过去几年，AI 在蛋白质结构预测和分子设计等计算领域取得显著进展，Google DeepMind、Anthropic 等科技巨头已利用 AI 设计新蛋白质。然而，计算生成的候选方案仍需真实实验验证。相比计算能力的飞速发展，AI 对真实实验数据的理解能力仍显不足。
11 月 6 日，OpenAI 发布 BioBasicsBench 基准测试，专门评估 AI 分析日常湿实验数据的能力。测试涵盖凝胶电泳图、菌落培养皿、显微镜影像及仪器读数等 100 项常见实验任务。结果显示，即便是表现最佳的 GPT-6 Astra，在最高推理档位下的平均得分仅为 66.7%。模型常忽略关键实验对照，或在菌落计数等基础任务上出错，距离独立可靠地分析实验结果仍有差距。
图 | BioBasicsBench 基准测试中，不同模型及推理强度下的平均得分表现（来源：OpenAI）
如何获取可靠实验数据并利用反馈改进研究策略，已成为 AI for Science（AI4S）发展的核心课题。自主科学实验室因此成为科技公司布局的新焦点。腾讯首席 AI 科学家姚顺雨近日指出，AI4S 正从专用模型向能自主构建工具的智能体演进，腾讯计划建设 AI 自主科学实验室。与此同时，华大智造旗下子公司涌生智能已在进博会上发布云端自主实验室 SE-Fab-SynBio，展示了其在合成生物学领域的最新成果。
技术积累：从数据建模到实验执行
涌生智能在生命科学 AI 领域拥有多年研究积累。成立前，其团队在 Nature Machine Intelligence 发表 Concerto 研究，利用自监督学习分析大规模单细胞数据；随后在 EvoPlay 研究中，引入强化学习优化蛋白质设计并通过湿实验验证。随着大模型智能体技术发展，团队在 Nature Biomedical Engineering 发表 PrimeGen 研究，实现 AI 参与测序引物设计、流程生成及设备控制，并根据反馈调整任务。这些研究为算法与实验的结合奠定了基础。
基于此，涌生智能构建了“World Loop”科学智能体循环进化系统，旨在连接 AI 算法、自动化设备与真实数据。该系统不仅支持 AI 设计和执行实验，还能利用实验反馈持续调整策略，实现科研能力的自我迭代此次发布的云端自主实验室，即为该过程提供真实的物理环境。
核心架构：World Loop 如何实现自进化？
传统科研从假设到结果需经历方案设计、操作编写、设备执行、数据分析及方案调整等环节。为实现闭环，涌生智能通过 ProtoPilot、Operon-S1 和 EnzymeRSI 三项研究，分别解决实验执行、决策效率和研究方法改进三大难题。
ProtoPilot：从自然语言到设备代码
针对实验流程繁琐的问题，涌生智能与上海人工智能实验室等机构联合发布 ProtoPilot。这是一个多智能体系统，能将自然语言研究需求转化为设备可执行的代码。系统通过多智能体协作拆解任务，负责流程设计、计算分析和代码生成，并引入技能库将共性错误转化为可复用经验。
评测显示，ProtoPilot 生成的 SOP 在专家评审中的 Top@3 偏好率达 90.2%，代码综合验证通过率 96.6%。在 ProtocolQA 开放式问答中，其准确率（52.38%）超越 GPT-5.6 Sol，逼近专家水平。真实湿实验表明，系统将实验意图转化为可执行工作流的时间缩短了约 9.2 倍。
图 | 专家评审结果（来源：arXiv）
Operon-S1：优化高频决策效率
为解决复杂任务中的效率瓶颈，涌生智能发布 Operon-S1 研究。该方案将复杂科学推理与日常决策分离，由轻量级模型处理高频判断（如工具调用、结果可靠性检查），大型语言模型专注于复杂科研任务。研究显示，本地决策模型单次循环响应时间约 0.6 秒，在维持任务表现的同时降低了计算成本，并为后续优化提供了训练数据。
EnzymeRSI：递归自我改进研究方法
针对研究方法的自主改进，团队发布 EnzymeRSi 预印本。这是一种面向酶工程的双循环递归自我改进系统：外循环优化工具选择和工作流程，内循环改进预测与筛选算法。无需修改基础模型权重，系统即可通过优化流程和算法提升特定任务能力。
在蛋白质稳定性预测任务中，EnzymeRSI 将皮尔逊相关系数提升至 0.849。湿实验显示，在海肾荧光素酶优化中，10 个候选突变体表现出至少两倍于野生型的活性；在 DNA 聚合酶定向进化中，推荐突变组合使催化效率提升 31.1 倍。
图 | EnzymeRSI 架构（来源：arXiv）
云端落地：SE-Fab-SynBio 的物理强化学习环境
为支撑 World Loop 运行，涌生智能发布云端自主实验室 SE-Fab-SynBio。不同于传统以检测报告为交付物的实验服务，SE-Fab-SynBio 定位为科学智能体的“物理强化学习环境”。除了交付测量结果，还关联实验条件、操作过程和质量控制信息，帮助 AI 判断结果成因，并将成功与失败数据纳入后续模型训练。
目前，该平台已应用于华大智造核心产品工程酶的优化。例如，某测序聚合酶在 28 天内完成 3 轮迭代，错误率降低 37%；某 RNA 合成聚合酶在 25 天内完成 3 轮迭代，热稳定性提高 3.4℃。平台初期面向合成生物学，开放酶挖掘、分子克隆、定向进化等服务。
产业协同：从局部闭环走向端到端自主科研
随着 AI 深入科研，实验室角色从单纯验证假设转变为提供数据以改进模型。涌生智能采取自下而上的技术路径，优先打通具体场景的干湿闭环。CEO 杨梦表示，团队正逐步将算法、设备和数据连接，走向端到端自主科研。
目前，该模式已向产业合作延伸。天津元一生物接入云端实验室探索菌株改造干湿闭环；与元示科技合作建设 AI 虚拟细胞基础设施；与艾凯生物拟设合资公司，拓展至 iPSC 治疗及智能化细胞制备等领域。
图 | 涌生智能已与多家企业达成合作（来源：涌生智能）
尽管应用范围逐步拓展，但实现统一的科学智能体系统仍面临实验标准化、数据质量控制及跨场景适配等挑战。下一阶段，验证技术在不同科研任务中的稳定协同能力，以及 AI 从实验中积累可复用经验的能力，将是决定自进化实验室能否走向长期自主运行的关键。
参考资料：
1.https://doi.org/10.48550/arXiv.2606.31763
2.https://doi.org/10.48550/arXiv.2610.41350
3.https://www.gov.uk/government/publications/ai-for-science-strategy
4.https://www.whitehouse.gov/releases/2025/11/president-trump-launches-the-genesis-mission-to-accelerate-ai-for-scientific-discovery/
5.https://cnic.cas.cn/jdtw/zxyw/202609/t20260930_8288830.html
6.https://www.genoria.ai/en/research
7.https://arxiv.org/abs/2611.06321
8.https://www.instrument.com.cn/netshow/SH104318/news_1011630.html
注：封面/首图由 AI 辅助生成