顶刊生物实验难复现？统一操作话术来了，编译通过率98.6%

写代码、画图、生成视频这些，只是个开胃菜。如今，它甚至开始插手科学研究的核心环节了——阅读论文、提出假设、分析实验数据，乃至直接为科学家规划下一步的实验方向。

但若是真把这个“研究员”放进一间生物实验室，情况可能就完全不一样了。

原因其实很现实：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，背后都藏着极高的精度要求。一个单位写错、一个参数偏差、一个步骤顺序颠倒，整个实验结果就可能直接报废。

你说这AI是不是太傻？其实不然。

前段时间，被称为Anthropic“史上最强”的模型Claude Fable 5，一上线就因为风险过高被紧急叫停。

这恰恰是AI进入科研领域时面临的最大尴尬。

有时候，AI确实能告诉你“应该怎么做”，但更多时候，它未必清楚“实验到底发生了什么”。

说到底，大脑再强，没有一套能让AI理解和执行的、统一的

，终究是纸上谈兵。

这两年

概念虽然火热，但真正能进入产业核心链条的案例，其实并不多。

生物学科要想为产业贡献更大的价值，实验室里的工作就必须

。

最近，一篇发表在预印本平台bioRxiv上的研究，似乎让行业看到了新的可能。

这篇论文主要做了两件事：

首先，针对AI看不懂生物实验这个问题，研究人员开发了一套统一、好理解的生物学协议语言——

。

其次，考虑到传统生物实验编程语言门槛太高，科研人员很难独立编写和操作代码，他们又配套开发了代码自动生成工具

。

值得一提的是，论文作者单位均来自

（恩和科技），一家。专业的事，最终还是得交给真正懂行的人来做。

为什么AI迟迟进不了生物制造？

说出来你可能不信，在这个全民AI的时代，

。

移液枪和培养皿之间，他们每天都要消耗大量的时间进行手工作业。这些设备虽然构成了现代生物制造的核心生产力，但同时也构成了最大的效率瓶颈。

原因其实很简单：生物实验天然就很难标准化。

同一个实验，不同实验员的操作习惯不同；同一种设备，不同厂家的接口格式不同；同一份实验记录，不同团队的数据结构也完全不同。

结果是，

一个实验在A实验室成功了，换个地方可能就

。

数据难以积累，流程难以复制，自动化更难以形成闭环。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，效率低下。

现阶段，生物学领域仍普遍使用

来撰写实验方案。

比如：“加入5毫升试剂，在37度环境下培养一段时间，轻轻混匀。”

对人类来说，这种描述没有问题。但对于机器来说，

。

“5毫升”加到哪个容器？ “一段时间”具体是多久？ “轻轻”到底要多轻？每一个模糊的表达，都会在执行时产生歧义。

而在软件工程、芯片设计等行业，这类问题几十年前就已经被解决了。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

的描述语言。只有这样，系统才能稳定运行。

生物制造领域长期缺失的，正是这样一套语言。

过去二十年，学界并非没有尝试过改变。BioCoder、Autoprotocol、Antha、LabOP等标准化方案相继出现，但大多数要么表达能力有限，要么必须绑定特定设备，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，相关脚本仍需科研人员手动编写；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，却又困于AI，AI4Science总是卡在最后一公里上。

BPL来了！

恩和科技AI与Computation总监Alex Song提到了一个非常现实的问题：很多

，即便是发表在《Nature》《Science》上，别人。

问题不在于科学原理不公开，而在于实验过程本身缺少一种统一的表达方式。

对于恩和来说，这个问题更加迫切。他们本身做的就是

。过去他们用大模型生成的自然语言方案，与实验室里的自动化设备进行交互时，中间必须有一个“翻译”过程。你总不希望机器人做一个实验，今天能做出来，明天却做不出来吧？

正是在这样的背景下，恩和开发了BPL语言。

如果一定要找一个类比，

。大家看到的是应用，终端看到的则是代码。

同样的道理，科研人员看到的是实验方案，而实验室设备看到的则是标准化协议代码。只有完成这层转换，实验才能真正被工程化、被重复。

更重要的是，BPL不仅是一种

，还是一种。

写过程序的人都知道，代码正式运行前需要先编译。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

：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，

。

但光有语言还不够，写代码的问题怎么解决？总不能要求每个生物学家都变成程序员。

基于BPL，恩和进一步开发了

。比如你告诉它：“完成PCR实验”，系统会自动将自然语言翻译成标准化的BPL代码，随后进入编译器检查环节：

，直到代码通过编译与仿真校验，系统才会将合规指令同步到实验室，启动实体实验。

这个逻辑很像Claude Code、Cursor，只不过写的不再是软件代码，而是实验代码。

那么，BPL-COGEN的可靠性到底如何？论文中给出了答案。为了量化生成方案的精准度，团队从《Nature Protocols》中选取了

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。

关键一步来了：恩和构建了一个

。这是前人没有做过的创新。

该Benchmark采用

结合的模式，从三个维度进行评分。

结果相当亮眼：同一实验

，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

来验证：

1、同一份BPL代码，一边转换乘人工操作说明书，一边转换成自动化移液机执行脚本。两套体系下，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，在Benchmark基准测试中，编译器累计检出了343项问题，包括单位不匹配、容器过载、试剂未定义等。模型首轮生成的代码编译通过率为82.3%，最多经过三轮自动修复后，

，仅有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。有了全套底层技术，接下来就要考虑

。

基于BPL语言，恩和科技发布了

：SAION AI。它的定位非常明确——。

很多人理解的AI科学家，往往停留在文献搜索或实验建议阶段，但SAION AI的能力要全面得多，它覆盖了整个科研闭环。

举个例子，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、筛选关键技术要点，并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

。

实验完成后，所有数据会

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。

只有当实验能够

，AI才生物制造。

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。

这恰恰是Physical AI最核心的特征。

为什么我们要用

这个场景来举例？因为在生物制造里，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，单个研发项目一年大约能完成500个菌株实验。但在SAION AI的加持下，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，

。

背后团队

2019年，恩和科技在杭州成立。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

。

这套系统覆盖了菌株工程、工艺开发到规模化生产的全流程。最初看，它是在解决实验室自动化问题，但如今回过头来看，这更像是一次面向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

的行业里，高质量的真实实验数据，比模型本身更难获得。

Cell2Cloud持续产生着

，同时连接着百万级的文献与专利知识，构建起行业里少有的数据飞轮。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，而恩和则是在

。

这套体系背后的推动者，是

。

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

。

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了产业与资本的认可。2021年，恩和科技完成了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

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不光是机器人行业的未来，它同样正在深刻地重构生物制造的生产方式。

One more thing

任何产业要走向规模化，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

出现之前，芯片设计高度依赖工程师的个人经验，验证成本高、试错周期长。EDA的价值，不只是提升了效率，而是第一次把芯片设计转化成了可描述、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，正处在类似的阶段。

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那么简单。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。