海尔生物首秀AI“科研底座” AI要动手做实验了

中国商报（记者 马嘉）AI帮人看病已经不算新鲜事，但让它像科学家一样做细胞培养、药物筛选这类精细实验，一遇到意外情况就很容易“卡壳”。在第93届中国国际医疗器械博览会（CMEF）上，海尔生物发布了AI生态共创战略，试图联合产学研机构，推动解决AI在“深研发”环节的泛化难题。

海尔生物战略部部长潘泽宇、海尔集团旗下健康品牌盈康一生CTO倪永全对中国商报记者表示，目前，新药靶点验证、细胞治疗工艺等复杂过程高度依赖人工经验，效率低、稳定性差，导致成果转化缓慢。要让AI真正从“轻问诊”走向“深研发”，就必须让它走进实验室，去啃下那些决定医疗创新成败的“硬骨头”。

AI从“读片”到“做实验”

过去AI在医疗领域最成熟的场景是临床辅助：影像识别、病历生成、初步问诊。这些属于“轻问诊”环节，对容错率相对宽容。而真正决定医疗创新成败的上游研发环节，则长期高度依赖人工经验。

“AI医疗的下一步，是向上游生命科学重构研发范式。”海尔生物战略部部长潘泽宇表示，新药靶点验证、细胞治疗工艺优化等复杂过程，过去靠人工操作，效率低、稳定性差，成果转化缓慢。“未来，实验设计由AI完成，执行由自动化设备承担。”

在CMEF现场，海尔生物首次系统发布了覆盖样本库、细胞治疗、院内用药、血液管理四大领域的AI+场景方案。以细胞与基因治疗为例，其全自动细胞培养工作站基于自研科研大模型，可自动完成细胞复苏、制备、培养、收集等全流程工序。实测数据显示，培养效率提升150%，细胞活率稳定在95%以上，批次间差异控制在4%以内。

这意味着，AI在实验室里不再只是“助手”，而是开始扮演“生产力工具”的角色。海尔生物联席CEO刘钢将这种变化概括为三重关系重构：用户与产品的关系从“使用”走向“应用”，用户与厂商的关系从“买卖”转向“共创”，用户与AI的关系则从“提效助手”进化为“研发引擎”。

AI进入实验室要啃“硬骨头”

尽管单点场景已见成效，但AI大规模进入实验室仍面临“硬骨头”。盈康一生CTO倪永全点出了最核心的挑战：AI的泛化能力不足。

“生命科学实验对错误的容忍度极低。用户关心的不是AI能完成90%的工作，而是那剩下10%的意外情况有没有应对方法。”倪永全说，当实验条件发生细微变化，比如细胞状态波动、试剂批次差异、环境温湿度偏移，现有AI模型很容易失效或给出错误判断。

大模型在开放场景下的“幻觉”问题，在生命科学领域尤其致命。一个错误的实验决策可能导致数周工作报废，甚至误导后续研发方向。此外，实验室产生的数据具有高维度、高噪声、低标准化的特点，标注成本高、跨机构数据难以互通，导致AI难以从真实环境中持续学习和进化。

在活动现场，海尔生物带来了一套Auto Mind智能实验室架构。据现场工作人员介绍，该实验室由AI智眸、AI智控、AI智枢、AI智研四大核心能力组成，以构建“感知—决策—执行”的闭环，通过工程化手段约束模型行为，让AI在生命科学场景中“能用又可信”。

倪永全坦言，当前行业最薄弱的环节就是数据质量与闭环，“多数AI应用还停留在单点智能上，只能完成某个步骤，比如识别细胞形态，无法形成从感知到执行再到反馈的完整闭环。”为此，公司正推进面向真实世界的“数据采集和训练场”建设。未来实验室从“样本进”到“结果出”的全自动化愿景，虽然仍面临工程挑战，但“在不久的未来很快就会实现”。

“AI　for　Science”如何落地

AI的落地不能单打独斗。在此次大会上，海尔生物联合中国信息协会、广州国家实验室，以及紫东太初、遨博机器人、阿里云、宇树等生态伙伴，达成战略签约，共同构建“AI+数据+机器人+设备+应用”的生态共创平台。

AI能真的帮人类完成那些最难的科学实验吗？研究一线代表曹小宝表示，未来，“干实验（数字化模拟）与湿实验（自动化操作）需要自主协同”，结合大模型的决策能力与具身智能的执行力，科学发现过程有望实现“公式化”与“加速化”。

刘钢则给出了一个量化的时间表：2025年海尔生物AI相关收入占比已提升至15%，计划到2028年超过30%。“在AI for Science这条长跑赛道上，我们的选择是扎根场景、开放生态。只有实事求是地推动每一处效率改进，才能真正实现‘让科研更简单，让创新更高效’。”