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：
02:58-12:57｜ AI for Bio，正在进入一个新的阶段
12:58-15:42｜为什么全球顶级 AI 公司，都还没有真正走进实验室
15:43-32:26｜生命科学实验室的 Physical AI 对真实变革的意义
32:27-1:12:18｜ProtoPilot 为什么能够领先主流大模型
1:12:19-1:13:58｜为什么需要 Agent 评测体系
以下为全文对话：
DeepTech：请你先介绍下自己的工作背景和目前关注的方向。
杨梦：我个人的求学经历具有比较明显的交叉学科背景。
本科期间我主要从事合成生物学研究，是较早参与 iGEM 比赛的一批学生，当时主要做基因线路设计，很早就接触到了干实验和湿实验，也切身体会到实验环节可能是生命科学研究中一个很难跨越的鸿沟。
硕士阶段我开始接触化工、生物化工领域的数字化仿真与模拟，这段经历对现在的工作很有帮助，涉及对复杂工程系统的建模，也与目前比较热门的 Physical AI 有一定关联，就是把物理定律作为约束引入大模型架构，为我理解物理驱动、具有物理约束的大模型奠定了基础。
后来我又接触到了生命科学的组学研究，组学数据本身非常复杂，也由此看到了利用 AI 处理大规模数据的潜力。从本科、硕士到博士阶段的经历，让我逐渐理解了生命科学系统的复杂性，也认识到了当前生命科学研究的边界。
我在华大工作已经有 11 年，曾在不同部门任职，在华大智造做过测序仪，也参与过实验室自动化设备的研发。现在我孵化了一家叫“涌生智能”的子公司，专注于打造自主进化实验室。我们希望以 AI 原生的方式组织团队、开发产品和解决方案，最终打造能够自主进化的实验室，赋能合作伙伴，帮助他们提高研发效率。
从产业角度，我们希望通过 AI 原生实验室创造新的 IP 和产品；从科学角度，我们希望帮助合作伙伴发现新的机制和机理，进一步探索和挑战人类对生命科学的认知边界。
DeepTech：2026 年上半年，AI 用于生命科学的研究再次爆火。在大语言模型时代，AI 赋能生命科学具体有哪些进展？
杨梦：生命科学研究已经进入到了数据驱动的研发范式，这一趋势与 AI 技术的发展路线不谋而合。面对数据驱动的研究，运用最新的计算工具，特别是利用 AI 理解复杂的生命系统，是一个非常自然的过程。
以基因组研究为例，每个人的基因组中都有数百万个突变或变异。过去，研究人员可能主要采用统计检验等相对简单的方法进行分析。未来，随着不同维度组学数据的积累，我们可以利用更复杂的模型开展研究。当然，大家还会进一步追求模型的可解释性，使其真正帮助我们理解生命系统。我相信，这将把生命科学研究带到一个全新的维度。
这两件事情恰好发生在同一时间节点，这也是近期 AI for Bio 成为全球热点的重要原因。
DeepTech：OpenAI、Anthropic 以及 Google DeepMind 都在积极布局 AI for Bio。你怎么看这一轮行业的变化，尤其是 AI 公司向生命科学领域进行前沿探索？
杨梦：我觉得这几家公司中，布局最早、根基最深的还是 DeepMind。AlphaFold 已经获得了诺贝尔奖，Demis Hassabis 对 DeepMind 的愿景，一直是希望通过 AI 推动新的科学突破。
OpenAI 和 Anthropic 的出发点有所不同。这两家公司都依靠大模型实现了较为成功的商业化，只是一个更偏向 To C，另一个更偏向 To B。
我个人认为，它们将这些工具应用于生命科学，一方面也是在向资本市场展示一种面向未来的愿景。无论是对投资人还是对公众而言，都是一个很好的愿景：AI 不仅可以生成视频、进行对话，还能够推动生命科学和制药领域的发展。
另一方面，制药本身是一个高投入、高风险、高回报的行业。在 AI 的加持下，逐渐有通过 AI 设计的分子进入临床 Ⅱ 期、Ⅲ 期。大家也看到了制药行业能够为这些公司的估值和模型应用带来的全新场景。
