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。

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。

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。

△

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。

△

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。