炒股就看金麒麟分析师研报股票证券杠杆，权威，专业，及时，全面，助您挖掘潜力主题机会！
（来源：经济观察报）
随着 Google DeepMind、OpenAI、Anthropic 等科技巨头相继进入生命科学领域，AI for Bio 的竞争也在发生变化：行业关注的问题，已经不再只是模型能不能回答生命科学问题，而是模型能不能真正进入科研流程，把实验做出来。
从科学假设生成、实验方案设计，到药物发现和蛋白质工程，大模型已经展现出强大的知识与推理能力。但生命科学研究并不只发生在屏幕之中。一个实验意图要变成真实结果，需要依次经过实验方案、标准操作流程、仪器执行和反馈修正。其间涉及样本、耗材、体积、温度、孔位和设备接口等大量物理约束，任何一个环节出现偏差，都可能导致实验失败。
这也是 AI for Bio 长期停留在“会想不会做”阶段的原因：AI 可以生成一份看似合理的实验方案，却很难把它转化为机器能够理解和执行的动作，更无法在真实湿实验失败后总结原因、调整方案并重新尝试。
近期，华大智造旗下子公司涌生智能与上海人工智能实验室联合发布的两项成果，为跨越这道鸿沟提供了一条新路径：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从用户需求到设备可执行的全流程 Agent 评测体系 BioLab Bench，交出了全球生命科学实验室首份 Physical AI 答卷。
其中，ProtoPilot 打通了从自然语言实验需求、Protocol 生成、SOP 合成和自动化代码转换，到设备执行、实验反馈与方案优化的完整链路。在菌液培养、菌落 PCR、质粒构建、定点突变和 DNA 组装等实验中，它已经将生成的流程放到真实设备上执行，并能根据失败结果修正方案、再次实验。
BioLab Bench 则面向真实生命科学任务，衡量智能体能否把实验意图转化为方案、SOP 和机器可执行代码，能否适配不同品牌的自动化设备，并最终通过真实实验验证。它所考察的不只是 AI 懂不懂实验，而是 AI 能不能完成实验。
二者共同补充了行业所需要的新的基础设施：设备可以被代码驱动，Agent 才拥有“手”；实验结果能够回流，Agent 才拥有“眼睛”；真实失败和专家判断持续沉淀，系统才可能在一次次实验中学习和进化。
为了解这些成果背后的技术路径与产业思考，DeepTech邀请了这项研究的主要领导者、华大智造首席 AI 官、华大涌生智能 CEO 杨梦博士进行深度对话。
杨梦曾赴麻省理工学院攻读并获得化学工程硕士学位，并在哥本哈根大学取得计算生物学博士学位。从合成生物学、复杂工程系统建模，到组学数据分析和实验室自动化，这条交叉学科路径，让他既理解生命系统的复杂性，也熟悉如何利用 AI 和工程技术把科研设想转化为可执行的实验流程。
在华大工作的十余年间，杨梦曾是前沿技术 X 研发中心、自发光测序仪研发中心和实验室自动化业务的负责人，主导开发自发光半导体测序仪、AI 驱动的实验室自动化系统和超声影像机器人等产品。他在 Nature Biomedical Engineering、Nature Machine Intelligence、Nucleic Acids Research 等期刊以第一作者或通讯作者发表论文 15 篇，拥有发明专利 40 余项。
2026 年，他以内部创业方式推动创立涌生智能，定位为 AI for Bio 自进化实验室与干湿闭环基础设施创新企业，致力于将 AI Agent 与实验室软硬件深度融合，构建能够自主设计、执行、分析并持续迭代实验的自进化实验室，让科学发现更加规模化、标准化和可持续进化。
在这场对话中，DeepTech和杨梦深入探讨了为什么全球大部分 AI 公司都还没有真正走进实验室？生命科学实验室的 Physical AI 对真实变革有什么意义？ProtoPilot 为什么能够领先主流大模型？为什么需要 Agent 评测体系？以及当 AI 开始执行实验，人类科学家将迎来怎样的新角色？
以下为全文对话：
DeepTech：请你先介绍下自己的工作背景和目前关注的方向。
杨梦：我个人的求学经历具有比较明显的交叉学科背景。
本科期间我主要从事合成生物学研究，是较早参与 iGEM 比赛的一批学生，当时主要做基因线路设计，很早就接触到了干实验和湿实验，也切身体会到实验环节可能是生命科学研究中一个很难跨越的鸿沟。
硕士阶段我开始接触化工、生物化工领域的数字化仿真与模拟，这段经历对现在的工作很有帮助，涉及对复杂工程系统的建模，也与目前比较热门的 Physical AI 有一定关联，就是把物理定律作为约束引入大模型架构，为我理解物理驱动、具有物理约束的大模型奠定了基础。
后来我又接触到了生命科学的组学研究，组学数据本身非常复杂，也由此看到了利用 AI 处理大规模数据的潜力。从本科、硕士到博士阶段的经历，让我逐渐理解了生命科学系统的复杂性，也认识到了当前生命科学研究的边界。
我在华大工作已经有 11 年，曾在不同部门任职，在华大智造做过测序仪，也参与过实验室自动化设备的研发。现在我孵化了一家叫“涌生智能”的子公司，专注于打造自主进化实验室。我们希望以 AI 原生的方式组织团队、开发产品和解决方案，最终打造能够自主进化的实验室，赋能合作伙伴，帮助他们提高研发效率。
