AI能设计蛋白质，却还做不了实验：下一代AI4S实验室该怎么建？

过去几年，AI 在蛋白质结构预测、分子设计等领域取得了显著进展。Google DeepMind、Anthropic 等科技公司已开始利用 AI 设计新的蛋白质，但这些计算端生成的候选方案，最终仍需要通过真实实验验证。

相比快速发展的计算设计能力，AI 对真实实验数据的理解仍存在明显不足。

11 月 6 日，OpenAI 发布了 BioBasicsBench 基准测试，专门考察 AI 分析日常湿实验数据的能力。测试涵盖 100 项任务，涉及凝胶电泳图、菌落培养皿、显微镜影像及仪器读数等常见实验材料。

结果显示，即便是表现最好的 GPT-6 Astra，在最高共同推理档位下，平均可得分数也只有 66.7%。模型仍可能忽略关键实验对照，或在菌落数量判断等基础任务中出现错误，距离可靠地独立分析实验结果还有明显差距。

（来源：OpenAI）

如何让 AI 获得更多可靠的实验数据，并利用这些反馈改进研究策略，正在成为 AI4S 发展的重要课题。自主科学实验室也因此逐渐进入科技公司的布局视野。

近日，腾讯首席 AI 科学家姚顺雨在 2026 未来科学大奖周上谈到了 AI4S 的演进方向：从专用模型、科研智能体，进一步走向能够自主构建工具的智能体。据相关媒体报道，腾讯也计划建设 AI 自主科学实验室，探索让 AI 端到端地执行复杂科研实验。

就在科技巨头开始规划之际，华大智造旗下专注 AI4S 方向的子公司涌生智能已在第九届中国国际进口博览会上发布了云端自主实验室 SE-Fab-SynBio，并展示了多项合成生物学成果。

（来源：涌生智能）

与大多数实验室自动化企业相比，涌生智能在生命科学 AI 领域已有多年的研究积累。在正式成立之前，华大智造涌生智能研究团队已通过发表于 Nature Machine Intelligence 的 Concerto 研究，利用自监督学习分析大规模单细胞数据，探索 AI 对复杂生物学数据的建模能力。随后，团队又在同样发表于 Nature Machine Intelligence 的 EvoPlay 研究中，引入强化学习优化蛋白质设计，并通过湿实验检验算法提出的候选方案。

随着大模型智能体技术的发展，团队正式设立子公司，进一步将研究延伸至真实实验流程。在发表于 Nature Biomedical Engineering 的 PrimeGen 研究中，AI 开始参与测序引物设计、实验流程生成和自动化设备控制，并根据实验反馈调整后续任务。从生物学数据建模，到蛋白质设计和实验验证，再到智能体参与真实实验，这些研究逐步积累了算法与实验结合的经验。

与此同时，涌生智能在实验室自动化系统及高通量数据生产方面的积累，使团队能够围绕具体科研任务，将 AI 算法与自动化设备结合起来。

在此基础上，涌生智能进一步构建了名为 World Loop 的科学智能体循环进化系统，希望将过去积累的 AI 算法、实验设备和真实数据连接起来。通过该系统，AI 不仅能够设计和执行实验，还能利用实验反馈持续调整研究策略，逐步改进自身的科研能力。此次发布的云端自主实验室，则为这一过程提供真实实验和数据反馈环境。

让 AI 在实验中学习，World Loop 如何实现自进化？

对于科学家来说，一项实验通常始于某个研究目标，但从提出假设到获得可靠结果，中间需要经历实验方案设计、操作流程编写、设备执行、数据分析和方案调整等多个环节。

目前，AI 已经能够协助科学家完成其中的一些任务，但要让这些能力真正形成闭环，还需要解决几个具体问题：如何将研究目标转化为设备能够执行的实验？如何让 AI 高效处理实验过程中的大量判断？当现有研究方法效果不佳时，AI 又能否主动寻找更好的方法？

