田晏林 发自 凹非寺
量子位 | 公众号 QbitAI

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：

1. AI看不懂生物实验？开发一套统一、易读的生物学协议语言——Biology Protocol Language (BPL)。
2. 传统编程语言门槛高？科研人员难以独立编写代码？引入代码自动生成工具 BPL-COGEN一键解决。

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

• 人员差异：同一实验，不同实验员操作习惯迥异；
• 设备异构：同种设备，不同厂家接口格式不一；
• 数据孤岛：同一记录，不同团队数据结构混乱。

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。

• 5毫升加到哪里？
• 培养多久？
• “轻轻”的力度标准是什么？

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：

1. 自动生成能力不足：方案泛化性差，脚本与配置需人工编写，开发周期冗长；
2. 执行精度无法保证。

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」：

• 检查单位是否正确？
• 试剂是否存在？
• 容器容量是否超限？
• 步骤间是否存在逻辑冲突？

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：

1. 内容匹配度
2. 方案有效性
3. 实验完整性

结果令人瞩目：

• 同一实验重复生成10次代码，98.3%的结果完全一致。
• 综合得分达 95.1分，其中方案有效性得分高达 98.7分。

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。

1. 人工 vs 自动化：同一份BPL代码，一边转为人工操作说明书，一边转为自动化移液机执行脚本。两套体系的测序、荧光检测结果无显著差异。
2. 效率提升：液相色谱实验中，原本32分钟的分析流程被自动转换为2.1分钟的超高效方案。5种脂溶性物质全部实现基线分离，分离顺序与原方法完全一致。

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：

1. 检索文献，分析技术路线；
2. 筛选关键技术要点；
3. 生成详细至每一步操作的实验方案。

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：

• 认知层：理解科学问题，生成实验方案。
• 控制层：负责BPL编译、校验和任务编排。
• 执行层：驱动真实实验设备完成操作。

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。