从产业角度，我们希望通过 AI 原生实验室创造新的 IP 和产品；从科学角度，我们希望帮助合作伙伴发现新的机制和机理，进一步探索和挑战人类对生命科学的认知边界。
DeepTech：2026 年上半年，AI 用于生命科学的研究再次爆火。在大语言模型时代，AI 赋能生命科学具体有哪些进展？
杨梦：生命科学研究已经进入到了数据驱动的研发范式，这一趋势与 AI 技术的发展路线不谋而合。面对数据驱动的研究，运用最新的计算工具，特别是利用 AI 理解复杂的生命系统，是一个非常自然的过程。
以基因组研究为例，每个人的基因组中都有数百万个突变或变异。过去，研究人员可能主要采用统计检验等相对简单的方法进行分析。未来，随着不同维度组学数据的积累，我们可以利用更复杂的模型开展研究。当然，大家还会进一步追求模型的可解释性，使其真正帮助我们理解生命系统。我相信，这将把生命科学研究带到一个全新的维度。
这两件事情恰好发生在同一时间节点，这也是近期 AI for Bio 成为全球热点的重要原因。
DeepTech：OpenAI、Anthropic 以及 Google DeepMind 都在积极布局 AI for Bio。你怎么看这一轮行业的变化，尤其是 AI 公司向生命科学领域进行前沿探索？
杨梦：我觉得这几家公司中，布局最早、根基最深的还是 DeepMind。AlphaFold 已经获得了诺贝尔奖，Demis Hassabis 对 DeepMind 的愿景，一直是希望通过 AI 推动新的科学突破。
OpenAI 和 Anthropic 的出发点有所不同。这两家公司都依靠大模型实现了较为成功的商业化，只是一个更偏向 To C，另一个更偏向 To B。
我个人认为，它们将这些工具应用于生命科学，一方面也是在向资本市场展示一种面向未来的愿景。无论是对投资人还是对公众而言，都是一个很好的愿景：AI 不仅可以生成视频、进行对话，还能够推动生命科学和制药领域的发展。
另一方面，制药本身是一个高投入、高风险、高回报的行业。在 AI 的加持下，逐渐有通过 AI 设计的分子进入临床 Ⅱ 期、Ⅲ 期。大家也看到了制药行业能够为这些公司的估值和模型应用带来的全新场景。
所以，这三家公司虽然出发点不同，但都是一个非常自然而然的过程。
DeepTech：从早期的 AI 制药，到如今利用大模型驱动生命科学研究，作为从业者，你观察到的最大变化是什么？
杨梦：早期的 AI 制药，可能更多是利用某个模型解决制药流程中的一个具体问题，例如预测亲和力、溶解度，或者设计一个具有更好结合力的分子。
大模型则可以把复杂的制药工作流串联起来。有了基座大模型之后，我们可以通过它编排不同的专家智能体或子智能体，覆盖整个制药流程，从分子设计，到 Hit、Lead 阶段，再到临床前研究和临床试验。
特别是，现在的 AI 已经具备了较好的基础知识。在早期分子发现阶段，它就有可能兼顾后期的一些问题，例如临床试验招募、适应症选择和患者分层等。
所以我认为，基于基座大模型的 AI 制药与过去 AI 制药之间的一个关键区别，就是它不再只解决某个单点问题，而是能够贯穿和协调整个制药流程。
DeepTech：你们团队发表了多篇关于 Agent 应用于生命科学的论文，你们是从什么时候开始关注 Agent，又是什么时候开始尝试让 AI 跑通整个科研流程的？
杨梦：就跑通整个流程而言，目前还没有谁能够真正做到。我们引入 Agent，是希望它至少可以应用于一些相对标准化、允许反复试错，或者人工操作较为繁琐的流程，从而释放科研人员的能力。
我们最早关注 AI 可以追溯到 BERT 时代。大约在 2020 年，我们用 BERT 训练人类基因组数据，构建了基因组语言模型，后来又陆续开展了单细胞模型和蛋白质设计模型的研究。
到 2023-2024 年，我们在实际工作中遇到了引物序列设计这个比较繁琐的场景，涉及多轮试错、迭代和实验验证。当时 Agent 刚刚崭露头角，架构还比较简单，也没有充分考虑 Harness 等问题。从那时候开始，我们就希望引入 Agent，解决一些需要自主迭代和试错的工作。
直到 2025 年底，Agent 的能力出现了本质提升，特别是在 Coding 领域，已经能完成工具调度、记忆保存、经验沉淀等任务。于是我们开始把 Agent 引入实验室，覆盖项目设计、流程设计、自动化脚本编写和方案迭代等环节。
我们认为，这一轮发展基本上把 Agent 的架构推到了工程可用的阶段，所以也开始用 Agent 赋能实验室自动化业务。
DeepTech：目前 Agent 还不能跑通生命科学研究的全部流程。那么，涌生智能现阶段重点发力的是哪个环节？
杨梦：生命科学包含很多细分方向，同时在一定程度上仍然是一个由经验驱动的研究过程。因此，真正实现端到端目前还是一种理想状态，但未来一定会朝着这个方向发展。当然，“端到端”也可以被定义在某个具体模块之内，比如从序列设计到功能验证，至少在部分细分领域，已经可以实现一定程度的端到端。
我们目前专注于一些需要大量试错、实验过程冗长、同时对操作标准化和结果重现性要求较高的领域，希望在这些场景中打造端到端的智能体。
