|
田晏林 发自 凹非寺 如今的顶刊AI，正逐渐进化为一名「全能研究员」。生物实验 编写代码、难复生成图像与视频仅是现统基础技能。 它已深入科研核心：阅读海量论文、操作提出科学假设、话术分析复杂数据，编译甚至为科学家规划下一步实验方案。通过 然而，顶刊将AI真正引入生物实验室，生物实验场景却截然不同。难复
在生物实验室中，现统移液操作、操作温度记录、话术培养皿转移等看似简单的编译动作，实则对精度有着极致要求。 一个单位的误写、一个参数的偏差、或步骤顺序的颠倒，都可能导致实验彻底失败。 AI擅长设计实验，却难以精准执行。症结何在？ 并非AI能力不足。 此前，Anthropic推出的号称「史上最强」的Claude Fable 5模型，因潜在风险被紧急叫停。
强大的推理能力兼具科研价值与安全隐患，这是AI进入科研领域的核心矛盾。 AI能告知「应该怎么做」，却往往不清楚「实验实际发生了什么」。 即便大脑再强大，若缺乏一套AI可理解的统一生物实验语言，依然无法破局。 尽管AI4Science近年火热，但真正深入产业核心链路的案例寥寥无几。 生物学科要释放更大产业价值，实验室工作必须实现工程化与可重复执行。 近期，一篇发表于生物预印本平台bioRxiv的研究，为行业带来了新曙光。
该研究主要解决两大痛点：
作者团队均来自 Bota Biosciences（恩和科技），一家中国领先的生物制造公司。 专业的事，终需专业人做。（doge） 为什么AI迟迟无法深入生物制造？令人惊讶的是，在全民AI时代，许多顶尖生物科学家仍被困于实验台前。 在移液枪与培养皿之间，他们每日耗费大量时间进行手工操作。 这些设备虽是生物制造的核心生产力，却也是最大的效率瓶颈。 根本原因在于：生物实验天然难以标准化。
△AI生成
结果导致实验室中最宝贵的经验大量沉淀于人脑。 一个实验在A实验室成功，换至B实验室可能无法复现。 数据难积累、流程难复制、自动化难闭环。 整个行业长期依赖DBTL（设计-构建-测试-学习）循环，且高度依赖人工经验。 目前，生物学领域仍主要依赖自然语言文本撰写实验方案。 例如：“加入5毫升试剂，在37度环境培养一段时间，轻轻混匀。”
△AI生成 对人类而言，这种描述清晰无误；但对机器来说，这几乎等于无效信息。
每个模糊表达都会引发执行歧义。 而在软件工程、芯片设计等领域，此类问题早已解决。 程序员不会写“差不多运行一下”，芯片工程师也不会写“大概这样连接”。 他们使用的是标准化、可编译、可验证的描述语言，确保系统稳定运行。 生物制造长期缺失的，正是这样一种语言。 过去二十年，学界并非没有尝试。 BioCoder、Autoprotocol、Antha、LabOP等标准化方案相继问世。 但均存在局限：表达能力有限、绑定特定设备、或使用门槛过高。
更关键的是，两大核心难题始终未解：
生物制造想拥抱AI，却困于AI，AI4Science始终卡在“最后一公里”。 BPL来了！恩和科技AI与计算总监Alex Song指出了一个现实困境： 许多顶刊论文（如Nature、Science），即便原理公开，他人仍难以复现实验。 原因并非科学原理未公开，而是实验过程缺乏统一表达方式。 对于恩和科技而言，这一问题尤为迫切，因其核心业务即为AI驱动的生物制造。 过去，恩和的大模型生成的是自然语言，如何与实验室自动化设备交互？中间必须经过「翻译」过程。 你总不希望机器人今天的实验能做出来，明天却做不出来吧？ 在此背景下，恩和开发了 BPL语言。 若需类比，BPL之于生物实验，犹如Python之于编程。 用户看到的是应用，终端看到的是代码。
同理，科研人员看到的是实验方案，实验室设备看到的是标准化协议代码。 唯有完成这层转换，实验才能被工程化、被重复。 更重要的是，BPL不仅是描述语言，更是可编译语言。 程序员深知，代码运行前需编译，以检查语法、逻辑及运行风险。 BPL亦然。 在实验启动前，系统会先进行一轮软件层面的实验「仿真」：
一旦发现问题，系统直接报错，而非等到实验失败后才返工。 这意味着，过去实验室高昂的试错成本，现已提前在数字世界中解决。
但仅有语言不够，代码编写问题如何解决？总不能要求每位生物学家都成为程序员吧？ 基于BPL，恩和进一步开发了 BPL-COGEN。 例如，你输入指令：“完成PCR（临床基因扩增）实验。” 系统会自动将自然语言翻译为标准BPL代码，并进入编译器检查环节： 发现错误 → 自动修复 → 继续检查 → 继续修复，直至代码通过编译与仿真校验，系统才会将合规指令同步至实验室，启动实体实验。
△AI生成 这一逻辑酷似Claude Code或Cursor，只是编写的不是软件代码，而是实验代码。 BPL-COGEN靠谱吗？论文数据显示，为量化生成精度，团队从《Nature Protocols》选取了 30篇经典实验方案，涵盖分子生物学、细胞培养、生化分析等领域。 关键创新点：恩和构建了 Benchmark基准测试集。 该Benchmark采用大模型评审 + 编译器客观校验相结合的模式，从三个维度打分：
