顶刊生物实验难复现？统一操作话术来了！编译通过率98.6%

这年头，AI能做的事越来越魔幻了。写代码、画图、生成视频，这些都只能算基本功。更夸张的是，它已经开始涉足科学研究：读论文、提假设、分析实验数据，甚至帮科学家设计下一步的实验方案。听起来，就像是一个“全能研究员”正在崛起。

但你真把AI请进一间生物实验室试试？情况可能完全是另一回事。

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，每一步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，实验结果就可能直接报废。

是AI太笨？当然不是。前段时间，被称为Anthropic“史上最强”的Claude Fable 5，刚上线就因风险问题被紧急叫停。强推理能力，既是科研利器，也是安全隐患——这正是AI进入科研领域最大的尴尬。

简单来说，它有时能告诉你“应该怎么做”，但更多时候，它未必真的知道“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

，也是白搭。

这两年，“AI4Science”这个概念很火，但真正落到产业核心链条里的案例并不多。生物学科要想为产业贡献更大价值，实验室的工作就必须

。

最近，一篇发表在bioRxiv上的研究，让行业看到了新的可能。

这篇论文主要讲了两件事：

• 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，科研人员很难自己写代码？别担心，交给代码自动生成工具

  BPL-COGEN
  就行了。

作者单位均来自

（恩和科技），一家。看来，专业的事还是得交给专业的人来做。

为什么AI迟迟进不了生物制造？

说出来你可能不信，都已经是全民AI时代了，

。在移液枪和培养皿之间，他们每天都要消耗大量时间，进行手工作业。

这些设备构成了现代生物制造最核心的生产力，但同时也成了最大的效率瓶颈。

原因很简单：生物实验天然就很难标准化。

△AI生成

同一个实验，不同实验员操作习惯不一样；同一种设备，不同厂家接口格式不统一；同一份实验记录，不同团队的数据结构也千差万别。结果是，

。一个实验在A实验室成功了，换个地方可能就。数据难积累，流程难复制，自动化更是难闭环。

整个行业长期依赖DBTL（设计-构建-测试-学习）循环，但这条链路高度依赖人工经验。现阶段，生物学领域仍普遍使用

来写实验方案，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

对人类来说，这种描述没问题。但对于机器来说，

——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

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，学界并非没有尝试过改变。BioCoder、Autoprotocol、Antha、LabOP等标准化方案相继出现，但要么表达能力有限，要么需绑定特定设备，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，却又困于AI，AI4Science总卡在最后一公里。

BPL来了！

恩和科技AI与Computation总监Alex Song点出了一个绕不开的现实：很多发表在顶刊上的论文，即使是Nature、Science级别的，

。不是科学原理不公开，而是实验过程缺少统一的表达方式。

对恩和来说，这个问题更加迫切，因为他们本身就在做

。过去，他们训练的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交互？中间就必须有一个“翻译”的过程。总不能让机器人做一个实验，今天能做出来，明天就做不出来吧？

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，

——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

，还是一种。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，

。

不过，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吧？

基于BPL，恩和进一步开发了

。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的BPL代码，随后进入编译器检查环节：，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。只不过写的是实验代码，不是软件代码。

话又说回来，BPL-COGEN靠谱吗？论文里提到，为了量化生成的精准度，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，。

该Benchmark采用

结合的模式，从三个维度给实验打分。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

验证：

1. 同一份BPL代码，一边转乘人工操作说明书，一边转成自动化移液机执行脚本。两套体系的测序、荧光检测结果无显著差异。
2. 液相色谱实验中，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为82.3%，最多三轮自动修复后

，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

。

基于BPL语言，恩和科技发布了

：SAION AI。它的定位很明确——。

很多人理解中的AI科学家，往往停留在文献搜索或实验建议阶段，但SAION AI的能力更全面，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

。

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。

△AI生成

只有当实验可以

，AI才了生物制造。

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。

为什么用

场景举例？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，

。

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”

。

这套系统覆盖了菌株工程、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

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

，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。

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

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

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。