最近我们重点开展的工作，是优化靶向测序建库的实验流程。这个过程需要不断试错、持续调整实验参数，最终实现更好的靶向测序效果。这也是一个相对聚焦的领域，同时也是母公司华大智造积累比较深厚的方向。
我们既有实际应用场景，也有一批领域专家，可以通过人在环路的方式对数据进行清洗和整理，使这些知识与数据能够被 Agent 或 AI 理解和利用。在此基础上，我们专注于打通一个完整闭环：从理解建库实验意图，到设计建库实验流程、编写机器运行脚本，再到分析建库数据并进行迭代。现阶段，我们希望在这一相对封闭的场景中，利用多智能体赋能生命科学研究，先把这项工作做扎实。
DeepTech：OpenAI 和 Anthropic 在生命科学领域的探索，更多是从自身模型能力出发，但目前更多停留在干实验阶段，还没有真正进入实验室。而建库等过程涉及大量湿实验，需要干湿结合。你认为它们在模型方面的努力，距离真正进入实验室还有多远？
杨梦：我觉得对于这些模型巨头来说，如果决定自建实验室，凭借自身的模型能力，完全有可能自上而下地打造一座 AI 原生实验室。我看到消息说 Anthropic 也在考虑自建生命科学实验室，OpenAI 也孵化了一些相关项目，Sam Altman 本人也投资了一些做诱导多能干细胞研究的公司。所以我认为，他们一定会从基座模型能力出发，从第一天就把整个实验室按照 AI 原生的方式设计。
我们的出发点不同。我们已经有实际的应用场景和明确的需求，所以会先聚焦某个具体模块或单点问题，率先让 AI 在这个环节跑通。我们本身就有很多专家员工，每天都在真实世界里做这些工作。我们做的事情，简单说就是利用基座模型，做 Harness Engineering，把专家经验转化为可持续沉淀、更新和迭代的知识，固化在 AI 系统里。随着更多员工和合作伙伴开始使用这样的 AI，我们希望把“人在环路”的知识沉淀机制做扎实。
大家最终追求的目标都一样，就是实现干湿实验闭环。我们的路径是一步一个脚印，先把每一个子模块的干湿实验闭环做好，再逐渐走向端到端。受资本体量、叙事逻辑和商业模式等因素影响，大家选择了不同路径：模型公司偏自上而下，我们偏自下而上。
DeepTech：目前，AI 更多存在于屏幕之中，即便是 Physical AI，现阶段也主要用于操作机器人。为什么实验室自动化比模型研发更复杂？
杨梦：我觉得大模型进入真实的物理世界时，都会遇到类似的问题。
目前大模型商业化表现较好的场景主要是 Coding 和文生视频，金融、保险理赔、法律等服务行业也在逐步应用 AI，因为这些行业本身数字化基础较好，可以在现有流程上叠加智能体能力。
但实验室需要直接与物理世界交互。我们既要让大模型和 Agent 保持智能，又要确保它们在明确的边界内安全运行，尽可能减少幻觉，这本身就是一项复杂的工程。
实验室自动化也在逐步从单一功能自动化、流程自动化走向智能化。目前图像识别、细胞分割和参数设计等环节已经可以实现部分自动化。未来在 Agent 的加持下，实验室有望进一步实现自主运行、自主设计实验乃至自我进化，但这需要逐步建设。
其中最复杂的一点是，人工实验流程无法直接迁移到机器上。人工能顺利完成的 SOP，不一定适合自动化设备，液体工作站在移液精度和操作方式上也有自身的能力边界。所以从手工实验到自动化实验不是简单平移，而是需要重新迭代和优化。机器操控液体、细胞和微生物，还涉及传感器、控制逻辑等复杂问题。只有经过长期的工程和产品积累，接触足够多的实验方案、液体、耗材、微生物和细胞，才能推动实验室从自动化走向智能化和自主化。
五层实验数据表征框架（来源：涌生智能）
DeepTech：你希望利用 AI 解决哪些问题？是理解实验人员的意图并生成 Protocol，还是把人工实验转换为机器可以自动执行的流程？
杨梦：我们的终极目标是解决所有环节的问题，现阶段的思路是先在一个具体场景中打通端到端流程。比如在测序建库场景中，我们希望把从实验意图理解、Protocol 生成、设备执行到数据分析与反馈的整个流程打通。
我认为只有打通端到端流程，才能沉淀最有价值的数据。无论未来是训练新模型、对模型进行后训练和微调，还是开发 Agent，这些端到端数据都非常重要。因为真正的智能需要具备向前规划多步的能力，而完整的端到端数据正是实现这一能力的基础。
DeepTech：你所说的端到端，是让 AI 拆解并完成每一个步骤，还是像端到端自动驾驶一样，由一个模型直接完成整个流程，不需要中间的接口转换？
杨梦：我们目前采取的是一种比较务实的路径：让 AI 在每一个功能或模块中形成闭环。比如理解实验意图这一环节，可以通过基座模型与相关知识的注入，让 AI 在与人的持续交互中逐步提升能力。
所以我们不追求单一模型的端到端，而是追求整个工作流的端到端。工作流的主干可以是相对固定的，每一个模块则充分发挥 AI 的能力，通过 Harness、持续学习和自我进化完成具体任务。
简单来说，就是以相对固定的工作流为主干，让 AI 在每个模块中充分发挥潜力。
DeepTech：在自动化实验设备与 AI 结合方面，目前的现状和挑战是什么？
杨梦：过去，工业自动化公司开发实验室自动化设备，主要是为了销售产品和仪器，因此需要将某一项功能做到足够的产品化。
