LIMS 记录样本，ELN 记录结论，但 bench 上的真实执行仍然断裂。
实验室已经买了 LIMS、ELN、仪器、排程系统、机器人和 QMS，但协议意图、样本 lineage、仪器参数、原始文件、分析脚本和结论仍散在不同系统里。AI 很难从这样的数据里学习。
执行状态盲
LIMS/ELN 知道记录，不实时知道 rack、plate、reagent、robot 和 instrument 状态。
QMS 滞后
deviation 往往事后处理，无法在执行中阻断错误并自动附上 raw evidence。
AI 缺数据
目的、动作、状态、结果、异常和人类纠错没有连成可训练 episode。
02 · Why Now
自动化、R&D 成本、临床人手和数据完整性压力同时上升。
实验室自动化正在增长，但“买机器人”和“让实验闭环”是两件事。客户真正需要 throughput、可复现性、QA evidence 和 AI-ready data。
$18.39B
Grand View 预计全球 lab automation 到 2033 年的市场规模。
$2.671B
Deloitte 估算 2025 年开发一个 pharma asset 的平均成本。
17.4%
ASCP 调查中已引入 AI 工具的实验室占比，实施缺口仍大。
98.4%
一项大规模研究中记录错误主要来自 pre-analytical 阶段。
03 · Insight
下一代实验室软件不是 system of record，而是 system of action and provenance。
它知道科学家想做什么，仪器实际做了什么，样本/耗材/机器人状态发生了什么，数据是否有效，以及下一步应该做什么。
Action
不是把实验写进 ELN，而是驱动 sample、instrument、robot 和 operator 完成下一步。
Provenance
protocol intent、sample identity、physical action、instrument run 和 QC outcome 一起记录。
Learning
人工纠错、robot failure 和 successful run 变成下一轮 LeRobot / AI 数据。
04 · Solution
LabLoop 是 existing lab 之上的闭环操作层。
它连接 LIMS/ELN/QMS、仪器、机器人、相机、条码/RFID、文件夹和人工确认，把每一次实验从 request 推进到执行、核验、结果、异常和下一步。
- Bridge：连接 LIMS/ELN/QMS、仪器、机器人、文件夹、条码/RFID。
- Runtime：在 Qualcomm edge 核验 sample、rack、plate、instrument readiness 和 robot action。
- Graph：建立 protocol-sample-instrument-result-deviation-next action 图谱。
- Learning：把人工纠正、失败和成功 run 转成 LeRobot HIL 数据。
05 · Product Workflow
8 周闭环一个高频实验流程，不替换 LIMS/ELN。
LabLoop 从一个可测量流程切入：一个样本链路、一个仪器类别、一个机器人/人工动作、一个 QC/QMS 输出。
Order
LIMS 创建 sample IDs、plate map、protocol version、instrument method。
Verify
barcode/RFID/camera 核验 rack、tube、plate、reagent、tip box 和位置。
Execute
robot 或人工执行 mock pipetting、tube transfer、instrument loading。
Record
instrument result、raw file、QC flag、postcondition 和 audit evidence 写回。
Learn
人工接管和核验失败进入 LeRobot HIL 和下一轮模型队列。
06 · Market Wedge
先打已有仪器和系统、但缺 live execution loop 的实验室。
不是所有实验室都愿意重建成云实验室。更大的机会是把现有实验室升级成可执行、可审计、可学习的闭环实验室。
Pharma QC / CMC
方法、样本、仪器、原始数据、QA 和审计压力强。
CRO / CDMO
项目交付、客户审计、样本流转和可复现性影响收入。
临床检验
样本拒收、IQC、EQA、报告互认和 LIS/LIMS 质量证据。
核心平台
仪器预约、样本流转、平台服务、数据归档和使用计费。
检验检测
CNAS/CMA 样本 chain-of-custody、报告防篡改和校准证据。
AI-first Lab
模型需要 lab-grade closed-loop data，不只是 raw file dump。
07 · Business Model
按实验流程、workcell、仪器连接和验证包收费。
LabLoop 的收入来自客户现有实验室之上的操作层，而不是一次性卖机器人硬件。
付费试点
中国 20-50 万元；海外 50k-150k 美元，8 周闭环一个流程。
站点授权
中国 100-300 万元/站点/年；海外 150k-500k 美元/站点/年。
Connector Packs
LIMS/ELN/QMS、instrument class、SiLA/LADS、robot、barcode/RFID。
Validation Pack
GxP/CSV/CSA、audit trail、访问控制、变更控制和 model release evidence。
08 · Go-To-Market
先让一个实验流程闭环，再扩展到整个站点。
LabLoop 的第一单不是“全实验室 AI 化”，而是一个高频、可测量、客户愿意为审计和 throughput 付费的流程。
中国版
药企 QC/CMC、CRO/CDMO、医院临床检验、检验检测机构、高校核心平台。
海外版
AI-first biotech、high-throughput assay、formulation、analytical development。
第一试点
一个样本链路、一个仪器类别、一个机器人/人工动作、一个 QMS/QC 输出。
扩张路径
