Difficult to Reproduce Biology Experiments? Unified Protocol Language Now Available with 98.6% Compilation Pass Rate

Full text · 原文 4,916 字

田晏林发自凹非寺量子位 | 公众号 QbitAI 现在的AI，确实越来越像一个「全能研究员」。 写代码、画图、生成视频只是基础操作。 它甚至开始参与科学研究：阅读论文、提出假设、分析实验数据，甚至帮科学家设计下一步实验方案。 但问题是，如果把AI真正放进一间生物实验室，情况可能完全不一样。 毕竟，在生物实验室里，操作移液器、记录温度、转移培养皿……这些看似简单的动作，背后都有极高的精度要求。 一个单位写错，一个参数偏差，一个步骤顺序颠倒，实验结果可能直接失效。 AI能帮科学家设计实验，却很难真正执行实验。问题出在哪？ 你说它太傻？不。 前段时间，被称为Anthropic“史上最强”模型Claude Fable 5，上线后因风险问题被紧急叫停。 强推理能力兼具科研价值与安全隐患，这是AI进入科研领域最大的尴尬。 有时，它确实能告诉你「应该怎么做」，但大多时候它却未必真的知道「实验到底发生了什么」。 看来大脑再强，没有一套能让AI理解的、统一的生物实验语言也不行。 这两年，虽然AI4Science很火，但真正进入产业核心链路的案例不多。 生物学科想要为产业贡献更多价值，实验室的工作必须可以被工程化、被重复执行。 最近，一篇发表在全球生物论文库bioRxiv上的研究，让行业看到了新的可能。 论文主要介绍两件事： AI看不懂生物实验？好，那就开发一套统一、好理解的生物学协议语言——Biology Protocol Language (BPL) 传统生物实验编程语言门槛高，科研人员很难独立编写、操作相关代码？别急，一切交给代码自动生成工具BPL-COGEN就行了。 我看了下作者单位，均来自Bota Biosciences（恩和科技），一家中国生物制造公司。 诶～专业的事还是得交给专业人来做啊。（doge） 为什么AI迟迟进不了生物制造？ 说出来你可能不信。 都已经全民AI时代了，很多顶尖生物科学家依然被困在实验台前。 在移液枪和培养皿之间，他们每天都要消耗大量时间，手工作业。 这些设备构成了现代生物制造最核心的生产力，但同时也构成了最大的效率瓶颈。 原因很简单，生物实验天然很难标准化。 △AI生成 同一个实验，不同实验员操作习惯不同；同一种设备，不同厂家接口格式不同；同一份实验记录，不同团队的数据结构也完全不同。 结果就是，实验室里最宝贵的经验，大量沉淀在人脑中。 一个实验在A实验室成功了，换个地方可能就复现不出来。 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。 但这条链路也高度依赖人工经验。 现阶段生物学领域仍依赖自然语言文本撰写实验方案。 比如：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 对于人类来说，这种描述没有问题。但对于机器来说，这几乎等于没说。 5毫升加到哪里？培养多久？“轻轻”到底有多轻？ 每个模糊表达都会带来执行上的歧义。 而在软件工程、芯片设计等行业，这类问题几十年前就被解决了。 程序员不会写一句“差不多运行一下”，芯片工程师也不会写一句“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。只有这样，系统才能稳定运行。 生物制造长期缺少的，正是这样一种语言。 过去二十年，学界并非没有尝试改变过。 BioCoder、Autoprotocol、Antha、LabOP等标准化方案格式相继出现。 但要么表达能力有限，要么须绑定特定设备，要么使用门槛过高。 最关键的是，两大难题始终没解决： 一是自动生成能力不足，方案泛化性差，相关脚本、配置需科研人员手动编写，开发周期冗长； 二是无法保证足够高的执行精度。 这些年，生物制造想拥抱AI，又困于AI，AI4Science总卡在最后一公里。 BPL来了！ 恩和科技AI与Computation总监Alex Song说了一个非常现实的问题。 很多顶刊论文，即使发表在Nature、Science上，别人想复现实验，依然困难。 不是科学原理不公开，而是实验过程缺少统一表达方式。 对于恩和来说，这个问题更加迫切。因为他们本身就在做AI驱动的生物制造。 恩和过去造AI，大模型生成的也是自然语言。那么如何与实验室里的自动化设备进行交互？中间就必须有「翻译」的过程。 你总不想机器人做一个实验，今天可以做得出来，明天做不出来了吧？ 在这样的背景下，恩和开发了BPL语言。 如果一定要找一个类比，BPL之于生物实验，有点像Python之于编程。 大家看到的是应用，终端看到的是代码。 同样的道理，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。 只有完成这层转换，实验才能被工程化，才能被重复。 更重要的是，BPL不仅是一种描述语言，还是一种可编译语言。 写过程序的人都知道，代码正式运行前要先编译。编译器会检查语法错误、逻辑错误和运行风险。 BPL也是一样。 在实验开始之前，它会先完成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、步骤之间是否存在逻辑冲突。 一旦发现问题，系统直接报错。而不是等整个实验失败了再返工。 这意味着，过去实验室里加高的试错成本，现在提前在数字世界里解决了。 但光有语言还不够，写代码的问题咋办嘛。你总不能要求每个生物学家都变成程序员吧？ 基于BPL，恩和进一步开发了BPL-COGEN。 比如你告诉它：完成PCR（临床基因扩增）实验。 系统会自动把自然语言翻译成标准化BPL代码，随后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 整个逻辑很像Claude Code、Cursor。只是写的不是软件代码，而是实验代码。 话又说回来，BPL-COGEN靠谱吗？ 论文里写道，为了量化生成防范的精准度，团队从《Nature Protocols》中选取了30篇经典实验方案，覆盖分子生物学、细胞培养、生化分析等多个领域。 