但我们最终希望交付的是实验结果。在实现这一目标之前，首先要交付一套全流程解决方案。因此，我们考虑的不是某个模块的产品化，而是如何让整套复杂的生命科学工作流具备足够的智能，并在每一个步骤中调用相应的自动化设备。
DeepTech：所以，限制 AI 向生命科学发展的往往不是模型能力，而是真实世界的硬件操作。物理设备客观存在误差，且设备间的工序转换极其复杂。如何解决这些问题，才是真正的行业 Know-How。
杨梦：完全同意。每一次设备操作的背后，都有其深刻的逻辑原理与实践经验在支撑。
DeepTech：随着 AI 的加入，实验室的构成已经演变为“人+设备+AI”。这带来一个问题：未来的模式究竟是“人指挥 AI、AI 操作设备”的层级递进，还是整个实验室将迎来全新的顶层设计理念？
杨梦：从当前 AI 的发展进程来看，一个典型现象是：无论是 AI 生成的代码还是视频，后续往往需要人类花更多精力去校验，才能做到真正可用。生命科学也是同样的逻辑。
所以更好的路径，是在每一个模块中为 AI 设定足够的规则和约束，通过良性的人机互动，让 AI 协助人类触达此前未曾思考过的盲区。至少在短期内，实验室中固定流程的操作可以交给机器人，但每一步的决策和反馈，依然需要人类把关。而这个把关的过程，我建议由人类和 AI 协同完成。
因为人类的个体知识和经验客观上存在局限。过去实验中一旦出现新的数据点或反常现象，无论新手还是专家，往往习惯性地把它当作“系统误差”或“噪音”直接丢弃。但在 AI 时代，我们希望人与 AI 共同研判，去精准分析一个反常数据究竟是常规仪器噪音，还是一个潜在的、全新的科学现象。这种协同探索的模式，是今天 AI 时代实验室与过去最本质的不同。
DeepTech：新手在 AI 赋能下可能直接达到专家级别。但问题是，人可以把经验输入给 AI，AI 输出的结果人却未必能理解，因为 AI 是“黑箱”。如果出现“AI 知道、但人不知道它为什么这么做”的情况，信任与理解脱节的问题该怎么解决？
杨梦：我认为可以从“自上而下”和“自下而上”两个维度来看：
首先是自上而下。要有效驾驭 AI，我们首先要在工程上为它定义一套严密的 Rubrics——即明确如何验收和评估 AI 生成的结果。在生命科学这类细分领域，人类几百年积累了大量的评判规则，我们完全可以把这些规则转化为显性的约束条件，去约束大模型，确保它在执行和推理时不会随意发散。
其次是自下而上。当实验中遇到分布外泛化的新数据时，我们要判断它究竟是机器噪音还是一个突破性的新科学现象，这其实是一个调 bug 的过程。如何更客观地评判这个 bug、打破黑箱？我认为需要引入“第三视角”——利用没有被偏见数据污染过的、更底层的大模型，从物理与科学的第一性原理出发做交叉判断。
所以在我看来，AI 的应用是一个不断嵌套、不断递归的系统逻辑。我们既不要死板地认为 AI 必须完全吸取人类的既往经验——因为传统经验可能是过时甚至错误的；也不要有迷信思想，认为 AI 生成的一切我们都必须盲目采纳。真正考验工程化落地能力的，正是在中间对这个 bug 的灵活调整，在人类经验约束与 AI 第一性原理探索之间，找到最动态、最科学的决策平衡点。
DeepTech：那是否可以这样理解：在人机协同的闭环中，实验失败或被判定为失败的路径，可以转化为给 AI 设定的边界与约束，让模型从中学习并修正；而数据偏差也并非没有价值，同样可以作为新语料，驱动模型演进与学习？
杨梦：我认同这个观点。过去做实验，无论是手动还是自动化，大量失败样本往往被直接舍弃，但实际上失败数据很有价值——人的成长既可以来自成功经验，也能从失败教训中提炼认知。
以前舍弃失败数据，主要是因为人脑的信息处理能力有限。而大模型的出现打破了这一限制，系统可以完整留存并分析所有失败案例，从成功和失败中双向学习。相比仅靠人脑处理数据，具备这种能力的智能系统迭代效率更高、更完善。
DeepTech：当前公开数据多为成功样本，失败数据的价值已得到广泛认可，但无法从公开渠道获取，自主采集成本又高。针对这一痛点，你们有什么解决方案？
杨梦：我认为核心在于两大层面的体系设计。
生命科学研究从分子构建到实验验证、表征检测，需要多类设备、多套流程协同，所以整套系统架构需打通多渠道数据源——依托传感器采集、物料扫码、仪器原始数据导出等方式，完成全维度数据对齐与沉淀。以往实验室受数字化、智能化水平限制，各类数据难以统一规整；而搭建 AI 原生实验室，可完整归集人、机、料、法、环全流程数据，既包含成功实验记录，也留存各类失败样本。
实验失败的原因可分为多类，可能是硬件故障、操作偏差或底层机理不适配。只要完成全量数据采集与标准化对齐，所有记录都可作为大模型训练素材。公开科研数据难以支撑模型训练，主要有两方面原因：其一，约六七成高分期刊刊载的生命科学成果不具备可复现性，研究者只公开正向结论；其二，科研人员往往经过上百乃至上千次试错才得到一次理想结果，大量失败过程及诱因并未完整记录。
搭建 AI 原生实验室，完善软件、传感设备与底层架构，实现全流程数据闭环积累后，便可依托沉淀数据完善大模型的领域知识与专业体系。模型既能从成功案例中提炼有效逻辑，也能从失败数据中定位问题根源，结合两类数据综合学习还能实现知识泛化，探索现有边界之外的更优方案。这正是 AI 与自动化实验室结合相较传统实验室的核心优势。