围绕这些问题，涌生智能构建了 World Loop 科学智能体系统，由 ProtoPilot、Operon-S1 和 EnzymeRSI 三项研究共同提供技术支撑。三者分别作用于科研工作的不同环节，为 AI 从实验设计走向持续迭代提供技术支持。

（来源：涌生智能）

首先需要解决的问题，是让 AI 真正学会执行实验。

今年 10 月，涌生智能与上海人工智能实验室等机构的研究人员发布了 ProtoPilot 论文，提出一种能够根据自然语言研究需求，自动生成实验流程并转化为设备控制代码的多智能体系统。

在传统实验室中，即使已经具备自动化设备，科学家仍需要把研究目标拆解为详细的标准操作流程（SOP），再根据设备接口编写控制程序。其中涉及试剂浓度、反应体积、操作顺序及设备兼容性等大量细节，任何一个参数出现错误，都可能影响后续实验。

ProtoPilot 尝试通过多智能体协作完成这一过程。系统首先将研究目标拆解为多个子任务，再由不同智能体负责实验流程设计、计算分析和代码生成，并通过逐层验证机制检查实验参数和设备兼容性。

系统还引入了能够持续更新的技能库，将代码验证过程中发现的共性错误转化为可复用的操作经验，帮助后续任务减少类似问题。

在论文构建的 294 项评测任务中，ProtoPilot 生成的 SOP 在专家评审中的 Top@3 偏好率达到 90.2%，SOP 到设备代码的综合验证通过率达到 96.6%。在 ProtocolQA 开放式问答上，ProtoPilot 的准确率拿到了 52.38%，超越 GPT-5.6 Sol 的 43.5%，已逼近专家水平（54%）。

图 | 专家评审结果（来源：arXiv）

研究团队还开展了质粒构建、定点突变和 DNA 组装等真实湿实验。其中，在一项 DNA 组装实验中，ProtoPilot 根据前期失败结果修正流程，最终获得经过测序确认的目标 DNA 片段。按照论文报告，相比传统人工实现方式，系统将从实验意图转化为可执行湿实验工作流的时间缩短了约 9.2 倍。

这项研究将 AI 的能力从实验方案生成推进到了真实设备执行，也开始探索如何将实验失败转化为后续任务能够利用的经验。

但当科研智能体开始承担越来越复杂的任务，新的效率问题也随之出现。在实验流程中，AI 需要反复判断是否应该调用工具、当前结果是否可靠，以及何时结束任务。如果每次都调用大型语言模型，就会带来额外的计算开销。

涌生智能 10 月底发布的 Operon-S1 研究，主要针对这一问题。研究团队尝试将复杂科学推理与日常决策分开处理，由轻量级模型承担部分高频判断，让大型语言模型集中处理更加复杂的科研任务。

论文将科研智能体运行过程中的常见判断整理为 13 个决策节点，并在七项生命科学基准测试中进行评估。结果显示，本地决策模型使用 CPU 运行时，单次循环内请求的中位响应时间约为 0.6 秒，在多数测试中维持了原有任务表现，部分任务的计算成本或执行步骤有所减少。

同时，这些决策过程还可以被记录下来，为后续优化智能体的判断能力提供训练数据。对于需要长期运行的自主实验室而言，这种方式有助于提高任务执行效率，并支持更加复杂的实验流程。

但自进化实验室还有一个更深层次的要求：AI 不仅需要完成既定实验，还要能够改进自己采用的研究方法。

11 月 4 日，涌生智能研究团队在 arXiv 发布 EnzymeRSI 预印本，提出一种面向酶工程的双循环递归自我改进系统。

在酶工程中，研究人员通常通过改变蛋白质的氨基酸序列，提高其催化效率、稳定性或底物选择性。由于潜在突变组合十分庞大，机器学习已经成为筛选候选蛋白质的重要工具。但当研究目标发生变化，或者原有算法表现不佳时，研究人员往往需要重新调整预测模型和筛选策略。

EnzymeRSI 希望让 AI 参与研究方法本身的改进。按照论文设计，系统包含两个相互配合的循环：外循环主要优化工具选择、任务组织和工作流程；内循环则进一步改进预测与筛选算法，寻找更适合当前研究任务的方法。

