60
0随着 Google DeepMind、OpenAI、Anthropic 等科技巨头相继进入生命科学领域，AI for Bio 的竞争也在发生变化：行业关注的问题，已经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，把实验做出来。
从科学假设生成、实验方案设计，到药物发现和蛋白质工程，大模型已经展现出强大的知识与推理能力。但生命科学研究并不只发生在屏幕之中。一个实验意图要变成真实结果，需要依次经过实验方案、标准操作流程、仪器执行和反馈修正。其间涉及样本、耗材、体积、温度、孔位和设备接口等大量物理约束，任何一个环节出现偏差，都可能导致实验失败。
这也是 AI for Bio 长期停留在“会想不会做”阶段的原因：AI 可以生成一份看似合理的实验方案，却很难把它转化为机器能够理解和执行的动作，更无法在真实湿实验失败后总结原因、调整方案并重新尝试。
近期，华大智造旗下子公司涌生智能与上海人工智能实验室联合发布的两项成果，为跨越这道鸿沟提供了一条新路径：真实实验室场景驱动的自进化多智能体系统 ProtoPilot，以及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 BioLab Bench，交出了全球生命科学实验室首份 Physical AI 答卷。
（来源：涌生智能）
其中，ProtoPilot 打通了从自然语言实验需求、Protocol 生成、SOP 合成和自动化代码转换，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，它已经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。
BioLab Bench 则面向真实生命科学任务，衡量智能体能否把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。它所考察的不只是 AI 懂不懂实验，而是 AI 能不能完成实验。
二者共同补充了行业所需要的新的基础设施：设备可以被代码驱动，Agent 才拥有“手”；实验结果能够回流，Agent 才拥有“眼睛”；真实失败和专家判断持续沉淀，系统才可能在一次次实验中学习和进化。
为了解这些成果背后的技术路径与产业思考，我们邀请了这项研究的主要领导者、华大智造首席 AI 官、华大涌生智能 CEO 杨梦博士进行深度对话。
杨梦曾赴麻省理工学院攻读并获得化学工程硕士学位，并在哥本哈根大学取得计算生物学博士学位。从合成生物学、复杂工程系统建模，到组学数据分析和实验室自动化，这条交叉学科路径，让他既理解生命系统的复杂性，也熟悉如何利用 AI 和工程技术把科研设想转化为可执行的实验流程。
在华大工作的十余年间，杨梦曾是前沿技术 X 研发中心、自发光测序仪研发中心和实验室自动化业务的负责人，主导开发自发光半导体测序仪、AI 驱动的实验室自动化系统和超声影像机器人等产品。他在 Nature Biomedical Engineering、Nature Machine Intelligence、Nucleic Acids Research 等期刊以第一作者或通讯作者发表论文 15 篇，拥有发明专利 40 余项。
2026 年，他以内部创业方式推动创立涌生智能，定位为 AI for Bio 自进化实验室与干湿闭环基础设施创新企业，致力于将 AI Agent 与实验室软硬件深度融合，构建能够自主设计、执行、分析并持续迭代实验的自进化实验室，让科学发现更加规模化、标准化和可持续进化。
在这场对话中，我们和杨梦深入探讨了为什么全球大部分 AI 公司都还没有真正走进实验室？生命科学实验室的 Physical AI 对真实变革有什么意义？ProtoPilot 为什么能够领先主流大模型？为什么需要 Agent 评测体系？以及当 AI 开始执行实验，人类科学家将迎来怎样的新角色？
时间线：
-｜ AI for Bio，正在进入一个新的阶段
-｜为什么全球顶级 AI 公司，都还没有真正走进实验室
-｜生命科学实验室的 Physical AI 对真实变革的意义
-｜ProtoPilot 为什么能够领先主流大模型
-｜为什么需要 Agent 评测体系
