編輯｜Panda

2025 年 12 月，OpenAI 聯(lián)合多家實驗室發(fā)布了一份濕實驗室報告。報告給出了一個令人振奮的核心結(jié)論：GPT-5 通過多輪迭代，自主優(yōu)化了一個分子克隆方案，效率提升了 79 倍。它提出了一種此前從未被報道過的酶組合——RecA 重組酶與噬菌體 T4 的 gp32 蛋白協(xié)同作用，讓 DNA 末端配對效率大幅躍升。

但報告里有一個細節(jié)卻被很多人忽略了：當(dāng)研究團隊將這套方案交給機器人系統(tǒng)執(zhí)行時，機器人產(chǎn)出的菌落絕對數(shù)量，比人工執(zhí)行低了約 10 倍。

這不是方案的問題：GPT-5 的方案經(jīng)過人工執(zhí)行驗證，結(jié)果完全成立。問題出在「翻譯」這一步：如何把 LLM 輸出的自然語言方案準(zhǔn)確地轉(zhuǎn)化為機器可以確定性執(zhí)行的指令？

幾乎在同一時間，Ginkgo Bioworks 宣布旗下三大研發(fā)服務(wù)業(yè)務(wù)向自主實驗室基礎(chǔ)設(shè)施遷移，Lila Sciences 拿著 5.5 億美元融資高調(diào)入場，黃仁勛在 CES 2026 宣告物理 AI 的「ChatGPT 時刻」已經(jīng)到來。整個行業(yè)都在奔向同一堵墻：AI 的推理能力已經(jīng)遙遙領(lǐng)先，但它與物理執(zhí)行層之間，缺少一座可靠的橋。

而在這場 AI 對生物世界的進擊里，被忽視最久的瓶頸，不是算法，不是數(shù)據(jù)，而是語言

一個被忽視了幾十年的基礎(chǔ)設(shè)施缺口

生物學(xué)是一個奇特的領(lǐng)域。它擁有世界上最復(fù)雜的研究對象，卻在用最原始的方式記錄和傳遞知識。

一項發(fā)表于 Nature、針對 1576 名科學(xué)家的調(diào)查（Baker, 2016）顯示，超過 75% 的生物學(xué)研究者無法重現(xiàn)他人的實驗結(jié)果，超過 60% 的生物學(xué)研究者甚至無法重現(xiàn)自己此前的實驗。這組數(shù)字長期以來被歸因于實驗操作的復(fù)雜性或生物系統(tǒng)的隨機性，但實際上，深層原因要樸素得多：信息在傳遞時就已有損失

圖源：Is There a Reproducibility Crisis? Insights from Nature Survey 2016

原因也很直接：生物學(xué)實驗至今仍主要依賴自然語言描述，而自然語言天生是模糊的。

舉個例子，即使是發(fā)表于頂刊的論文，你也常能讀到類似這樣的描述：「將細胞沉淀重懸于冰冷的 CaCl? 溶液中，冰上孵育，然后取適量鋪板于選擇性培養(yǎng)基上。」

一段時間、輕輕混勻、冰冷的、適量……這些在實驗室里習(xí)以為常的表達，對另一個研究者而言，卻可能對應(yīng)著完全不同的操作條件。

那些真正決定實驗成敗的細節(jié)，往往并不存在于論文正文，而存在于實驗員的經(jīng)驗、習(xí)慣，甚至手感里。

這些難以量化的每一個環(huán)節(jié)，都是下一次重復(fù)這個實驗時可能失敗的地方。這些隱含信息存在于原作者的大腦里，存在于實驗室的口口相傳中，但就是沒有被標(biāo)準(zhǔn)化。

對比來看，半導(dǎo)體行業(yè)早在幾十年前就解決了這個問題。芯片設(shè)計師用 Verilog 或 VHDL 寫下精確的硬件描述語言，這段代碼可以被編譯器解析、形式化驗證，然后在不同的晶圓廠復(fù)現(xiàn)出完全一致的芯片。軟件工程用形式化編程語言和確定性構(gòu)建系統(tǒng)保證了代碼在不同機器上可以精準(zhǔn)重現(xiàn)。