过去，AI 主要帮助科学家判断下一批应该测试哪些蛋白质；EnzymeRSI 则希望进一步检查，当前的预测算法是否合适，能否通过调整方法发现更好的候选。

图 | EnzymeRSI 架构（来源：arXiv）

这一思路与近期受到关注的递归自我改进（Recursive Self-Improvement，RSI）有关。系统无需修改基础模型权重，而是通过优化科研流程、工具组合和具体算法，提高完成特定研究任务的能力。

在计算实验中，EnzymeRSI 展示了这一方法的效果。例如，在蛋白质稳定性预测任务 ThermoMPNN 上，系统通过引入新的蛋白质表征方式，将预测结果与实验测量值之间的皮尔逊相关系数提高至 0.849，超过论文中参与比较的十种参考框架。

研究团队还开展了三组真实湿实验，检验系统在酶工程中的应用效果。

其中，在海肾荧光素酶 RLuc 的优化任务中，EnzymeRSI 提出了 40 个单点突变候选。在排除 8 个预先指定的候选后，其余 32 个候选中有 10 个在实验中表现出至少两倍于野生型的发光活性。

另一项 DNA 聚合酶 KOD-E 的定向进化实验中，系统推荐的 E485I 与 S451L 突变组合，使酶在特定修饰底物上的催化效率达到亲本酶的 31.1 倍。针对胞嘧啶脱氨酶 A3A 的多目标优化任务，系统推荐的 Y130Q 变体在特定序列背景下实现了约 90.2% 的目标底物转化率。

（来源：涌生智能）

从实验流程的自动生成，到高频决策的优化，再到科研方法的自主改进，这三项研究展示了涌生智能在不同层面推动科学智能体自进化的探索。

从算法走向真实世界，云实验室如何支撑自进化？

要让 World Loop 在真实科研中发挥作用，还需要将其与实际实验环境连接起来。在蛋白质设计和酶工程等领域，计算模型虽然能够筛选出大量候选方案，但其催化效率、稳定性等性能，仍需通过真实实验验证。

11 月 6 日，涌生智能在上海进博会上发布了云端自主实验室 SE-Fab-SynBio，初期主要面向合成生物学研究，为 AI 生成的候选方案提供真实湿实验验证能力。

云实验室的概念与云计算类似。过去，企业需要大量计算资源，往往得自行采购服务器、建设机房；如今，用户可以按需调用远程算力。云实验室则将这一思路引入生命科学领域，让科研团队无需自行建设完整的实验设施，也能够远程调用实验能力。

例如，研究团队希望提高某种工业酶的耐热性能，可以先利用 AI 筛选出候选突变，再由云实验室组织设备完成蛋白表达、纯化及性能检测，将实验结果返回给研究团队。

（来源：涌生智能）

但对于需要多轮迭代的 AI 系统来说，仅仅能够远程提交实验任务还不够。传统实验服务通常以检测报告作为最终交付物，研究人员仍需自行整理数据、分析异常，再决定下一轮如何调整方案。

涌生智能希望进一步将实验执行和数据反馈纳入科学智能体的运行过程。因此，SE-Fab-SynBio 除了交付测量结果，还会关联实验条件、操作过程和质量控制信息。这些记录有助于判断实验结果产生的原因，也能让成功和失败的数据进入后续模型训练与研究策略优化。

涌生智能由此将云端自主实验室定位为科学智能体的物理强化学习环境（Physical RL Environment）。AI 提出研究方案，实验室完成验证，再将真实数据反馈给 AI，帮助其调整下一轮设计和决策。

与 World Loop 结合后，云实验室能够为科学智能体提供持续获取真实反馈的渠道，让实验过程中的数据和经验用于后续研究。对于 EnzymeRSI 这样的系统，真实实验还可以帮助检验算法优化是否有效，为下一轮科研方法的调整提供依据。