流程 -> 仪器类别 -> workcell -> 实验室站点 -> 多站点模型治理。
09 · Competition
记录系统、机器人和 QMS 都重要，但都不是 live operations loop。
LabLoop 不替换它们。它把系统、仪器、机器人和人类动作连接成“应该发生、正在发生、实际发生、是否有效、下一步做什么”的操作真相。
Benchling / LabWare
system of record 强；LabLoop 管实时 bench action 和核验证据。
TetraScience / Scitara
数据云和标准化强；LabLoop 把数据连接到任务、样本和 QMS。
Opentrons / Automata
workcell 自动化强；LabLoop 连接 manual + robot + outsourced steps。
Emerald / Strateos
云实验室闭环强；LabLoop 升级客户自己的物理实验室。
Roche / Mindray
临床流水线强；LabLoop 做通用跨科研、QC、平台的闭环层。
Veeva / TrackWise
QMS 强；LabLoop 从执行异常自动生成 deviation 和 raw evidence。
10 · Moat
壁垒是 protocol-action-result graph。
每个闭环 run 都把意图、样本、仪器、机器人、人类纠错、结果和 QMS 结论变成可学习资产。
Connector Library
国内外 LIMS/ELN/QMS、仪器、机器人、条码/RFID、文件格式和 API。
Semantic Layer
method、sample、run、raw file、QC flag、deviation 和 report 统一对象模型。
Action Graph
目的、动作、状态、结果和纠正行为组成可训练数据。
Compliance Flow
data integrity、audit trail、电子签名、CSV/CSA、变更控制和 release evidence。
Edge Deployment
本地运行、数据本地化、弱网可用、视觉核验和安全门控。
Workflow Agents
每个流程的 QC、异常、next action 和 HIL 数据越来越强。
11 · Product Architecture
Edge Workcell Gateway、LabLoop Cloud、Instrument Layer、Learning Loop。
Qualcomm edge 负责本地视觉、身份核验、设备状态和 robot execution；云端负责 workflow、集成、训练、审批和 rollout。
Edge Gateway
camera、barcode、RFID、bench robot、AMR、instrument adapter、本地 audit buffer。
LabLoop Cloud
workflow authoring、connectors、analytics、LeRobot datasets、model registry。
Instrument Layer
SiLA 2、OPC UA LADS、Allotrope、AnIML、CSV/PDF watcher、vendor SDK。
Learning Loop
HIL episode、AI Hub profile、QAIRT/ONNX artifact、approval 和 rollback。
12 · Competition Demo
现场展示一个样本流程从 work order 到 QMS evidence。
不要只展示机械臂移动。展示样本核验、异常阻断、机器人执行、仪器结果、QMS 证据和 HIL 数据。
Order
LIMS mock 创建 plate reader / qPCR / ELISA-style work order。
Block
故意放错一个 tube 或缺一个 reagent，edge 核验并阻断任务。
Execute
纠正后 bench robot 执行 mock pipetting / tube transfer。
Writeback
mock instrument 返回 result，写回 ELN/LIMS 并生成 QC evidence。
Learn
人工接管一次对位，保存 LeRobot HIL episode 和训练队列。
13 · Why Qualcomm
实验室是 regulated physical AI 的高价值边缘场景。
Lab benches 需要本地视觉、低延迟核验、设备网关、机器人控制、安全门控和数据本地化。Qualcomm 可以把它做成 Dragonwing-powered closed-loop lab reference。
Vision
rack pose、label visibility、cap state、plate/well state、spill/anomaly。
Gateway
barcode/RFID、instrument adapter、robot state、本地 audit buffer。
Runtime
AI Hub、QNN/QAIRT、ONNX Runtime QNN EP、model release evidence。
Privacy
医疗、药企、HGR 和实验数据默认本地/私有云数据平面。
Robotics
LeRobot HIL 把人工纠错和机器人动作变成下一版技能。
14 · Ask
把 LabLoop 做成 Qualcomm regulated lab edge AI 的参考应用。
比赛阶段需要一个可验证的 bench workflow：本地核验、机器人执行、仪器结果、QMS evidence 和 HIL 数据。
RB3 / RB6
lab workcell vision、identity check、anomaly detection 和本地推理 profile。
OEM 连接
3 个仪器/机器人伙伴：sample tracking、plate reader/qPCR、liquid handling、AMR。
样板实验室
3 个场景：药企 QC/CRO/CDMO、医院检验或高校核心平台。
LabLoop 的一句话 pitch：现有实验室用它把每一次样本、仪器、机器人和 QC 异常从“记录”推进到可执行、可审计、可学习的实验闭环。