生物學(xué)缺少的，正是這樣一種等價物。

「你可以把整個底層想成是一個 CPU，它能夠完成實驗，但在上面需要有一層編譯型的語言——我先去跑一次，看它行不行，行了我再下放到方陣?yán)锩鎴?zhí)行。」恩和科技 AI 與 Computation 總監(jiān) Alex 在接受機器之心采訪時這樣描述他們意識到這個問題的過程，「我們先做的是生物鑄造廠，后來想讓 AI 去驅(qū)動整個鑄造廠時，在中間遇到了一個痛點：如果語言模型生成 Protocol，生成 10 次、100 次都不一樣，我怎么能確定這些自然語言能夠在生物實驗室里標(biāo)準(zhǔn)化執(zhí)行？

這個問題，催生了一門新的語言。

BPL：給生物實驗發(fā)明一門標(biāo)準(zhǔn)語言

2026 年 5 月，恩和科技在 bioRxiv 上發(fā)布了論文，正式介紹了BPL（Biology Protocol Language，生物協(xié)議語言）及其配套管線BPL-COGEN

• 論文標(biāo)題：Towards Autonomous Biology: Compiler-Verified Protocols as a Foundation for Real-World AI Execution
• 論文地址：https://www.biorxiv.org/content/10.64898/2026.05.05.720956v1

如果把生物學(xué)實驗比作軟件工程，那么目前行業(yè)的狀態(tài)，大概相當(dāng)于所有程序員都在用自然語言描述代碼邏輯，然后期待另一個人能看懂并手動執(zhí)行。BPL 要做的就是為生物實驗提供一套等價于編程語言的形式化表達體系

BPL 的架構(gòu)分為六層，層層遞進，每一層都在消除自然語言固有的某類模糊性。

BPL 架構(gòu)圖

聲明層（Layer 1）是程序的材料清單。所有試劑、庫存濃度、耗材類型、執(zhí)行目標(biāo)（人工操作或機器人），在這里必須以精確的物理屬性聲明。如此一來，就不再有「適量 CaCl?」這樣的模糊描述了，而是必須寫明：固體還是溶液，濃度是多少，用哪種容器。

生物原生類型系統(tǒng)（Layer 2）是 BPL 最具獨創(chuàng)性的設(shè)計。它覆蓋 9 個物理基礎(chǔ)維度（體積、質(zhì)量、溫度、時間、濃度、物質(zhì)的量、壓力、速度、長度），支持約 40 種實驗室常用單位，并在編譯時進行量綱分析。

這意味著什么？如果有人寫了「向容器中轉(zhuǎn)移 50 mg 液體」，即把質(zhì)量單位給了體積參數(shù)，編譯器會直接報錯。所有物理常識都能被形式化為語言級別的約束，讓這些錯誤在編譯階段就能被攔截。

這層設(shè)計直接呼應(yīng)了那個典型失敗案例：OpenAI 與 Ginkgo 合作的實驗報告中，GPT-5 曾在細胞無蛋白合成實驗里建議將水的用量設(shè)為負值。這是一個物理上不可能的操作。對于這類錯誤，Alex 直接回應(yīng)說：「BPL 就是干這個事的。這種問題會被卡掉，會被打回來。」

14 種實驗意圖（Layer 3）是 BPL 與實驗室操作之間的橋梁。恩和科技系統(tǒng)分析了 150 篇發(fā)表于 Nature Protocols、JoVE 和機構(gòu) SOP 庫的協(xié)議，識別出覆蓋分子生物學(xué)、生物化學(xué)、分析化學(xué) 95% 以上操作的 14 個原子操作單元：transfer（轉(zhuǎn)移）、mix（混合）、incubate（孵育）、run_pcr（PCR 擴增）、centrifuge（離心）、pick_colonies（挑菌）……其中有一個值得單獨說明的意圖，是 manual，即保留人工操作的接口。

Alex 解釋了這個設(shè)計的工程考量：「我們考慮到 human in the loop 的情況會發(fā)生。我已經(jīng)有自動化儀器可以完成許多任務(wù)，但人類或未來的靈巧手在中間可能也會做一些 validation 等事情——這些事情就可以變成 manual。」這是一種務(wù)實的工程妥協(xié)：某些步驟本質(zhì)上無法被完全形式化，但 manual 意圖的存在讓它們依然在 BPL 的管理框架之內(nèi)。