结果令人瞩目：
恩和团队并未止步于「干实验」，还同步进行了两项「湿实验」验证。
值得注意的是，在Benchmark测试中，编译器累计检出 343项问题（包括单位不匹配、容器过载、试剂未定义等）。 模型首轮生成代码编译通过率为 82.3%，经最多三轮自动修复后，整体通过率提升至98.6%，仅1.4%的问题无法修复。 「AI科学家」上线科研驱动产业，产业反哺科研。 基于全套底层技术，恩和科技发布了全球首个面向生物制造领域的 Physical AI平台：SAION AI。 其定位明确：AI科学家。 大众理解的AI科学家多停留在文献搜索或建议阶段，而SAION AI覆盖完整科研闭环。 例如，科研人员想研发一款高效产酶菌株。 只需在SAION AI中输入：“开发可用于食品发酵的高活性蛋白酶菌株，降低发酵成本30%。” 系统自动执行：
随后，方案通过自研BPL语言，直接传输至恩和的「生物铸造厂」，由自动化设备标准化完成质粒设计、菌株构建、培养检测等所有湿实验环节，全程无需人工干预。 实验完成后，所有数据自动回流至SAION AI。模型通过分析数据，优化下一轮实验设计，形成完整闭环。
△AI生成 当实验可被标准化描述，AI才第一次真正理解生物制造。 从架构看，SAION AI由三层组成：
整个过程宛如一个不断进化的科学大脑，这正是Physical AI的核心特征。 为何以菌株工程为例？ 在生物制造中，这是最核心、最基础的内容之一。 它与生物元件共同构成生物制造的核心资产，几乎是所有工业化生产的起点。 传统模式下，单个研发项目一年仅能完成约 500个菌株实验。 但在SAION AI加持下，效率呈指数级增长。 这位全天候的「AI科学家」，单个项目同期可落地 30万组实验，单日工作量秒杀过去一整年。 背后团队2019年，恩和科技成立于杭州。 与多数AI创业公司不同，恩和未将赌注全押在模型上，而是同步建设了由Physical AI驱动的「生物铸造厂」Cell2Cloud。 该系统覆盖菌株工程、工艺开发至规模化生产全流程。起初看似解决实验室自动化问题，实则是面向Physical AI时代的提前布局。 因为AI真正稀缺的从来不是参数，而是数据。 尤其在生物制造这种物理约束极强的行业，高质量真实实验数据比模型本身更难获取。 Cell2Cloud持续产生千万级真实实验数据，同时连接百万级文献与专利知识，构建起行业罕见的数据飞轮。 后来诞生的BPL语言，以及SAION AI背后的认知能力，本质上都建立在这套基础设施之上。 某种程度上，许多公司在训练AI，而恩和是在建设AI科学家的训练场。 这套体系的推动者是恩和科技创始人兼CEO崔好。
崔好本科毕业于加拿大多伦多大学，获哈佛医学院与MIT联合培养的医学工程与医学物理博士学位，系2025年世界经济论坛「全球青年领袖」。 博士期间，她以第一作者/核心作者身份在《Science》《Nature Nanotechnology》《PNAS》等国际顶刊发表多篇论文，并拥有多项合成生物学与自动化实验相关发明专利。 创业后，她带领团队构建了BPL、Cell2Cloud和SAION AI三大核心能力。 看似三项技术，实则指向同一目标：把AI从「纸上推理」变为能7×24小时自主完成湿实验的AI科学家。 这一路线早已获得产业与资本认可。 2021年，恩和科技完成 1亿美元B轮融资，投资方包括红杉中国、五源、源码、百度、美团、巴斯夫、经纬等头部机构与产业资本。
如今，恩和已将技术转化为面向食品、营养健康、个人护理等领域的规模化解决方案，并与新和成、SYENSQO、伊利、BASF、珀莱雅、百雀羚等企业建立合作。 如果说BPL解决的是AI如何理解实验，那么恩和想证明的，是另一件更大的事： Physical AI不只是机器人行业的未来，它同样正在重构生物制造的生产方式。 One more thing任何产业走向规模化，都绕不开一件事：把经验变成标准，把知识变成机器可理解的规则。 半导体产业是最典型例证。 在EDA（电子设计自动化）出现前，芯片设计高度依赖工程师经验，验证成本高、试错周期长。 EDA的价值，不仅在于提升效率，更在于首次将芯片设计转化为可描述、可验证、可仿真的数字资产。 某种意义上，没有EDA，就没有今天的半导体产业。 今天的生物制造，正处在这一相似阶段。 如果说Cell2Cloud是Physical AI的身体，SAION AI是Physical AI的大脑，那么BPL就是连接两者的神经系统。 从这个角度看，BPL的意义远超提高实验效率。 它更像是生物制造领域的「EDA」，一套面向未来产业的底层基础设施。 |
