涌生智能发布ProtoPilot与BioLab Bench，推动AI for Bio进入实验闭环验证阶段

涌生智能与上海人工智能实验室联合发布的ProtoPilot，是全球首个在真实实验室场景中实现自进化的多智能体系统。它打通了从自然语言实验需求、Protocol生成、SOP合成、自动化代码转换，到设备执行、实验反馈与方案优化的完整链路。在菌液培养、菌落PCR、质粒构建、定点突变和DNA组装等实验中，ProtoPilot已将生成的流程放到真实设备上执行，并能根据失败结果修正方案、再次实验。

这一突破的关键在于解决了AI“会想不会做”的长期痛点。杨梦指出，AI可以生成看似合理的实验方案，但很难将其转化为机器可理解和执行的动作，更无法在真实湿实验失败后总结原因并调整。ProtoPilot通过将物理约束（如样本、耗材、体积、温度、孔位和设备接口）纳入系统，使AI具备了“手”和“眼”——设备可被代码驱动，实验结果能够回流，失败和专家判断持续沉淀，系统得以在迭代中学习进化。

与ProtoPilot同时发布的BioLab Bench，是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。它衡量智能体能否将实验意图转化为方案、SOP和机器可执行代码，能否适配不同品牌的自动化设备，并最终通过真实实验验证。杨梦强调，BioLab Bench考察的不只是AI懂不懂实验，而是AI能不能完成实验。

尽管Google DeepMind、OpenAI、Anthropic等科技巨头相继进入生命科学领域，但杨梦认为，它们目前仍停留在干实验阶段，尚未真正进入实验室。OpenAI和Anthropic更多是从自身模型能力出发，向资本市场展示愿景；DeepMind则根基最深，AlphaFold已获诺贝尔奖。但模型巨头若自建实验室，可能采取自上而下的AI原生设计路径。

涌生智能选择了不同的路径：自下而上，从具体场景切入。杨梦表示，公司目前专注于靶向测序建库等需要大量试错、实验过程冗长、对标准化和重现性要求高的领域。团队利用基座模型做Harness Engineering，将专家经验转化为可持续沉淀的知识，固化在AI系统中。随着更多员工和合作伙伴使用，逐步完善“人在环路”的知识沉淀机制。

杨梦认为，两种路径最终目标一致——实现干湿实验闭环。但受资本体量、叙事逻辑和商业模式影响，模型公司偏自上而下，涌生智能偏自下而上。他坦言，目前还没有谁能真正跑通生命科学研究的全部流程，端到端仍是理想状态，但未来一定会朝这个方向发展。

杨梦指出，大模型进入真实物理世界时都会遇到类似问题。实验室需要直接与物理世界交互，既要保持AI的智能，又要确保其在明确边界内安全运行、减少幻觉，这本身就是复杂工程。人工实验流程无法直接迁移到机器上：人工能顺利完成的SOP不一定适合自动化设备，液体工作站在移液精度和操作方式上有自身能力边界。从手工到自动化不是简单平移，而是需要重新迭代优化。

机器操控液体、细胞和微生物涉及传感器、控制逻辑等复杂问题。只有经过长期工程和产品积累，接触足够多的实验方案、液体、耗材、微生物和细胞，才能推动实验室从自动化走向智能化和自主化。杨梦强调，每一次设备操作背后都有深刻的逻辑原理与实践经验支撑，这是真正的行业Know-How。

涌生智能的终极目标是交付实验结果，而非仅销售设备。因此，公司考虑的不是某个模块的产品化，而是如何让整套生命科学工作流具备足够智能，并在每一步调用相应自动化设备。杨梦认为，限制AI向生命科学发展的往往不是模型能力，而是真实世界的硬件操作——物理设备存在误差，设备间工序转换极其复杂。

随着AI加入，实验室构成演变为“人+设备+AI”。杨梦认为，更好的路径是在每个模块中为AI设定足够规则和约束，通过良性人机互动，让AI协助人类触达此前未曾思考过的盲区。短期内，固定流程操作可交给机器人，但每一步决策和反馈仍需人类把关，且应由人类和AI协同完成。

杨梦指出，人类个体知识和经验存在局限。过去实验中一旦出现反常数据，往往被当作“系统误差”丢弃。但在AI时代，希望人与AI共同研判，精准分析反常数据究竟是仪器噪音还是潜在的新科学现象。这种协同探索模式，是AI时代实验室与过去最本质的不同。

针对AI“黑箱”导致的信任问题，杨梦提出从“自上而下”和“自下而上”两个维度解决：自上而下，为AI定义严密的Rubrics（验收和评估规则），将人类积累的评判规则转化为显性约束；自下而上，当遇到分布外泛化的新数据时，引入“第三视角”——利用未被偏见数据污染的底层大模型，从物理与科学第一性原理做交叉判断。