容器狀態(tài)引擎（Layer 4）實時追蹤程序運行過程中每一個容器的狀態(tài)（當(dāng)前體積、內(nèi)容物組成、溫度、物理形態(tài)）并在每次操作后自動更新。這個設(shè)計來自恩和科技自身多年積累的工程實踐。Alex 說：「我們以前 Cell2Cloud 鑄造廠每一個 96 孔板，每一個 well 都有它的 status，它現(xiàn)在到底是在什么樣的狀態(tài)——加了多少，減了多少，狀態(tài)全部都有。這些東西需要判斷，所以它最后就形成了 BPL 底層的 entities。這些不是理論設(shè)計，是從我們真實代碼庫里面抽象出來的，而且它是好用的。」

信任模型與合規(guī)層（Layer 5）定義了一個三級信任體系：Declared（用戶聲明值）、Calibrated（儀器校準(zhǔn)值）、Verified（操作員簽名+哈希鏈審計）。GLP、GMP 和 21 CFR Part 11 的合規(guī)注解是 BPL 的原生語言特性，而不是附加的文檔要求。

控制流（Layer 6）支持條件分支、循環(huán)迭代、并行執(zhí)行塊和結(jié)構(gòu)化錯誤恢復(fù)，讓 BPL 能夠處理非線性的、響應(yīng)式的實驗工作流。

在架構(gòu)圖之外，還有一個貫穿始終的能力：意圖降低層（intent lowering）將高層操作編譯為平臺特定的執(zhí)行原語。同一份 BPL 源代碼，可以輸出給人類操作員的逐步操作指南，也可以直接生成機器人液體處理工作站的指令文件，還可以進入仿真后端驗證——源代碼不需要任何修改。這就是「硬件無關(guān)的可移植性」在工程上的真正實現(xiàn)：協(xié)議意圖與執(zhí)行平臺徹底解耦

值得注意的是，BPL 語法經(jīng)過了 14 次大版本迭代，以 150 篇公開發(fā)表的協(xié)議為驗證語料庫，并積累了 1175 個測試用例。因此，BPL 是從真實的實驗室場景中迭代打磨出來的。

BPL-COGEN：LLM × 編譯器，實現(xiàn)閉環(huán)自校正

BPL 解決的問題是「協(xié)議應(yīng)該長什么樣」，但下一個問題更現(xiàn)實：讓科學(xué)家從頭學(xué)一門編程語言并不現(xiàn)實。

所以恩和科技構(gòu)建了BPL-COGEN：一條將自然語言實驗方案自動轉(zhuǎn)譯為 BPL 代碼的管線。它的核心機制是一個「生成—驗證—修復(fù)」的閉環(huán)。

BPL-COGEN 的架構(gòu)由一個經(jīng)過專門微調(diào)的 30B 參數(shù)語言模型 BPL-Nano-30B（基于 Nemotron 架構(gòu)，以 2714 條精選數(shù)據(jù)微調(diào)而成）和一個確定性編譯器聯(lián)合驅(qū)動。二者構(gòu)成了一個持續(xù)迭代的反饋系統(tǒng)。

整個管線分五個階段運行。首先是輸入歸一化：原始 SOP 文檔輸入后，系統(tǒng)自動提取結(jié)構(gòu)，并通過雙語別名匹配將文檔中的試劑和設(shè)備名稱與本地庫存對應(yīng)，確保生成的聲明對應(yīng)實際可用的物理資源。

然后是代碼生成：歸一化文檔、完整的 BPL 語法規(guī)范（463 行 Lark PEG 表示法）、章節(jié)結(jié)構(gòu)和資源目錄，共同構(gòu)成發(fā)給 BPL-Nano-30B 的提示詞。語法規(guī)范逐字包含，而非摘要——因為研究發(fā)現(xiàn)，對語法做任何形式的壓縮都會顯著降低模型首次生成時的語法合規(guī)率。

接下來，核心來到三關(guān)編譯器驗證：每個候選 BPL 程序都必須依次通過解析關(guān)（驗證語法合規(guī)性）、語義關(guān)（檢查單位一致性、類型安全性、狀態(tài)連貫性）、規(guī)劃/驗證關(guān)（將高層意圖降低為有向無環(huán)圖形式的執(zhí)行原語，驗證依賴關(guān)系和硬件能力兼容性）。

這三關(guān)的背后是一套六級編譯流水線構(gòu)成的BPL 編譯器架構(gòu)