DeepTech：在此模式下，模型能够形成自主迭代进化能力，在承接全新实验任务时生成适配性优化调整。该进化流程是依托独立记忆系统实现，还是依靠模型增量后训练完成？
杨梦：两种方式我们均有采用，且我们十分重视记忆模块的搭建，当前整体架构采用分层记忆设计。
首先，团队梳理大量教材与学术文献，将长效、普适性知识构建为领域本体与专业知识库，类似 Andrej Karpathy 及谷歌提出的科学维基体系，同时针对细分研究领域搭建专属上层本体库。
单次实验完成后，系统会留存完整分析记录：包括实验失败的全流程痕迹、大模型全部推理链路、文献检索、工具调用的完整流程与返回结果。依托自进化记忆机制与人工规则记忆机制，上述信息分层沉淀：一类是可供 AI 持续补充更新的长期领域知识；另一类是场景化实操经验，例如不同实验对应的适配条件、单次任务对应的短期上下文信息。
整体团队基于当下前沿记忆框架相关理论，持续迭代完善整套智能实验室体系。
DeepTech：当前 AI 技术迭代周期已从半年缩短至一两个月，但实验室软硬件迭代天然更慢。你们如何弥合这两套体系的速度差，平衡它们的进化节奏？
杨梦：这一问题我们主要从软件架构、硬件定位与核心研发重心三个维度进行统筹解决：
在软件层面，项目立项之初我便要求团队搭建可适配未来技术的底层软件框架。实验室自动化上层业务均依托软件实现，整套架构设计遵循兼容拓展思路：每当新一代大模型、全新智能记忆框架问世时，系统过往沉淀的全部知识、实验数据与实操经验，可直接就绪，快速完成对接、测试与联调，实现对新模型的高效适配。而要长期维持这套灵活可拓展的架构，关键在于研发团队管理与项目流程管控，同步建立适配前沿技术迭代的研发思维。
反观实验室自动化硬件，其本质属于工业自动化范畴，迭代逻辑与 AI 算法完全不同。硬件设备聚焦精度、稳定性与标准化，高频迭代反而会带来稳定性风险，因此我们优先保障硬件体系标准化、长期稳定运行，不追求频繁更新。
软硬件体系的融合突破点，也是团队核心攻坚方向，在于打通 AI 与实体实验室的联动闭环：依托分层记忆沉淀机制、定制化训练与强化微调方案，同步完善人在回路的数据采集链路，充分释放新大模型与实体实验数据结合产生的协同价值。
DeepTech：依托 AI 重构后的自动化实验室，除最直观的研发效率大幅提速外，你认为整套科研范式还产生了哪些深层次转变？
杨梦：我认为 AI 原生实验室将带来两大核心范式变革。
第一，科研成果的可复现性得到根本性提升。依托该体系产出的新机理、新分子等科学发现，能够实现实验操作与论文分析流程双重可复现，这对整个科研行业意义重大。当前科研出版行业流程传统、周期冗长，对此我保持乐观判断，未来科学发现与成果发表模式或将迎来颠覆性变革。现有审稿机制存在局限，部分审稿专家带有自身经验判断倾向，而现代科研愈发偏向工程化、跨学科协同。未来学术成果或将以模块化工具包的形式公开，涵盖数据分析、实验设计等全套流程模块，其他研究者可借助 AI、实验室大模型与自动化实验体系完整复现全部研究，复现能力将远超传统模式。
第二，科学发现的跨学科门槛大幅降低。一个博士的能力边界是有限的，若研究涉及跨领域内容，往往需要对接其他实验室，寻求数据分析、仿真建模、专项数据集等外部合作资源。而人工智能天然具备跨学科整合能力，可融合多团队、多细分领域专家的研究能力协同开展探索，拓展博士生研究的跨学科深度。
综上，可复现性增强、原生支持跨学科研究，是传统科研范式与 AI 赋能下新型科研范式最核心的区别。
DeepTech：AI 的介入对科研人员提出了更高要求。过去只要与合作方建立信任，就同样可以信任对方给出的数据；但面对 AI 生成的结果，科研人员需要主动核验其可靠性。这是否意味着，新时代科研人员需要具备更高的综合素养和甄别判断能力？
杨梦：我十分认同这一判断。顶尖科研人员本身便具备全局统筹、审慎研判研究目标的专业素养，而 AI 的核心价值在于规避大量无效试错，整体对全球科研发展而言利远大于弊。人工智能虽向优秀科研工作者提出了更高的能力要求，但也赋予其突破性工具，助力探索人类现有科学认知的边界。
在我看来，生命科学领域内，DNA 双螺旋结构这类偶然性重大发现实属特例，此后绝大多数科研成果均以工程化落地、实际应用为导向。AI 与自动化实验室深度融合，能够持续拓宽科学探索的边界，长远来看对人类发展益处良多。
落到科研从业者层面，这套新体系会形成明显分化：对于致力于前沿探索、冲击科学极限的研究者，AI 是放大科研能力的强力工具。
DeepTech：传统模式下，研究人员需完成整套实验后才能获取完整反馈，问题也只能事后追溯。在 AI 赋能的智能实验室中，实验数据反馈与问题追溯效率能否显著提速？
杨梦：我认为主要有两方面提升，一是反馈速度更快，二是反馈信息也更加完整。我们搭建生命科学实验室时，一直十分看重人、机、料、法、环五类数据的完整留存。即便未来实验完全由设备自主完成，机、料、法、环这些信息依旧不可或缺：仪器每一步运行参数、实时工况、耗材物料批次版本、标准化实验流程以及实验环境各项调控指标，全部都会和实验结果绑定记录。