注意，关键一步来了。恩和构建了Benchmark基准测试集。 这是之前没有过的创新点。 该Benchmark采用大模型评审+编译器客观校验结合的模式，从内容匹配度、方案有效性、实验完整性三个维度给实验打分。 结果相当亮眼：同一实验重复生成10次代码，98.3%的结果完全一致。 综合得分达到95.1分，其中方案有效性得分高达98.7分。 恩和团队并没有止步于「干实验」，还同步做了两个「湿实验」验证。 1、同一份BPL代码，一边转成人工操作说明书，一边转成自动化移液机执行脚本。 两套体系测序、荧光检测结果无显著差异。 2、液相色谱实验，将原本32分钟的分析流程被自动转换成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。 值得一提的是，Benchmark基准测试中，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82.3%，最多三轮自动修复后整体通过率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。 有了全套的底层技术，接下来就要考虑如何高效完成产业化落地。 基于BPL语言，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。 它的定位很明确，AI科学家。 很多人理解中的AI科学家，往往停留在文献搜索或者实验建议阶段，但SAION AI的能力更全面，覆盖整个科研闭环。 比如，现有科研人员想研发一款高效产酶的菌株。 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%。 系统就会自动检索文献，分析技术路线，筛选出关键技术要点，生成详细到每一步操作的实验方案。 随后，这份方案会通过恩和自研的BPL语言，直接传输到恩和的「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，所有数据会自动回流至SAION AI。模型再通过分析数据，继续优化下一轮实验设计，形成完整闭环。 △AI生成 当实验可以被标准化描述，AI才第一次真正理解生物制造。 从架构来看，SAION AI由三层组成： 认知层：负责理解科学问题和生成实验方案。 控制层：负责BPL编译、校验和任务编排。 执行层：负责驱动真实实验设备完成操作。 整个过程像一个不断进化的科学大脑。这恰恰是Physical AI最核心的特征。 为什么我们要用菌株工程场景举例呢？在生物制造里，这是最核心、最基础的内容之一。 它与生物元件共同组成了生物制造的核心资产，几乎是所有工业化生产绕不开的起点。 传统模式下，在单个研发项目里，一年大约完成500个菌株实验。 但在SAION AI加持下，效率直接开挂。 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。 与很多AI创业公司不同，他们从一开始就没有把全部赌注押在模型上，而是同步建设了一座由Physical AI驱动的「生物铸造厂」Cell2Cloud。 这套系统覆盖菌株工程、工艺开发到规模化生产全流程，最初看是在解决实验室自动化问题，如今却更像是一次面向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。尤其是在生物制造这种物理约束极强的行业里，高质量真实实验数据比模型本身更难获得。 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，构建起行业少有的数据飞轮。 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。 某种程度上说，很多公司在训练AI，恩和则是在建设AI科学家的训练场。 这套体系背后的推动者，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，随后获得哈佛医学院与MIT联合培养的医学工程与医学物理博士学位，是2025年世界经济论坛「全球青年领袖」。 博士期间，她曾以第一作者/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，她带领团队构建起BPL、Cell2Cloud和SAION AI三大核心能力。 看似是三项技术，本质上却指向同一个目标：把AI从「纸上推理」变成能够7×24小时自主完成湿实验的AI科学家。 这种路线很早就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，恩和已将技术能力转化为面向食品、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、百雀羚等企业建立了合作。 如果说BPL解决的是AI如何理解实验，那么恩和想证明的，则是另一件更大的事： 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，把知识变成机器能够理解的规则。 半导体产业就是最典型的例子。 在EDA（电子设计自动化）出现之前，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，不只是提升效率，而是第一次把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，就不会有今天的半导体产业。 而今天的生物制造，正处在类似阶段。 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的意义早已不只是提高实验效率。 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。

Site key	qbitai
Policy area	生物制造
Category	report
AI score	0.22

Difficult to Reproduce Biology Experiments? Unified Protocol Language Now Available with 98.6% Compilation Pass Rate

顶刊生物实验难复现？统一操作话术来了！编译通过率98.6%