AI for Bio新变局：涌生智能杨梦谈干湿闭环与Physical AI

type

status

date

slug

summary

从“会想”到“会做”：AI for Bio 跨越物理鸿沟的难点

在过去几年中，基于 LLM（大语言模型）的 AI Agent 展现出了惊人的科学假设生成与实验方案设计能力。然而，生命科学研究最终必须在真实的物理世界中落地。一个实验意图要变成真实的检测数据，需要经历实验方案设计、标准操作流程（SOP）合成、仪器代码转换以及物理设备执行等多个环节。

在这个过程中，涉及样本、耗材、体积、移液精度、温度、孔位和设备接口等大量复杂的物理约束。任何一个微小的环节出现偏差，都会导致整个湿实验的失败。这也是为什么大部分 人工智能 模型长期停留在“屏幕内”的原因——AI 可以写出一份看似完美的 Prompt 或实验方案，却无法理解自动化设备的运行逻辑，更无法在实验失败后自主分析原因并进行方案迭代。

要解决这一痛点，必须引入 Physical AI（物理人工智能）的概念，让大模型拥有能够操作仪器的“手”和能够感知实验反馈的“眼睛”，真正实现干湿实验的闭环。

ProtoPilot 与 BioLab Bench：全球首份 Physical AI 答卷

针对“会想不会做”的行业痛点，涌生智能与上海人工智能实验室联合发布了两项标志性成果：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。这两项成果为生命科学实验室的 Physical AI 落地提供了全新的基础设施。

ProtoPilot 成功打通了从自然语言需求输入，到 Protocol 生成、SOP 合成、自动化代码转换，再到设备执行与实验反馈优化的完整闭环。在菌液培养、菌落 PCR、质粒构建等典型实验中，该系统已经能够驱动真实设备运行，并根据湿实验的失败反馈自主修正方案。

而 BioLab Bench 则作为评测体系，解决了“如何衡量 AI 智能体湿实验能力”的问题。它不再只考察 AI 懂不懂理论知识，而是评估其能否将实验意图转化为机器可执行的代码，并适配不同品牌的自动化硬件。这为 大模型 在生命科学领域的工程化落地确立了明确的 Rubrics（评估标准）。

自下而上的务实路径：如何构建干湿闭环

面对 AI for Bio 的未来，全球顶尖模型公司与垂直行业创新者选择了不同的演进路径。像 openai、Anthropic 等巨头凭借强大的基座模型能力，更倾向于自上而下地构建 AI 原生实验室；而涌生智能则选择了一条自下而上的务实路径，即聚焦于特定高频、高冗余且对标准化要求极高的场景（如靶向测序建库），率先打通端到端的工作流。

这种路径的核心在于“人在环路”（Human-in-the-loop）的知识沉淀。通过将领域专家的经验转化为大模型可理解的规则与约束，并在每个功能模块中形成闭环，从而实现系统的持续学习与自我进化。对于行业而言，只有打通了端到端的数据流，才能为后续的 提示词 优化、模型微调提供高质量的真实世界数据。

人机协同：AI 时代科学家的角色重塑

当 AI 开始具备自主设计和执行实验的能力，人类科学家的角色也将迎来深刻的变革。在传统的研发范式中，科学家往往需要花费大量精力在繁琐的湿实验操作上。而在 Physical AI 赋能的实验室中，基础的流程性操作将完全交由机器人与 AI 执行。

面对 AI 的“黑箱”属性，人类将主要承担规则制定者与异常数据评判者的角色。当实验中出现偏离预期的反常数据时，人类科学家需要与基于物理第一性原理的大模型进行交叉研判，区分其究竟是仪器噪音，还是潜在的新科学发现。这种人机协同的探索模式，将极大地拓宽人类探索生命科学边界的效率。

AI for Bio 的下一场竞争，毫无疑问是实验闭环验证的竞争。随着 Physical AI 技术的不断成熟，自进化实验室将为生物医药、合成生物学等领域带来颠覆性的变革。

获取更多关于 chatGPT、claude 等前沿 AI 工具在科研与产业中的应用案例，以及最新的 AI日报 资讯，欢迎持续关注 AIGC.BAR，探索 AI变现 与技术落地的无限可能。