这类多维度繁杂信息，单凭人工很难从零散细节里挖掘出潜在关联，这套智能体系给出的反馈自然比过去全面得多。提速也是显而易见的，过去科研人员做统计检验，要先查阅相关典籍，再借助传统统计软件针对不同数据分布、研究假设逐一测算；现在 AI 可以结合贝叶斯优化等成熟统计方法，依托大模型统筹调度，根据实时数据分布迅速推导出关键影响因子，直接用来规划下一轮实验。
整套反馈流程不仅更快、维度更全，分析结论也更精准，就连各类失败实验背后的问题线索，也会同步反馈出来。
DeepTech：如今 AI 正在渗透各行各业，生命科学受到的冲击确实很深刻。相比制造业智能化、自动驾驶、具身智能等赛道，你觉得生命科学在 AI 驱动升级的进程中，算是走得快还是相对滞后？
杨梦：我个人认为生命科学在 AI 落地的各行业中推进速度算快的。制药赛道一直备受关注，AI 的价值不只在于基础科学探索，最终产出的新药和功能分子直接关乎人类健康和生态发展，行业价值有目共睹。从市场预期来看，制药的想象空间几乎是顶尖水平，只有航天、通信能与之比肩。
生命科学本身就是高投入、高风险、高回报的行业，AI 的覆盖范围已经相当广泛，但落地深度参差不齐，主要取决于各机构接纳和落地 AI 的能力。现在的玩家很多元：有 OpenAI、Anthropic 这类自研 AI 原生实验室的，有我们这种深耕行业、用 AI 赋能科研的，还有大量新兴的 AI 生物科技公司，资本持续涌入。
总体来看，AI for Bio 投入大、覆盖面广，但最终落地深度还是由各家自身条件和定位决定。
DeepTech：相比制造、自动驾驶等赛道，AI 在生命科学领域带来的时间、成本优化红利，会表现得更加突出？你是否认同？
杨梦：我很认同这个观点。生命科学里体量最大的确实是药物研发，但 AI 落地场景不限于制药，还包括抗衰老、健康长寿等方向，这些都需要底层机理探索与创新开发相互配合。
过去行业多是分散的小作坊式研发，存在不少局限，而 AI 加持后，端到端的视野会开阔得多。我有一个畅想：现在很多临床二期失败的管线，如果我们能把其中的约束条件、经验教训和负面反馈都沉淀下来，在前期设计阶段就纳入模型的目标函数，通过工程手段把失败经验前置运用。
数据来源分两类，一类是公开发表的文献，另一类是临床方案、分子可合成性等私有数据，这类数据开放难度较高。但如果搭建 AI 原生实验室，长远看有机会训练出覆盖药物全链路的端到端大模型——从机理发现到临床推进、上市，同时兼顾成本评估，直接推演临床结果与商业化前景，这套体系也可以延伸到健康诊断类产品。
实现这一愿景的前提是搭建完整的数据闭环。优质数据不在于数量庞大，关键是链路闭环、数据干净、覆盖全流程，这类数据集对 AI 价值极高。未来依靠 AI 设计新分子、优化临床方案，产出能顺利通过临床试验的产品，我认为具备很大的实现潜力。
DeepTech：无论是训练基础大模型还是智能 Agent，核心都需要标准规整、杂质少的高质量数据。相比家用机器人处理日常杂糅场景或工业机器人在复杂产线作业，实验室场景拥有天然优势——不只生命科学，所有标准化实验室都能产出高质量干净数据。实验室数据目标纯粹，只为研发服务，没有其他混杂目的，变量可控、信息完整，天然适配模型训练需求。
杨梦：确实如此。除实验室内部的标准化干净数据外，药物推向临床、最终上市阶段的各类商业化相关数据同样关键。现阶段，或许部分大型药企手里沉淀了这类完整数据，但各环节数据基本都是割裂不通的，完整打通全链路数据的案例其实很少。
但不可否认，单就某一个研发环节而言，该环节下规整、高质量的干净数据，对 AI 理解实验规律、自主生成优化方案起到决定性作用。这也正是我们坚持推进全流程数字化、实验自动化建设，以此加速 AI 落地迭代的核心原因。
DeepTech：这也是为什么我们认为 Physical AI 能最先在生命科学场景落地。前面聊了很多 AI 的优势，那想再讨论一下，依托 AI 改造科研体系，是否存在能力边界与局限性？
杨梦：我认为现阶段 AI for Bio 确实存在几处清晰的能力边界。
第一，今后会有大量 AI 自主生成的科学假设，但我们很难分辨它是对过往数据的机械复刻，还是具备突破性的全新线索。想要判断往往需要科学哲学思维和多学科交叉验证，这套核验流程本身难以完全交给 AI。核心在于，AI 很难自主区分输出是分布内的重复推演，还是跳出固有认知的创新结论。
第二，AI 可能生成全新实验方案，但现有仪器设备的参数和性能存在硬性限制，硬件不匹配就无法落地。同时，AI 有可能推演出存在生物安全风险的新型分子，如何建立约束机制规避隐患，也是亟待解决的边界问题。
第三，药物最终要经过动物和人体临床试验才能落地，现阶段虚拟细胞、类器官还无法完全替代真实临床试验。人体是极度复杂的生物系统，大模型本身又有可解释性不足的黑箱问题，两套复杂系统叠加时，我们很难分清 AI 的预测是符合生理规律的有效结论，还是模型幻觉。虚拟仿真必须配合真实临床试验，这是目前 AI 无法跨越的核心壁垒。
DeepTech：在实验室执行层面，有哪些是目前 AI 还做不到的？比如某些实验操作必须由人来完成吗？
杨梦：确实还有不少环节离不开人工。像孔板操作、移液、成像、样本转运这类标准化工作，加大自动化投入后完全可以实现机器替代。