具體來說，源代碼首先會經(jīng)過 Lark PEG 語法解析，生成帶類型信息的抽象語法樹（AST）；隨后進入量綱分析模塊，在 9 個物理基礎(chǔ)維度上完成單位一致性檢查；語義分析階段則負責(zé)標(biāo)識符解析、容器狀態(tài)追蹤，以及 Declared→Calibrated→Verified 的信任級別推進；意圖降低層則能將約 15 種高層實驗意圖編譯為約 20 種執(zhí)行原語；最終由調(diào)度引擎生成 DAG（有向無環(huán)圖）執(zhí)行計劃，并根據(jù)目標(biāo)平臺（人工操作、機器人、仿真）分別輸出對應(yīng)的執(zhí)行指令。整套編譯器由 9 個 AST 模塊構(gòu)成，以 1175 個測試用例保障各層的獨立可測試性。這種分層架構(gòu)意味著：每一類錯誤都會在最早能夠被發(fā)現(xiàn)的層級被捕獲，并給出精確的診斷定位

任何一關(guān)失敗，編譯器就會輸出一個結(jié)構(gòu)化 JSON 診斷，其中包含錯誤碼、嚴(yán)重等級、源碼位置（精確到行號和列號），以及針對性的修復(fù)建議。這個診斷作為上下文化的修復(fù)提示返回給語言模型，最多循環(huán) 3 次，形成診斷驅(qū)動修復(fù)循環(huán)。

這是這套架構(gòu)最重要的設(shè)計選擇。Alex 做了個類比：「它就有點像 Cursor 一樣，自己去跑，跑完了如果不行，就報錯，返回來讓模型再重新生成，如果可以，就進到實驗室。」

這樣一來，正確性的保障就從單一語言模型轉(zhuǎn)移到了模型與編譯器的協(xié)同系統(tǒng)。LLM 負責(zé)語義理解和代碼生成，編譯器負責(zé)確定性的物理驗證，兩者各司其職，形成互補。

最終通過所有驗證的程序會輸出五類確定性產(chǎn)物：版本可控的 BPL 源碼、含有依賴關(guān)系的 DAG 執(zhí)行計劃、體積追蹤和單位轉(zhuǎn)換審計報告、工作流可視化圖、以及逐步容器狀態(tài)追蹤記錄。

有效性得到驗證

編譯器能發(fā)現(xiàn)什么？在一批基準(zhǔn)樣本中，編譯器共發(fā)出了 343 條診斷，分布于五類錯誤。

最常見的是量綱不匹配（142 次，41.4%）。論文中展示了一個示例：transfer(from: NaCl, to: Tube50, volume: 50 mg)，也即把質(zhì)量值給了體積參數(shù)。編譯器精確定位到第 11 行第 13 列，提示「請使用 mL、uL 或 nL」，語言模型將其改為 volume: 50 uL，通過。

另外還有容器容量違規(guī)（87 次）、未聲明標(biāo)識符（64 次）、狀態(tài)沖突（38 次）以及信任違規(guī)（12 次）。

這五類錯誤，在自然語言 SOP 中都是隱形的，通常只能靠實驗失敗事后定位。

修復(fù)閉環(huán)的效率也很具體：82.3% 的協(xié)議在首次嘗試就編譯通過；需要修復(fù)的變體中，12.1% 在第一輪診斷后通過，4.2% 在第二輪后通過，累計 98.6% 在兩輪迭代內(nèi)解決。僅有 1.4% 無法自動修復(fù)——通常是源 SOP 本身存在根本性矛盾或深度歧義，必須人工介入。

數(shù)字之外，更有力的證明是物理層面的驗證。

案例一：GFP 表達質(zhì)粒文庫構(gòu)建。團隊構(gòu)建了 11 個 GFP 熒光蛋白表達質(zhì)粒。BPL-COGEN 從同一份 BPL 源程序編譯輸出兩套協(xié)議：一套給人類操作員的逐步操作指南，一套給 Biomek i7 液體處理工作站的機器指令文件。源代碼不做任何修改。

結(jié)果：PCR 擴增、Gibson Assembly 組裝、細菌轉(zhuǎn)化、Sanger 測序驗證，人工組和機器人組的構(gòu)建成功率高度相近。將質(zhì)粒轉(zhuǎn)入大腸桿菌后，11 個菌株在 IPTG 誘導(dǎo)下顯示出清晰的熒光梯度，且這個梯度在兩套樣品中高度一致。

其工程意義不在于實驗成功，而在于同一份源碼，在兩種執(zhí)行模式下產(chǎn)出了可比較的結(jié)果。「協(xié)議意圖與執(zhí)行平臺解耦」有了真實的物理佐證。

