涌生智能联手上海人工智能实验室发布重磅成果,构建生命科学领域的Physical AI体系

AI for Bio的行业竞争，正在从一个老问题走向一个新问题：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，能不能面对真实的实验室”。

谁在关注这个命题？

最近一年，以OpenAI、Anthropic为代表的海外科技巨头，纷纷把目光投向了更下游、更主动的方向：假设生成、实验设计、参数空间探索、药物发现、蛋白工程、自动化实验。

说明了什么？

AI for Bio正站在从量变到质变的临界点上。这个节点之上，华大智造子公司涌生智能携手上海人工智能实验室，最新发布了自研突破性成果：一个自进化多智能体系统，让AI agent真正进入了生命科学实验室的物理世界；打造出了一个业界稀缺的、面向真实生命科学任务的评价体系。

最重要的是，AI走进了真实实验室，实现了生命科学的干湿闭环。

而这，是目前全球知名大模型都未能达成的目标。

AI for Bio的关键拐点：从“理解知识”到“生成行动”

涌生智能与上海人工智能实验室联合发布的两项成果包括：

ProtoPilot——真实实验室场景驱动的自进化多智能体系统；以及BioLab Bench——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。

前者覆盖Design2Protocol、Protocol2Code、设备执行到湿实验反馈的完整链路；后者为这套链路提供了可量化、可比较、可迭代的标尺。

它们共同回答了一个行业悬而未决的问题：AI能不能不仅会"想"实验，还能真正"做"实验？

生命科学实验室的Physical AI，身体就是实验室本身。设备能被代码驱动，Agent才有手；SOP数字化、机器可读，Agent才听得懂实验语言；湿实验结果能回流成信号，Agent才睁得开眼；真实约束、失败案例与专家判断不断注入，它才学得会从每一次失败里长出新的本能。

手、眼睛、语言、会学习的神经都接上了，身体才真正活起来。

这也意味着行业需要新的基础设施：

一方面，需要能评价生物智能体（Bio Agent）真实实验链路能力的评测标准（benchmark）；

另一方面，需要能接住模型、连接专家、设备和湿实验反馈的Bio Agent Harness。

AI Agent走进了真实的实验室

涌生智能与上海人工智能实验室联合构建的多智能体系统ProtoPilot —— 它把实验意图翻译成方案与代码，没有停留在打分和文本评估，而是把系统生成的流程真正放进湿实验里执行。它将自然语言实验需求贯通到protocol生成、SOP合成、自动化代码转换、设备执行和实验反馈优化，形成从实验意图到真实执行的闭环系统。

如上图所示，根据性能评测得分：ProtoPilot在开放式回答上超越了GPT5.6-sol，在非开放式问答上首次超越人类专家。

跨进真实世界之前，Physical AI需要一个新的度量衡

Physical AI不能只看模型会不会生成漂亮答案，而要看它能不能把实验意图转化为真实世界中可执行、可验证、可复现的动作。因此，此次构建的面向真实实验任务的评测体系BioLab Bench，衡量的不是“模型说得对不对”，而是“系统能不能在真实自动化设备上跑得通”。

真实任务：BioLab Bench覆盖从基础操作到复杂多步骤流程的真实实验任务，并按L1-L3难度分层。

评估完整链路：BioLab Bench不只看Agent能否生成protocol，而是评估实验意图能否转化为方案、设备无关SOP、设备相关SOP和机器可执行代码，并通过执行gate。

跨设备迁移：BioLab Bench可以放到不同的实验室自动化设备上检验，观察 AI是否能理解实验任务，并生成适配不同平台的可执行动作，从而评估Agent的跨设备能力。

当模型平权，Physical AI的胜负手在哪

模型那一侧正在被所有人买到、迅速拉平；而模型够不到的“物理那一半”（真实设备、真实湿实验、真实失败、真实约束）不能下载、难被蒸馏，只能一次次地通过实验试错和进化。所以当模型平权，差距只会落到谁手里有"真实世界这一侧"。

对Physical AI来说，真正稀缺的从来不是更多"看似合理"的答案，而是这些来自真实实验现场的问题、约束和反馈。模型可以买、可以训，但真实道路只能自己修。

干湿闭环，AI自进化的训练场

模型在“干”的一侧提出假设、设计实验、生成方案与代码；自动化设备在“湿”的一侧完成执行、记录结果、暴露问题。真实数据再回流给模型，推动下一轮更准确的设计。

在这套闭环里，真实实验室本身就是训练场。每一次执行、每一次失败、每一次修复，都变成系统下一轮变强的真实信号。这就是生命科学实验室的 Physical AI——它不会从聊天框里长出来，它只能从真实实验室中孕育出来。

从“单点发布”到“体系联动”

本次成果的发布，不是一次孤立的技术演示，而是涌生智能在AI for Bio整体布局中的关键落子，与华大智造现有业务体系形成多向联动。

对αLab Brain智能体系统

首先，涌生智能前不久推出了αLab Brain智能体系统，αLab Brain的核心是Bio Agent Harness。而此次发布的Biolab Benchmark和ProtoPilot能够直接反哺αLab Brain的任务理解、protocol生成、设备workflow转换、专家审查和结果反馈能力，使其从"实验室智能助手"进一步升级为可评估、可修正、可持续进化的实验室伴侣。

对SE-Fab干湿闭环

SE-Fab已将主动学习、自动化实验和DBTL闭环推进到AI-native biofoundry。ProtoPilot与Benchmark进一步补强了从实验意图到执行流程的Agent链路，让设计、构建、测试、学习的每一个环节都接得更紧，每一次真实任务、失败修复和专家反馈都可以沉淀为下一轮训练材料。

对华大智造的实验室自动化产品

药物发现和验证中基于AI的评分函数

对于华大智造现有的实验室自动化产品，比如PrepALL、AlphaTool、AIO一体机等设备而言，体系通过Protocol2Code和设备约束评估，能更好地接入生态。设备不再只是执行预设流程，而是进入更智能的实验任务链路。

行业长期价值：Bio Agent从“能生成答案”到“能完成科研流程”

站在生命科学与AI for Bio的全赛道视角，本次成果的发布将推动评价标准从“知识正确”走向“实验可用”。生命科学AI不应只停留在论文、问答和榜单分数中，而应接受真实实验任务、设备约束、专家审查和湿实验反馈的检验。

其次，为Bio Agent建立面向真实实验链路的共同坐标系，BioLab Bench有机会为Bio Agent提供共同任务、共同指标和横向比较方式，让行业更清楚地判断不同Agent的真实能力边界。

再者，它能证明Bio Agent可以从数字智能走向世界智能。ProtoPilot将用户意图、protocol、SOP、code、设备执行和实验反馈接成闭环，展示了AI进入真实实验流程的可行路径。

本次联合打造出来的生命科学实验室Physical AI，直指下一代生命科学发现范式。未来，Bio Agent不再只靠文本训练提升能力，而是依托Physical AI搭建的实验链路，持续积累真实科研任务、自动化操作、专家复核、失败样本与湿实验现场反馈。海量实体实验数据循环优化后，Bio Agent将形成兼具推理、实操、验证能力，落地7×24小时无人值守智能实验室。

此次华大智造旗下涌生智能与上海人工智能实验室的携手，将依托Physical AI 完成Bio Agent的核心跨越：从输出文字结论，升级为贯通全流程的科研执行者。它不仅证明AI可以自主开展生命科学实体实验，更完整回答了AI落地实验室的关键问题 —— 如何评测、训练、长效进化物理实验智能。

参考