但样本前处理很难自动化。比如肿瘤活检样本，取样后需要划线、取材，充斥着大量依靠经验判断的步骤。具身智能团队大多布局通用场景，很少深耕这类样本处理，自动化设备也无法完整复刻人工操作。不同生物样本形态差异极大，不存在通用流程，所以样本采集和前处理现阶段只能靠人工。
实验自动化更擅长在预设条件下高通量采集标准化数据。而高度个性化的样本前处理，以及全新的实验手段和样本操控方案，目前自动化投入和成熟度都不足，仍是明显短板。
DeepTech：新的实验方法不也是在原有基础上进行新的实验设计吗？
杨梦：举个例子，比如研发全新的干细胞接种培养方案，不光要设计实验流程，还得配套定制专用耗材。生命科学的 Physical AI 涉及大量细分工艺细节，单靠 AI 远远不够，必须搭配熟悉实验工艺的专业人员共同推进。
但也有好的方向。我们现在就在改造行业内各类通用设备，升级成 AI 原生设备——不只是接收固定指令、机械操作，长远目标是让设备能自主设计实验、自主复盘迭代。简单说，就是给现有设备搭载一层智能 Agent，突破单台仪器的功能上限，提升整体智能化水平。目前主要是这两条路线并行。
DeepTech：那智能体能够自主去调动吗？
元股证券:ygzq.hk
杨梦：我认为这条路完全可行。当下不少大型科研仪器都能借助 AI 完成智能化改造，不管是依托图形界面搭建智能体，还是直接在设备原生系统、固件层面嵌入智能模块，改造完成后仪器的自主调度与分析能力都会大幅提升。
以光学成像设备举例，改造后它能够自主完成拍摄成像、自主判读图像结果，再依据成像数据自动规划后续实验步骤。我们目前发力的正是这套自动化判断、自主调度体系，能省去实验人员反复给设备下发操作指令的大量人工工作。
DeepTech：你们做到哪一步了？
杨梦：以仪器说明书为例就能看出变化。依托 AI 原生改造，大量人工培训环节都可以省去——操作仪器的标准 SOP 和数据解读的固定流程，都可以整合进智能体系。
我们采取分步落地的思路，先针对移液工作站、蛋白纯化、色谱仪这类高频设备做 AI 原生智能化改造。现阶段计划先完成十到二十台核心设备的升级，再结合自身实验场景，逐步拓展到全流程所有仪器。
DeepTech：现在 AI 原生概念已经很普及了。落到实验设备上，AI 原生设备分两种路径：一种是对现有成熟仪器做改造升级；另一种是从研发设计阶段就完全按 AI 原生逻辑从头打造，但周期很长。咱们走的是哪条路线？
杨梦：你说的这两种路线我们都在同步推进。
第一种是对市面上大量使用的现有设备，从操作系统和固件底层做改造，升级成 AI 原生设备。改造后不再是单纯执行指令的工具，而是能自主提出检测需求、优化运行参数、配置设备，还能自行调试和排查问题，从工具转变为科研人员的协作伙伴。这套方案目前多数仪器都能适配。
第二种是从零研发、原生搭载 AI 逻辑的全新设备。这类设备出厂就布满传感模块，从设计阶段就以 AI 为核心。我们最先落地的是 AI 原生移液工作站，后续还会拓展到更多仪器。
举个例子，前段时间有新闻提到 AI 设计的射频芯片，结构和工程师设计的完全不同，性能反而更优。放到生命科学仪器上也是同理，尤其是工艺放大类设备，AI 自主设计的方案很可能优于人工。我们近期就用 AI 重新设计了 PCR 设备的电路板，已经进入打样阶段，目标就是提升长期运行的稳定性和可靠性。
DeepTech：你刚才提到的传统的设备，我们可能只需要结果，设备坏了需要工程师去维修，人很难去操控它。如果 AI Native 的实验室设备被设计出来之后，有可能 AI 就能够去维修或维护。
杨梦：目前打通各类生命科学仪器存在一个难点：多数厂商没有完善封装可供 AI 调度设备的 SDK 或标准化 MCP 协议，有些是不愿开放，有些是成熟产品的研发团队早已解散，接口缺乏维护。
而从零自研 AI 原生设备时，我们会在设计阶段就把所有通讯、控制逻辑、调度协议做 AI 就绪化适配，让设备能自主调试、运维、故障自检和沉淀数据。
另外，在可靠性层面，传统仪器的电路和机械结构多靠工程师反复试错。我们也在探索用 AI 完成 PCB 布局、传热传质方案设计，这类方案性能有望优于人工设计，这也是我们重点推进的方向。
DeepTech：未来的实验室若能完全打通闭环，实现真正意义上的 AI Native 实验室，或许就真正实现了黑灯实验室。
杨梦：完全同意。实现的前提是每一个设备都 AI Ready。
DeepTech：在生命科学领域，现在有没有相对成熟的 Benchmark？
杨梦：当前生命科学已有不少成熟的 Benchmark，比如 AlphaFold 榜单用于蛋白折叠预测，还有分子结构预测、组学数据分析等方向的评测标准。
但我们打算搭建一套差异化的专属基准。现有 Benchmark 多侧重生物信息计算的理论性能，而我们聚焦 AI 在真实实验室场景的实操落地能力。评判标准不在于模型参数量或理论上限，而在于智能体能否在真实环境中完整完成实验任务。
这套评测体系紧密贴合行业落地需求，依托领域专家和一线实验人员的实操经验，为智能体设置完整的实操任务，专门衡量 AI 真正动手完成实验工作的综合能力。
DeepTech：整个 Benchmark 是仿真环境实验室的真机环境？