案例二：HPLC 到 UHPLC 方法遷移。原方法使用傳統(tǒng) C18 柱，對 5 種脂溶性化合物（視黃醇、視黃醛、視黃酯、番茄紅素、β-胡蘿卜素）進行分析，單次運行時間 32 分鐘。BPL-COGEN 自動調(diào)用 2025 版《中國藥典》0512 章節(jié)的柱轉(zhuǎn)換公式，計算出遷移后的方法參數(shù)，執(zhí)行后單次運行時間壓縮到 2.1 分鐘，溶劑消耗減少 95.8%，5 種化合物全部實現(xiàn)基線分離。

值得注意的是，這個過程中 BPL 合規(guī)引擎發(fā)出了 4 條警告：標(biāo)記出超出藥典等效閾值的偏差，包括理論板數(shù)減少 41%（超過 25% 等效限）、填料類型從全多孔改為核殼等。分析員審閱了全部 4 條警告，評估后做出接受決定，這一判斷也被自動記錄進審計追蹤。這正是合規(guī)的正確實現(xiàn)方式：在執(zhí)行前完成結(jié)構(gòu)化的判斷與記錄，而不是事后貼一份簽名文件。

在 300 篇 Nature Protocols 論文的規(guī)模化基準(zhǔn)測試中（其中每篇文章都使用 Claude Opus 4.6、GPT-5.3-codex 和 Gemini-3-pro-preview 各生成多個獨立變體，共 2992 個有效變體），BPL-COGEN 總體保真度得分達到 95.1±8.3。

更值得注意的是結(jié)構(gòu)一致性：295/300 篇論文，在 10 次獨立生成中保持步驟結(jié)構(gòu)完全穩(wěn)定。那些原本「彌散分布在特征空間中」的不同風(fēng)格實驗文檔，經(jīng)過 BPL 處理后，收斂到了一個緊密的「類協(xié)議流形（protocol-like manifold）」——不管輸入的原文風(fēng)格有多不同，輸出都趨向同一種結(jié)構(gòu)化表示。

BPL 之上：SAION AI 如何讓實驗室自己跑起來

BPL 解決的是協(xié)議層的問題。但在整個 Physical AI 的架構(gòu)里，它是執(zhí)行層的基礎(chǔ)設(shè)施，而不是終點。

恩和科技在 BPL 之上構(gòu)建的是SAION AI，這是一個覆蓋認知、編排、執(zhí)行全鏈路的生物制造 Physical AI 平臺，于 2026 年 3 月正式發(fā)布。

「我們做 AI 的初衷，」恩和科技 AI 產(chǎn)品負責(zé)人李政遠（Red）在接受機器之心采訪時說，「是讓 AI 接管我們做實驗到完成科研課題的全過程。科研的核心要素就三件事：搜信息、做決定、做校驗。AI 在前兩件事上已經(jīng)做得很不錯了。我們階段二要做的是讓 AI 提供的東西不只停留在虛擬世界，而是能夠進入真實濕實驗室，進入物理世界，做真正的校驗。

SAION AI 的架構(gòu)分三層，與自動駕駛的「感知—決策—執(zhí)行」高度同構(gòu)，恩和科技稱之為「認知—控制—執(zhí)行（COE）」。

認知層是系統(tǒng)的知識基礎(chǔ)。它整合了恩和科技 Cell2Cloud 生物鑄造廠六年積累的千萬級閉環(huán)實驗數(shù)據(jù)以及百萬級文獻與專利，同時接入 AlphaFold、ProteinMPNN、RFDiffusion、ESMFold 等前沿 AI4Science 模型，覆蓋蛋白結(jié)構(gòu)預(yù)測、序列生成、代謝通路分析、酶工程和發(fā)酵數(shù)據(jù)建模，實現(xiàn)從基因到蛋白到代謝到細胞到發(fā)酵的多尺度認知。

這「千萬級閉環(huán)實驗數(shù)據(jù)」意味著什么？Alex 給出了一個具體的描述：「我們的數(shù)據(jù)庫 primary key 是一個菌株 ID，從它出生，從電腦里面設(shè)計開始，一直 track 到最后發(fā)酵甚至生產(chǎn)結(jié)束。每一個 module 都會產(chǎn)生很多數(shù)據(jù)，比如這個菌株是怎么設(shè)計的、DNA 序列是什么、CRISPR 的編輯方式、轉(zhuǎn)化用了什么 host、培養(yǎng)到分析、發(fā)酵過程中的 PH、溫度、溶氧……單一個發(fā)酵罐就有 21 萬個數(shù)據(jù)點，從頭到尾拉下來叫一個閉環(huán)。」

