时至今日，这个赛道几乎挤满了最不缺算力的一批硅谷玩家：

OpenAI发GPT-Rosalind，专攻药物发现和基因组学；谷歌推Co-Scientist和ERA，把多Agent系统塞进科学推理流程；Anthropic上线面向科研流程的Claude Science工作台。

虽然大家想的都是让大模型读完论文后，写个「完美」的实验方案，再真正走进实验室，但奈何现实很骨感：

真正让AI接管实验室并跑通实验的？约等于无。

就拿最接近终点的OpenAI和Ginkgo Bioworks的合作来说，GPT-5在那个项目里负责的是实验设计和参数探索，真正在实验台上执行的Catalyst protocols，全部由Ginkgo的人类工程师编写。

换句话说，强如OpenAI，模型也没有真正接触到「做实验」这一层。


不过现在，全球第一个补上这关键一步的来了。

华大智造子公司涌生智能×上海人工智能实验室，联合发布两项新成果：

  • ProtoPilot：一款由真实实验室场景驱动的自进化多智能体系统；
  • BioLab Bench：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。

从自然语言实验意图到湿实验物理执行，完整闭环，真实验证。

这一次，让AI「真正走进实验室」的不是哪家AI巨头，是一家跨界做AI的中国Bio公司。

这事估计连老黄都没想到：

年初他在CES上说，「Physical AI的ChatGPT时刻」到了，说的是机器人和自动驾驶。

但是现在，第一个在生命科学实验室交出Physical AI答卷的，来自深圳。

AI for Bio，到底卡在哪了

为什么硅谷这帮最不缺算力的玩家，集体卡在了实验室门口？

要回答这个问题，其实只需要弄清楚一件事：

从模型到实验室，这中间到底缺了什么？顶尖模型在手，怎么就跨不过这道坎呢？

让我们从AI for Bio这个赛道的真实进展说起。

过去几年，AI在生命科学领域的应用多聚焦于「理解」和「分析」。

文献阅读、知识问答、序列比对、蛋白质结构预测，模型确实博学，但它本质上是个坐在屏幕后面的助理。

它能帮你理解世界，但还没真正进入世界。

Agent时代来了之后，事情开始变了。AI不再只满足于回答问题，它开始「设计和行动」。

应此潮流，以OpenAI、Anthropic为代表的前沿AI玩家，开始把目光投向更下游、更主动的方向：

假设生成、实验设计、参数空间探索、药物发现、蛋白工程、自动化实验。

听起来是不是已经很接近「让AI进实验室干活」了？

但现实情况是——还差得很远。

当下AI for Bio最真实的现状就一句话：能出方案，出不了结果。

一家跨界AI的中国Bio公司，比Claude更先交卷了

系统跑通了，数据打完了，湿实验也验过了。

问题只剩下一个：为什么交出这份答卷的，是一家中国Bio公司？

答案想必你已经猜到了，因为做AI for Bio，最稀缺的从来不是模型，是场景和设施。

AI发展到现在，这个判断几乎成了各行各业的共识。

放在AI for Bio赛道，真实设备、真实湿实验、真实失败、真实约束……这些理论上归属于「生命科学实验室Physical AI」的部分，才是一个玩家所拥有的最大护城河。

模型可以买、可以训，但真实道路只能自己修。

正是在这样的背景下，涌生智能这家公司的出现也就不那么让人意外了：

一家从设备侧生长出来的AI公司，天然比从模型侧空降的玩家，更懂物理世界的语法。

能力达到博士级水平的顶尖AI，确实能写出一段看起来专业的实验方案，但写得好≠跑得通。

而涌生智能和上海人工智能实验室这次联合发布的，已经是干湿闭环了。

一家跨界做AI的中国Bio公司，不仅抢在硅谷前面交卷，更用一条完全不同的路线证明：

Bio公司在自己的场景里用AI做AI，确实比AI公司从外部攻进来更猛。

这出戏本身，已经足够精彩。

回到开头。年初黄仁勋在CES上说，Physical AI的下一站是机器人和工厂，但物理世界还有一块他没圈到的版图：

全球每天运转的生命科学实验室。

Physical AI的强弱，不看参数大小，看它与真实世界交互的深度。自动驾驶的能力来自真实道路，机器人的能力来自真实动作，生命科学的智能也一样——必须在真实实验室里才能长出来。

涌生智能和上海人工智能实验室的这次联手，释放了一个明确信号：

AI for Bio的竞争，正在从「谁的模型更强」转向「谁的闭环更完整」。

这一次，Physical AI真正长在了生命科学实验室里，而不是聊天框里。


免责声明：本网站提供的所有数据及资讯（包括第三方机构提供的信息）仅作交流学习及参考用途，不构成任何投资建议或交易要约‌。