随着 Google DeepMind、OpenAI、Anthropic 等科技巨头相继入局，AI for Bio 的竞争焦点已从“模型能否回答科学问题”转向“模型能否真正执行实验”。尽管大模型在假设生成与药物发现上展现出强大推理能力，但生命科学研究涉及样本、耗材、物理约束等复杂环节，任何偏差均可能导致失败。当前行业痛点在于 AI 长期停留在“会想不会做”的阶段。
近期，华大智造旗下涌生智能与上海人工智能实验室联合发布两项成果：真实实验室场景驱动的自进化多智能体系统 ProtoPilot，以及生命科学领域首个全流程 Agent 评测体系 BioLab Bench。ProtoPilot 打通了从自然语言需求到设备执行的完整链路，具备根据失败结果自我修正的能力；BioLab Bench 则聚焦于衡量智能体将实验意图转化为机器代码并成功完成真实实验的能力。二者共同构建了 Physical AI 的基础设施，让 Agent 拥有“手”与“眼睛”，实现持续进化。
为此，我们深度对话了该研究主要领导者、华大智造首席 AI 官及涌生智能 CEO 杨梦博士，探讨全球 AI 公司尚未真正走进实验室的原因、Physical AI 的变革意义以及未来科研范式的演变。
（来源：涌生智能）
AI for Bio：从数据驱动走向物理闭环
杨梦博士拥有麻省理工学院化学工程硕士及哥本哈根大学计算生物学博士学位，兼具合成生物学、复杂工程系统建模与实验室自动化背景。他在华大工作十余年，主导开发了自发光测序仪及 AI 驱动的自动化系统。2026 年，他推动创立涌生智能，致力于构建能自主设计、执行并迭代实验的自进化实验室。
行业新阶段：从单点突破到全流程协同
生命科学研究已进入数据驱动范式，这与 AI 发展路线高度契合。早期 AI 制药多解决亲和力预测等单点问题，而基座大模型的出现使得串联整个制药流程成为可能。从分子设计到临床试验，AI 不仅能兼顾后期问题如患者分层，更能通过编排专家智能体协调整个工作流。这种从“单点工具”到“全流程协调者”的转变，是当前的核心进展。
巨头的布局与路径差异
DeepMind 凭借 AlphaFold 奠定了深厚根基，其愿景是通过 AI 推动科学突破；OpenAI 和 Anthropic 则更多出于商业化愿景及向资本市场展示未来潜力。虽然出发点不同，但利用 AI 加速高投入、高风险的制药行业是必然趋势。然而，目前多数探索仍停留在干实验阶段。涌生智能采取“自下而上”路径，依托真实应用场景和专家经验，通过 Harness Engineering 将知识固化在 AI 系统中，逐步实现干湿实验闭环；而模型巨头更倾向于“自上而下”构建 AI 原生实验室。
Physical AI：跨越仿真与现实的鸿沟
实验室自动化比纯软件研发更为复杂，因为它必须与物理世界交互。人工 SOP 无法直接平移至机器，液体工作站等设备存在精度与操作边界。真正的挑战在于如何让大模型在明确的安全边界内运行，减少幻觉，并处理传感器、控制逻辑等工程问题。
端到端工作流的务实路径
实现完全的端到端尚需时日，当前更务实的策略是在具体模块中形成闭环。例如在靶向测序建库场景中，打通从意图理解、Protocol 生成、脚本编写到数据分析的全流程。这种工作流主干相对固定，但每个模块充分发挥 AI 能力，通过持续学习和自我进化完成任务。只有打通端到端流程，才能沉淀出包含失败案例的高价值数据，为模型训练提供坚实基础。
人机协同的新范式
未来的实验室将是“人 + 设备+AI"的协同体。短期内，固定流程交由机器人，但决策与反馈仍需人类把关。AI 的价值在于协助人类发现被忽略的反常数据，区分仪器噪音与新科学现象。针对 AI“黑箱”问题，需建立自上而下的规则约束（Rubrics）与自下而上的第一性原理交叉验证机制。此外，失败数据不再是废料，而是驱动模型进化的关键语料。AI 原生实验室能完整采集人、机、料、法、环全维度数据，包括大量失败的试错过程，从而实现双向学习。
图 | 从科研目标到湿实验反馈的闭环流水线（来源：涌生智能）
技术架构：记忆系统与软硬协同
分层记忆与持续进化
为应对 AI 快速迭代与硬件慢速更新的矛盾，系统采用分层记忆设计。长效知识构建为领域本体库，单次实验的全过程痕迹（含失败记录、推理链路）则作为场景化经验沉淀。软件架构保持兼容拓展，确保新模型能快速对接；硬件则聚焦标准化与稳定性。核心突破点在于打通 AI 与实体实验室的联动闭环，释放协同价值。
科研范式的深层变革
AI 原生实验室带来两大变革：一是根本性提升科研成果的可复现性，未来学术成果或以模块化工具包形式公开，涵盖全套流程；二是大幅降低跨学科门槛，AI 天然具备整合多领域专家能力的特性，拓展了研究深度。同时，反馈机制从“事后追溯”转变为“实时完整”，AI 能结合贝叶斯优化等方法，迅速推导关键影响因子并规划下一轮实验。
图 | 五层实验数据表征框架（来源：涌生智能）
能力边界与挑战
尽管前景广阔，AI for Bio 仍存在清晰边界。首先，AI 难以自主区分输出是机械复刻还是创新结论，需人类进行哲学思维与交叉验证；其次，硬件性能限制与生物安全风险是硬性约束；最后，虚拟仿真无法完全替代真实临床试验，人体系统的复杂性与模型黑箱问题叠加，使得真实临床验证仍是不可跨越的壁垒。
自动化短板与设备改造
标准化操作如移液、成像已可实现机器替代，但肿瘤活检等高度个性化的样本前处理仍依赖人工。针对设备智能化，涌生智能采取双轨策略：一是对现有成熟仪器进行底层改造，嵌入智能模块使其具备自主调度与分析能力；二是从零研发 AI 原生设备，从设计阶段即融入传感与 AI 逻辑。目标是实现设备的自主调试、运维及故障自检，最终达成“黑灯实验室”愿景。
BioLab Bench：重塑行业评测标准
现有 Benchmark 多侧重理论计算性能，而 BioLab Bench 聚焦真实实验室场景的实操落地能力。该体系不考核模型是否读懂原理，而是检验智能体能否在真实环境中完整完成实验任务，支持跨品牌设备适配，并以实际生物实验结果为判定依据。
Sim to Real 的核心差距
实验室自动化的 Sim to Real gap 主要源于生命体本身的混沌特性，如细胞活性衰减、微生物随机突变等，这比通用机器人的环境多样性更难模拟。缩小差距的关键在于搭建 AI 原生实验室，积累全维度真实数据以提高仿真还原度。BioLab Bench 旨在推动行业关注全链条能力，不仅限于单一生物信息任务，并计划覆盖细胞、微生物等多个子领域，促进不同标准 Agent 的横向比较与行业共同进步。
（来源：涌生智能）
（来源：涌生智能）
AI for Bio 是一场漫长的征程。涌生智能愿与行业伙伴携手，通过构建自进化实验室与完善评测体系，将难而正确的事做好，共同推动生命科学研究的规模化、标准化与可持续进化。