這套數(shù)據(jù)已積累多年，也是恩和相對于純計算路線的 AI4S 公司最重要的差異化資產(chǎn)

SAION AI 的控制層是系統(tǒng)的決策中樞，核心是 Agent Harness 智能體編排引擎。它以 LLM 推理為核心，將復(fù)雜科研目標(biāo)拆解為結(jié)構(gòu)化任務(wù)圖，協(xié)調(diào) 316 種專業(yè)科研工具的動態(tài)調(diào)用，涵蓋各類生物信息學(xué)計算工具、蛋白質(zhì)預(yù)測模型（包括 diffusion model）、序列比對、DNA 設(shè)計、primer 設(shè)計等。系統(tǒng)內(nèi)置 Checkpoint 存檔和容錯機制，支持長周期復(fù)雜科研流程的穩(wěn)定運行。

Red 舉了個例子：「同一個問題，我讓 SAION AI 和千問 Max 同時回答：如何用合成生物學(xué)方法以低于 200 美元每公斤的生產(chǎn)成本生產(chǎn)尿石素？SAION AI 的信息來自論文和專利，推理更深更全面，計劃明確，可執(zhí)行性更高。這在兩年前，我們已經(jīng)做到了這個程度。」

執(zhí)行層是 BPL 的主場。SAION AI 生成的實驗方案，通過 BPL 轉(zhuǎn)化為標(biāo)準(zhǔn)化指令，驅(qū)動移液工作站、培養(yǎng)與檢測設(shè)備執(zhí)行。實驗數(shù)據(jù)實時回傳并結(jié)構(gòu)化入庫，形成Design-Build-Test-Learn（DBTL）的真正閉環(huán)。

這套閉環(huán)不只是架構(gòu)圖上的箭頭，它已經(jīng)在真實產(chǎn)業(yè)項目中跑通。恩和科技自主開發(fā)的 ZeaVida? 精準(zhǔn)發(fā)酵全反式玉米黃質(zhì)，就是迄今最具說服力的一個案例：這個項目剛剛獲批美國 FDA GRAS 認證。這是全球首個通過細胞工廠實現(xiàn)規(guī)模化生產(chǎn)的玉米黃質(zhì)高濃度晶體產(chǎn)品獲得該認證。

在性能基準(zhǔn)上，SAION AI 在科研文獻理解（LitQA+SuppQA）上達到 70.7% 平均準(zhǔn)確率，在生物序列分析與設(shè)計基準(zhǔn) Seq QA 上以 88.2% 超過斯坦福發(fā)布的 Biomni 平臺（81.9%），在基因編輯與克隆場景上以 84.9% 的成績獲得顯著優(yōu)勢，在科學(xué)發(fā)現(xiàn)與推理基準(zhǔn) BAIS-SD 上達到 89.6%。在四個主要基準(zhǔn)上均以 10 至 20 個百分點的幅度領(lǐng)先 GPT-5.3、Claude Opus 4.6 等通用旗艦?zāi)Ｐ汀?/p>

Red 也強調(diào)了評估方式的特殊性：「如果你要讓科學(xué)家相信你，要求很高，因為科學(xué)家容錯率很低。我們的評測是：科學(xué)家用了，放到實驗室里跑，跑出來結(jié)果挺好，那這就是我們完整的評測。我們不只跑 benchmark，更重要的是，我們有 20 多個項目在跑，每天能產(chǎn)生幾萬的菌株參數(shù)，這些都是 AI 產(chǎn)出的設(shè)計落到實驗室里做出來的結(jié)果——這種規(guī)模的內(nèi)部評估，也在持續(xù)進行。」

在整個系統(tǒng)閉環(huán)的層面，Red 用了一個分級模型描述了現(xiàn)階段的進展：「我們可以用類似自動駕駛的分級模式來衡量 AI 科學(xué)家的自主程度。目前恩和大概處于 2 級——能夠與部分自動化設(shè)備集成，讓 AI 出設(shè)計，直接遞交到自動化實驗室執(zhí)行。我們計劃今年達到 2.5 級，能讓 AI 完全驅(qū)動一個完整項目的閉環(huán)。明后年的目標(biāo)是突破 3 級，實現(xiàn)能夠自主做決策、自主 troubleshooting 的 AI 科學(xué)家。」