这一思路已开始应用于具体研发任务。团队此前围绕华大智造部分核心产品中的工程酶开展了多轮优化。其中，一项测序相关聚合酶优化任务在 28 天内完成 3 轮迭代，测序错误率降低 37%；另一项用于 RNA 合成的 PUP 聚合酶优化任务，在 25 天内完成 3 轮迭代，热稳定性指标 Tm 提高 3.4℃。

（来源：涌生智能）

这些应用也反映了涌生智能的技术选择。团队优先从测序、酶工程等相对明确的科研场景切入，利用已有的自动化设备和实验经验，逐步打通从计算设计到真实验证的流程。

目前，SE-Fab-SynBio 已围绕酶挖掘、分子克隆、定向进化、无细胞合成和菌株改造等方向组织实验能力，优先开放候选酶功能验证等服务。

从局部闭环到自主科研，AI4S 还有多远？

随着 AI 更深入地参与生命科学研究，实验室的作用也在发生变化。

过去，实验主要用于验证研究假设、推动具体研发项目；如今，高通量实验产生的数据还可以用于改进模型预测能力，帮助 AI 更有效地规划下一轮研究。

这一变化也在影响 AI4S 产业链的分工。Adaptyv、Ginkgo 等企业持续扩大自动化和高通量实验能力，提高实验执行与数据交付效率。涌生智能则希望进一步将实验设备与科学智能体结合，让 AI 能够参与实验规划、执行和后续优化。

此前，涌生智能 CEO 杨梦在接受 DeepTech 采访时曾谈到，团队选择了一条自下而上的技术路径：“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。”

杨梦曾在麻省理工学院攻读化学工程硕士，并于哥本哈根大学获得计算生物学博士学位。在华大工作十余年间，他先后参与基因测序仪、实验室自动化系统等产品研发，同时持续开展单细胞数据分析、蛋白质设计等方向的 AI 研究。这些横跨人工智能算法与生命科学实验的经历，也影响了涌生智能的技术选择：从具体科研场景入手，逐步将算法、实验设备和真实数据连接起来。

目前，这一路径也开始向外部产业合作延伸。

在此次进博会上，涌生智能宣布天津元一生物已经接入云端自主实验室，围绕工程菌株设计和改造探索干湿闭环。双方希望将实验条件、质量控制和失败数据纳入后续研发流程，帮助团队改进菌株优化策略。

此外，涌生智能还与元示科技签署战略合作协议，计划共同建设面向 AI 虚拟细胞的干湿闭环基础设施，为模型训练和验证提供真实实验数据。公司还与艾凯生物宣布拟共同出资设立合资公司，将合作范围拓展至自体诱导多能干细胞（iPSC）治疗、智能化细胞制备设备及虚拟干细胞模型等方向。

图 | 涌生智能已与多家企业达成合作（来源：涌生智能）

从酶工程到菌株改造、虚拟细胞和细胞治疗，云端自主实验室的应用范围正在逐步拓展。但要将这些不同的研究任务纳入统一的科学智能体系统，还需要解决实验能力标准化、数据质量控制以及跨场景适配等问题。

目前，涌生智能已在实验流程生成、智能体决策和科研方法优化等方面取得初步进展，并开始建设支撑这些能力运行的真实实验环境。

对于 World Loop 而言，下一阶段的关键，是检验这些技术能否在不同科研任务中稳定协同，让 AI 从一次次实验中积累可复用的经验，并持续改进自身的研究策略。这也将决定，自进化实验室能够在多大程度上从具体任务的技术验证，走向更加自主、长期运行的科研系统。

参考资料：

1.https://doi.org/10.48550/arXiv.2606.31763

2.https://doi.org/10.48550/arXiv.2610.41350

3.https://www.gov.uk/government/publications/ai-for-science-strategy

4.https://www.whitehouse.gov/releases/2025/11/president-trump-launches-the-genesis-mission-to-accelerate-ai-for-scientific-discovery/

5.https://cnic.cas.cn/jdtw/zxyw/202609/t20260930_8288830.html

6.https://www.genoria.ai/en/research

7.https://arxiv.org/abs/2611.06321

8.https://www.instrument.com.cn/netshow/SH104318/news_1011630.html

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成