所以，这三家公司虽然出发点不同，但都是一个非常自然而然的过程。
DeepTech：从早期的 AI 制药，到如今利用大模型驱动生命科学研究，作为从业者，你观察到的最大变化是什么？
杨梦：早期的 AI 制药，可能更多是利用某个模型解决制药流程中的一个具体问题，例如预测亲和力、溶解度，或者设计一个具有更好结合力的分子。
大模型则可以把复杂的制药工作流串联起来。有了基座大模型之后，我们可以通过它编排不同的专家智能体或子智能体，覆盖整个制药流程，从分子设计，到 Hit、Lead 阶段，再到临床前研究和临床试验。
特别是，现在的 AI 已经具备了较好的基础知识。在早期分子发现阶段，它就有可能兼顾后期的一些问题，例如临床试验招募、适应症选择和患者分层等。
所以我认为，基于基座大模型的 AI 制药与过去 AI 制药之间的一个关键区别，就是它不再只解决某个单点问题，而是能够贯穿和协调整个制药流程。
DeepTech：你们团队发表了多篇关于 Agent 应用于生命科学的论文，你们是从什么时候开始关注 Agent，又是什么时候开始尝试让 AI 跑通整个科研流程的？
杨梦：就跑通整个流程而言，目前还没有谁能够真正做到。我们引入 Agent，是希望它至少可以应用于一些相对标准化、允许反复试错，或者人工操作较为繁琐的流程，从而释放科研人员的能力。
我们最早关注 AI 可以追溯到 BERT 时代。大约在 2020 年，我们用 BERT 训练人类基因组数据，构建了基因组语言模型，后来又陆续开展了单细胞模型和蛋白质设计模型的研究。
到 2023-2024 年，我们在实际工作中遇到了引物序列设计这个比较繁琐的场景，涉及多轮试错、迭代和实验验证。当时 Agent 刚刚崭露头角，架构还比较简单，也没有充分考虑 Harness 等问题。从那时候开始，我们就希望引入 Agent，解决一些需要自主迭代和试错的工作。
直到 2025 年底，Agent 的能力出现了本质提升，特别是在 Coding 领域，已经能完成工具调度、记忆保存、经验沉淀等任务。于是我们开始把 Agent 引入实验室，覆盖项目设计、流程设计、自动化脚本编写和方案迭代等环节。
我们认为，这一轮发展基本上把 Agent 的架构推到了工程可用的阶段，所以也开始用 Agent 赋能实验室自动化业务。
DeepTech：目前 Agent 还不能跑通生命科学研究的全部流程。那么，涌生智能现阶段重点发力的是哪个环节？
杨梦：生命科学包含很多细分方向，同时在一定程度上仍然是一个由经验驱动的研究过程。因此，真正实现端到端目前还是一种理想状态，但未来一定会朝着这个方向发展。当然，“端到端”也可以被定义在某个具体模块之内，比如从序列设计到功能验证，至少在部分细分领域，已经可以实现一定程度的端到端。
我们目前专注于一些需要大量试错、实验过程冗长、同时对操作标准化和结果重现性要求较高的领域，希望在这些场景中打造端到端的智能体。
最近我们重点开展的工作，是优化靶向测序建库的实验流程。这个过程需要不断试错、持续调整实验参数，最终实现更好的靶向测序效果。这也是一个相对聚焦的领域，同时也是母公司华大智造积累比较深厚的方向。
我们既有实际应用场景，也有一批领域专家，可以通过人在环路的方式对数据进行清洗和整理，使这些知识与数据能够被 Agent 或 AI 理解和利用。在此基础上，我们专注于打通一个完整闭环：从理解建库实验意图，到设计建库实验流程、编写机器运行脚本，再到分析建库数据并进行迭代。现阶段，我们希望在这一相对封闭的场景中，利用多智能体赋能生命科学研究，先把这项工作做扎实。
图 | 从科研目标到湿实验反馈的闭环流水线（来源：涌生智能）
DeepTech：OpenAI 和 Anthropic 在生命科学领域的探索，更多是从自身模型能力出发，但目前更多停留在干实验阶段，还没有真正进入实验室。而建库等过程涉及大量湿实验，需要干湿结合。你认为它们在模型方面的努力，距离真正进入实验室还有多远？
