首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI evening

顶刊生物实验难复现?统一操作话术来了!编译通过率98.6%

2026-06-30 1 阅读 约9分钟阅读 田, 晏林
分享:
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 顶刊生物实验难复现?统一操作话术来了!编译通过率98.6% 田, 晏林 2026-06-30 18:09:56 来源: 量子位 AI进入生物制造,真正缺的不是更聪明的大脑,而是连接数字与物理世界的接口。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 现在的AI,确实越来越像一个「全能研究员」。 写代码、画图、生成视频只是基础操作。 它甚至开始参与科学研究:阅读论文、提出假设、分析实验数据,甚至帮科学家设计下一步实验方案。 但问题是,如果把AI真正放进一间生物实验室,情况可能完全不一样。 毕竟,在生物实验室里,操作移液器、记录温度、转移培养皿……这些看似简单的动作,背后都有极高的精度要求。 一个单位写错,一个参数偏差,一个步骤顺序颠倒,实验结果可能直接失效。 AI能帮科学家设计实验,却很难真正执行实验。问题出在哪? 你说它太傻?不。 前段时间,被称为Anthropic“史上最强”模型Claude Fable 5,上线后因风险问题被紧急叫停。 强推理能力兼具科研价值与安全隐患, 这是AI进入科研领域最大的尴尬。 有时,它确实能告诉你「应该怎么做」,但大多时候它却未必真的知道「实验到底发生了什么」。 看来大脑再强,没有一套能让AI理解的、统一的 生物实验语言 也不行。 这两年,虽然 AI4Science 很火,但真正进入产业核心链路的案例不多。 生物学科想要为产业贡献更多价值,实验室的工作必须可以 被工程化、被重复执行 。 最近,一篇发表在全球生物论文库bioRxiv上的研究,让行业看到了新的可能。 论文主要介绍两件事: AI看不懂生物实验?好,那就开发一套统一、好理解的生物学协议语言—— Biology Protocol Language (BPL) 传统生物实验编程语言门槛高,科研人员很难独立编写、操作相关代码?别急,一切交给代码自动生成工具 BPL-COGEN就行了。 我看了下作者单位,均来自 Bota Biosciences (恩和科技),一家 中国生物制造公司 。 诶~专业的事还是得交给专业人来做啊。(doge) 为什么AI迟迟进不了生物制造? 说出来你可能不信。 都已经全民AI时代了, 很多顶尖生物科学家依然被困在实验台前 。 在移液枪和培养皿之间,他们每天都要消耗大量时间,手工作业。 这些设备构成了现代生物制造最核心的生产力,但同时也构成了最大的效率瓶颈。 原因很简单,生物实验天然很难标准化。 △AI生成 同一个实验,不同实验员操作习惯不同;同一种设备,不同厂家接口格式不同;同一份实验记录,不同团队的数据结构也完全不同。 结果就是, 实验室里最宝贵的经验,大量沉淀在人脑中。 一个实验在A实验室成功了,换个地方可能就 复现不出来 。 数据难积累,流程难复制,自动化难闭环。 整个行业长期依赖DBTL(设计-构建-测试-学习)循环。 但这条链路也高度依赖人工经验。 现阶段生物学领域仍依赖 自然语言文本 撰写实验方案。 比如:加入5毫升试剂,在37度环境培养一段时间,轻轻混匀。 △AI生成 对于人类来说,这种描述没有问题。但对于机器来说, 这几乎等于没说 。 5毫升加到哪里?培养多久?“轻轻”到底有多轻? 每个模糊表达都会带来执行上的歧义。 而在软件工程、芯片设计等行业,这类问题几十年前就被解决了。 程序员不会写一句“差不多运行一下”,芯片工程师也不会写一句“大概这样连接” 。 他们使用的是 标准化、可编译、可验证 的描述语言。只有这样,系统才能稳定运行。 生物制造长期缺少的,正是这样一种语言。 过去二十年,学界并非没有尝试改变过。 BioCoder、Autoprotocol、Antha、LabOP等标准化方案格式相继出现。 但要么表达能力有限,要么须绑定特定设备,要么使用门槛过高。 最关键的是,两大难题始终没解决: 一是自动生成能力不足,方案泛化性差,相关脚本、配置需科研人员手动编写,开发周期冗长; 二是无法保证足够高的执行精度。 这些年,生物制造想拥抱AI,又困于AI,AI4Science总卡在最后一公里。 BPL来了! 恩和科技AI与Computation总监Alex Song说了一个非常现实的问题。 很多 顶刊论文 ,即使发表在Nature、Science上,别人 想复现实验,依然困难 。 不是科学原理不公开,而是实验过程缺少统一表达方式。 对于恩和来说,这个问题更加迫切。因为他们本身就在做 AI驱动的生物制造 。 恩和过去造AI,大模型生成的也是自然语言。那么如何与实验室里的自动化设备进行交互?中间就必须有「翻译」的过程。 你总不想机器人做一个实验,今天可以做得出来,明天做不出来了吧? 在这样的背景下,恩和开发了BPL语言。 如果一定要找一个类比, BPL之于生物实验,有点像Python之于编程 。 大家看到的是应用,终端看到的是代码。 同样的道理,科研人员看到的是实验方案,实验室设备看到的是标准化协议代码。 只有完成这层转换,实验才能被工程化,才能被重复。 更重要的是,BPL不仅是一种 描述语言 ,还是一种 可编译语言 。 写过程序的人都知道,代码正式运行前要先编译。编译器会检查语法错误、逻辑错误和运行风险。 BPL也是一样。 在实验开始之前,它会先完成一轮 软件层面的实验「仿真」 :检查单位是否正确、试剂是否存在、容器容量是否超限、步骤之间是否存在逻辑冲突。 一旦发现问题,系统直接报错。而不是等整个实验失败了再返工。 这意味着, 过去实验室里加高的试错成本,现在提前在数字世界里解决了 。 但光有语言还不够,写代码的问题咋办嘛。你总不能要求每个生物学家都变成程序员吧? 基于BPL,恩和进一步开发了 BPL-COGEN 。 比如你告诉它:完成PCR(临床基因扩增)实验。 系统会自动把自然语言翻译成标准化BPL代码,随后进入编译器检查环节: 发现错误-自动修复-继续检查-继续修复 ,直至代码通过编译与仿真校验,系统才会将合规指令同步至实验室,启动实体实验。 △AI生成 整个逻辑很像Claude Code、Cursor。只是写的不是软件代码,而是实验代码。 话又说回来,BPL-COGEN靠谱吗? 论文里写道,为了量化生成防范的精准度,团队从《Nature Protocols》中选取了 30篇 经典实验方案,覆盖分子生物学、细胞培养、生化分析等多个领域。 注意,关键一步来了。恩和构建了 Benchmark基准测试集 。 这是之前没有过的创新点。 该Benchmark采用 大模型评审+编译器客观校验 结合的模式,从 内容匹配度、方案有效性、实验完整性 三个维度给实验打分。 结果相当亮眼:同一实验 重复生成10次代码 , 98.3% 的结果完全一致。 综合得分达到95.1分,其中方案有效性得分高达98.7分。 恩和团队并没有止步于「干实验」,还同步做了 两个「湿实验」 验证。 1、同一份BPL代码,一边转成人工操作说明书,一边转成自动化移液机执行脚本。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