恩和科技發布SAION AI：物理智能“接管”實驗室，生物制造的“自動駕駛”時代到了嗎？｜公司動態

在過去一年的AI投融資圖譜中，“生成式AI”的熱度正逐漸讓位于更具確定性的“物理AI（Physical AI）”。當硅谷的創投圈還在爭論LLM的幻覺邊界時，合成生物學領域的頭部玩家已開始嘗試將AI從對話框里“放”出來，直接投向充滿不確定性的實驗室現場。

日前，恩和科技正式對外發布了全球首個面向生物制造的物理智能平臺——SAION AI。

在行業內部，這種能夠理解科研意圖、自主拆解任務并操作實驗設備的智能系統，被戲稱為“實驗室小龍蝦（Lab-Claw）”。這個略帶極客色彩的綽號，直指其核心價值：像一只擁有敏銳感知力與靈活雙螯的實體，接管了生物研發中最高頻、也最繁瑣的物理執行環節。

01 架構之爭：AI4Science的進階，從“數字大腦”到“物理雙螯”

長期以來，生物制造的數字化轉型一直卡在“最后一公里”：AI可以預測蛋白質結構，但無法替實驗員直接操作各項試驗設備。

SAION AI 試圖通過一套名為 COE（認知-編排-執行） 的架構來閉合這個環。如果參照自動駕駛的進化路徑，這本質上是生物實驗場景下的 VLA（視覺-語言-行動）模型。

認知層（Cognition）： 依托恩和自研的 Cell2Cloud 生物鑄造廠，SAION 沉淀了千萬級的真實項目閉環數據。這意味著它不僅讀過百萬篇文獻，還親歷過無數次失敗的實驗反饋。

控制層（Orchestration）： 核心的Agent Harness 智能體引擎充當了“實驗室指揮官”。它能將“優化菌株產率”這種模糊的科研目標，轉化為結構化的任務圖譜。

執行層（Execution）： 這是“小龍蝦”落地的關鍵。通過自研的生物標準協議語言（BPL），SAION 將實驗方案轉化為機器指令，直接驅動機械臂、培養與檢測設備。

這種架構的核心邏輯在于：將“非標”的生物實驗，徹底轉化為“標準”的代碼指令。

02 性能基準：超越GPT-5和斯坦福BIOMNI的“數字科學家”？

根據恩和披露的數據，SAION 在多項生命科學AI基準測試中拿到了SOTA（行業最高）。

在文獻理解（LitQA）和生物序列分析（SeqQA）上，其準確率分別達到70.7%和88.2%，顯著領先于 GPT-5.3 等通用基座模型。更值得關注的是其在**基因工程設計（Gene Editing）**中的表現，準確率接近85%。

但對產業界而言，比起跑分，更具沖擊力的是其“物理閉環”的實戰能力。SAION 已實現從文獻閱讀到質粒設計，到濕實驗組裝的 90%+ 正確率。這意味著，“實驗室小龍蝦”已經具備了獨立驅動生物研發的能力。

03 商業邏輯：重構AI4S的價值支點

從科技投資的視角看，SAION AI 的出現正在修正 AI for Science (AI4S) 的商業敘事，成為完全體的AI4Science 的進階版：

1.從“算法外包”到“資產閉環”： 過去的 AI4S 往往是提供算法模型，價值鏈條短且易被替代。而 SAION AI 強調“資產感知”，能自動識別實驗室庫存中的 DNA 片段和菌株。這種與實物資產、物理設備深度綁定的模式，極大地提高了技術壁壘。

2.終結“實驗手感”： 過去，生物制造高度依賴資深實驗員的“手感”，這是難以規模化的瓶頸。SAION 通過恩和自研的生物標準協議語言（BPL） 實現了實驗的代碼化與可復現性，將個體經驗轉化為組織的算法資產。

3.DBTL循環的指數級加速： 物理 AI 的真正恐怖之處在于它不眠不休。在強化學習的驅動下，SAION 能夠根據實驗反饋實時優化下一輪方案，這種進化速度是傳統人工實驗室無法想象的。而生物制造作為Physical AI Native的產業，將在這種進化下涌現出難以想象的機會。

04 結語：物理智能的“窄門”

盡管“實驗室小龍蝦”展示了誘人的前景，但要真正重構生物制造的效率邊界，仍需跨越物理世界的長尾誤差和復雜場景的魯棒性挑戰。

目前來看，SAION AI 的意義在于，它為生物制造劃定了一條清晰的進化路徑：從經驗驅動，走向數字與硬件交互感知、迭代躍進的智能工程。

當智能不再局限于屏幕，而是真正深入到生物反應器之間，生物制造的效率極限正在被重新定義。