生物學(xué)的工程化紀(jì)元

如果給恩和 BPL 要做的事情找個參照，可以是半導(dǎo)體行業(yè)里的 EDA（電子設(shè)計自動化）。

EDA 出現(xiàn)之前，芯片設(shè)計師在紙上手繪邏輯圖。EDA 出現(xiàn)之后，芯片設(shè)計變成了一種可形式化驗證的工程活動，并直接催生了 Fabless（無晶圓廠）模式——設(shè)計與制造徹底分離，ARM、高通、英偉達都不需要自己建晶圓廠。整個行業(yè)進入了可編程化、可規(guī)模化的工業(yè)軌道。

Alex 作為半導(dǎo)體出身的「跨界者」，對這個類比有著深刻的感受：「半導(dǎo)體廠叫 Foundry，生物制造的核心也叫Biofoundry。兩者在邏輯上高度同構(gòu)：都是將元件組合，產(chǎn)出特定功能的產(chǎn)品。只是生物系統(tǒng)比半導(dǎo)體更難——因為它是活的，它的第一性原理還在探索中，半導(dǎo)體的邏輯底層是人類發(fā)明的、清晰的，但生物本身是我們?nèi)グl(fā)現(xiàn)的，內(nèi)部運動的參數(shù)太不確定了。」

正因為如此，BPL 要做的事情才格外重要：在一個底層規(guī)律本身還不完全清晰的領(lǐng)域，提供一套能把「當(dāng)前已知」精確表達并執(zhí)行的語言基礎(chǔ)設(shè)施

BPL 正在嘗試構(gòu)建的是生命科學(xué)領(lǐng)域?qū)?yīng)的BDA（Biological Design Automation，生物設(shè)計自動化）。它試圖解決的問題與 EDA 高度同構(gòu)：讓生物實驗的「設(shè)計意圖」能夠被精確表達、形式化驗證，然后在不同的「制造」環(huán)境中忠實復(fù)現(xiàn)。

EDA 催生了無晶圓廠模式，而 BPL 可能催生的是 Alex 稱之為「Labless」的模式——實驗設(shè)計與物理執(zhí)行的深度分離。Alex 說：「就相當(dāng)于我今天在用大模型跑沙盒；我現(xiàn)在要去做實驗，我在一個沙盒里先把 BPL 跑一次，看它能不能在仿真實驗里成功，如果成功了，我再丟去真實實驗室。它是 AI 進入生物物理世界非常重要的基石，類似于半導(dǎo)體的 EDA 和寫代碼的編譯層。寫代碼的人肯定知道這層很重要；而生物的人，也在慢慢意識到這層有多重要。」

關(guān)于 BPL 能走多遠，Alex 的判斷是：「BPL 未來開源之后，會有更多的反饋，覆蓋的面會更廣。它是一個面向整個行業(yè)的協(xié)議，像 HTTP 和 MQTT 這樣的協(xié)議。它的左邊是 AI，右邊是真實實驗——物理層面的實驗。」

生命科學(xué)正在經(jīng)歷一場深刻的結(jié)構(gòu)性演進：從一門依賴偶然發(fā)現(xiàn)與經(jīng)驗試錯的探索性學(xué)科，穩(wěn)步邁入可計算、可預(yù)測的工程性紀(jì)元。

當(dāng)一門科學(xué)真正演變成為工業(yè)化的工程體系，它必然呼喚屬于工程本身的底層基建：標(biāo)準(zhǔn)化的表達語言、可驗證的執(zhí)行流程以及精確可量化的質(zhì)量控制。

BPL 是這套工程基礎(chǔ)設(shè)施的語言層。每一個實驗步驟都能精確表達、編譯驗證，每一次執(zhí)行失敗都能定位到具體的指令。

正如本文開篇所言，GPT-5 在分子克隆實驗里設(shè)計出了效率提升 79 倍的方案，但那 10 倍的執(zhí)行差距告訴我們：光有大腦還不夠，還需要一套讓大腦與雙手之間的語言真正標(biāo)準(zhǔn)化的基礎(chǔ)設(shè)施。

這，正是 BPL 正在做的事。