杨梦：我们这套 Benchmark 由行业专家通过大量人机交互共同搭建，现已对外开放，用于衡量各类智能体的实操落地能力。评测依托线上平台运行，配套多款实验室自动化仿真工具，可打通从实验方案设计、自动化执行到结果数据产出的全流程链路。
DeepTech：我们常说的 Sim to Real，就是从仿真环境做 Benchmark 再到实际实验室落地，这两者之间的 gap 有多大？
杨梦：从动作执行层面看，实验室自动化仿真的 Sim to Real gap 比通用具身机器人更小，因为设备自由度低，控制逻辑相对统一，落地难度更低。
但如果落到完整实验任务层面，生命科学体系本身是高度复杂的动态系统，细胞活性会衰减、微生物存在随机突变，大量不可预判的生物变量，才是仿真与现实之间最核心的差距。
品牌配资开户缩小这一差距的核心路径是搭建 AI 原生实验室，完整采集人、机、料、法、环、机器人全维度数据，数据积累越充分，仿真对真实场景的还原度就越高。
DeepTech：生命科学实验室里的 Sim to Real gap，可能来自机器误差或实验误差，而这些本身就是正常实验中已经能够接受的误差范围。可以这么理解吗？
杨梦：可以这样理解，生命科学领域 Sim to Real 的鸿沟，根源在于细胞、微生物、人体组织这类生命体本身是极度复杂的混沌系统——这也是全球虚拟细胞研发面临的核心难题，要完整复刻真实细胞的运行规律，涉及的变量维度数不胜数。
通用具身智能的 gap 大多来自操作环境多样、自由度太高；而生命科学的核心短板，是仿真体系还不足以复现生命本身的混沌特性。当然，如果是目标清晰、流程标准化的实验，复杂度则主要集中在操作精度偏差和理化指标波动带来的系统误差上。
DeepTech：你们在设计 Benchmark 的时候有没有借鉴和考虑？以及你们是从哪些方面去评价的？
杨梦：目前，FutureHouse（Edison Scientific）推出了 ProtocolQA，以问答形式考核模型对实验知识的理解。
我们的 Benchmark 本质不同：不考模型能否读懂实验原理，而是考智能体能否完整落地、跑完实验全流程。覆盖从实验需求解析到设备执行的全链路，支持跨品牌设备适配，最终以实际生物实验结果作为判定依据。
在设计上，我们参考了红杉的 xbench，以及姚顺雨等人提出的 τ-bench 这类实用导向的框架——核心都是跳出理论打榜，衡量智能体在真实场景中的实操落地能力，这也是我们这套基准的定位。
DeepTech：最终的 Benchmark，执行是否成功也是系统自动判定的吗？
杨梦：我觉得分两方面。在实验室里，意图识别和实验设计属于软件级别的判定；生成自动化脚本这一步，我们会有实验室自动化中 XYZ 三个自由度的仿真环境判断，以及一些规则判断。
至于最终这个实验能不能做出来，我们建议采用的方式是做 Benchmark 的人去购买相应的耗材和试剂，把 AI 设计的实验复现一遍，跑一遍看看，最后判断跑出来的结果是否符合预期。
DeepTech：你们设计的 Benchmark 对 AI for Biology 行业有哪些影响？
杨梦：我们希望以这个 Benchmark 率先示范 AI for Bio 全链条的可能性——从 AI 设计到实验验证到闭环。目前专注于建库和 DNA 组装，但未来希望与更多机构合作，覆盖细胞、微生物、抗体生产等子领域。也希望大家构造的 Benchmark 都能考虑全链条，而不是只在单一生物信息任务上追求极致。
DeepTech：那能不能推动，比如某个人只做了某个阶段的工作，也能在我们的 Benchmark 上测评？或者说，能不能推动不同标准的 Agent 之间进行横向比较？
杨梦：我们希望做到这一点，所以取名 BioLab Bench。后续会与不同领域机构合作，在某个子任务上专门做子任务的 Benchmark，让大家都能在上面评测 Agent 能力。但这肯定不是我们一家公司能完成的。
DeepTech：所以现在是某一个环节的 Benchmark 也可以做，还是必须全流程？因为全流程的难度确实很大。
杨梦：不一定，我们里面也有意图理解的 Benchmark，比如测序建库的意图理解，这个现在就可以用来做比较。
DeepTech：有没有横向比较？比如某个 Agent 在别的 Benchmark 跑得好，在你们这儿也跑得好吗？还是在你们这跑不好，到别处反而好了？另外，你们打分更侧重设计还是执行？
杨梦：我觉得我们在实验室自动化脚本撰写上做了一个很有价值的点。全球有不少机构在做意图转脚本，但我们通过私有数据做 Harness 或后训练，确实跑得比一些通用基座大模型要好。有了这个基础，大家都能在写脚本这个子任务上做得足够好，推动把这个任务当成一件严肃的事来对待，这已经起到了很重要的价值。
DeepTech：今天从宏观的 AI for Bio 行业趋势，到华大和涌生智能的具体实践，再到 AI 赋能实验室的未来愿景和 Benchmark 对行业的意义，最后请梦总做一个总结。
杨梦：AI for Bio 是一个长征，产业链条也非常长，涌生智能希望和行业内的伙伴共同携手，把难而正确的事做好。
（本文转自DeepTech深科技）股票证券杠杆
炒股配资门户官网提示：本文来自互联网，不代表本网站观点。