杨梦：我觉得对于这些模型巨头来说，如果决定自建实验室，凭借自身的模型能力，完全有可能自上而下地打造一座 AI 原生实验室。我看到消息说 Anthropic 也在考虑自建生命科学实验室，OpenAI 也孵化了一些相关项目，Sam Altman 本人也投资了一些做诱导多能干细胞研究的公司。所以我认为，他们一定会从基座模型能力出发，从第一天就把整个实验室按照 AI 原生的方式设计。
我们的出发点不同。我们已经有实际的应用场景和明确的需求，所以会先聚焦某个具体模块或单点问题，率先让 AI 在这个环节跑通。我们本身就有很多专家员工，每天都在真实世界里做这些工作。我们做的事情，简单说就是利用基座模型，做 Harness Engineering，把专家经验转化为可持续沉淀、更新和迭代的知识，固化在 AI 系统里。随着更多员工和合作伙伴开始使用这样的 AI，我们希望把“人在环路”的知识沉淀机制做扎实。
大家最终追求的目标都一样，就是实现干湿实验闭环。我们的路径是一步一个脚印，先把每一个子模块的干湿实验闭环做好，再逐渐走向端到端。受资本体量、叙事逻辑和商业模式等因素影响，大家选择了不同路径：模型公司偏自上而下，我们偏自下而上。
DeepTech：目前，AI 更多存在于屏幕之中，即便是 Physical AI，现阶段也主要用于操作机器人。为什么实验室自动化比模型研发更复杂？
杨梦：我觉得大模型进入真实的物理世界时，都会遇到类似的问题。
目前大模型商业化表现较好的场景主要是 Coding 和文生视频，金融、保险理赔、法律等服务行业也在逐步应用 AI，因为这些行业本身数字化基础较好，可以在现有流程上叠加智能体能力。
但实验室需要直接与物理世界交互。我们既要让大模型和 Agent 保持智能，又要确保它们在明确的边界内安全运行，尽可能减少幻觉，这本身就是一项复杂的工程。
实验室自动化也在逐步从单一功能自动化、流程自动化走向智能化。目前图像识别、细胞分割和参数设计等环节已经可以实现部分自动化。未来在 Agent 的加持下，实验室有望进一步实现自主运行、自主设计实验乃至自我进化，但这需要逐步建设。
其中最复杂的一点是，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也有自身的能力边界。所以从手工实验到自动化实验不是简单平移，而是需要重新迭代和优化。机器操控液体、细胞和微生物，还涉及传感器、控制逻辑等复杂问题。只有经过长期的工程和产品积累，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。
图 | 五层实验数据表征框架（来源：涌生智能）
DeepTech：你希望利用 AI 解决哪些问题？是理解实验人员的意图并生成 Protocol，还是把人工实验转换为机器可以自动执行的流程？
杨梦：我们的终极目标是解决所有环节的问题，现阶段的思路是先在一个具体场景中打通端到端流程。比如在测序建库场景中，我们希望把从实验意图理解、Protocol 生成、设备执行到数据分析与反馈的整个流程打通。
我认为只有打通端到端流程，才能沉淀最有价值的数据。无论未来是训练新模型、对模型进行后训练和微调，还是开发 Agent，这些端到端数据都非常重要。因为真正的智能需要具备向前规划多步的能力，而完整的端到端数据正是实现这一能力的基础。
DeepTech：你所说的端到端，是让 AI 拆解并完成每一个步骤，还是像端到端自动驾驶一样，由一个模型直接完成整个流程，不需要中间的接口转换？
杨梦：我们目前采取的是一种比较务实的路径：让 AI 在每一个功能或模块中形成闭环。比如理解实验意图这一环节，可以通过基座模型与相关知识的注入，让 AI 在与人的持续交互中逐步提升能力。
所以我们不追求单一模型的端到端，而是追求整个工作流的端到端。工作流的主干可以是相对固定的，每一个模块则充分发挥 AI 的能力，通过 Harness、持续学习和自我进化完成具体任务。
简单来说，就是以相对固定的工作流为主干，让 AI 在每个模块中充分发挥潜力。
DeepTech：在自动化实验设备与 AI 结合方面，目前的现状和挑战是什么？