生物实验室的“小龙虾”时刻：恩和发布SAION AI 平台

（原标题：生物实验室的“小龙虾”时刻：恩和发布SAION AI 平台）

当人工智能正以其强大的认知与生成能力深刻重塑着数字世界时，另一个更具突破性的力量已经迈入物理世界——物理人工智能，一个能够感知、理解并进入真实物理环境，直接参与任务执行并做出理性决策的智能系统。今天，恩和科技正式发布全球首个面向生物制造领域的Physical AI 平台：SAION AI。

SAION AI并非是停留在虚拟设计的AI智能体或单一执行的实验自动化工具，而是一个包含认知、控制与闭环执行能力，能实现自主设计、直接参与并优化生物发现与生产工艺的 Physical AI 平台。它能根据科研意图生成可执行的实验方案，通过恩和自研的生物标准协议语言（Biology Protocol Language，BPL）直达生物铸造厂，标准化地完成真实实验，并在数据闭环回流中持续进化，以解决生物制造领域研发及生产链路冗长、工序繁多、数据割裂，高度依赖人工经验与反复试错的行业挑战。

平台架构：认知、控制与闭环执行

在架构设计上，SAION AI 以 Physical AI 为核心理念，构建了由认知层（Cognition Layer）– 控制层（Orchestration Layer）– 闭环执行层（Close-loop Execution Layer）组成的协同进化架构（COE Model），其架构可以类比当前 Physical AI 领域广受关注的自动驾驶VLA模型（Vision–Language–Action模型）。VLA 模型构建了原生多模态大模型下的统一架构与认知推理能力，打破了传统模块化与规则驱动的范式，催生了高效数据进化与智能应用场景的涌现。SAION AI 通过恩和自研的三层架构，实现内在统一调度与协同，使其能够在复杂和长链路的生物制造工业场景中，依托数字维度对生命系统的多尺度深度认知、智能任务编排与工具调度，直达物理维度的任务执行与数据反馈，形成平台内自我优化的智能闭环。

认知层：多尺度生命系统理解能力

认知层建立在恩和自研 Cell2Cloud 生物铸造厂长期积累的数据基础之上，融合千万级真实项目闭环实验数据、百万级文献与专利，并整合NCBI、UniProt、PubMed 等生物专业数据库。系统整合 AlphaFold、ProteinMPNN、RFDiffusion、ESMFold 等多类 AI4Science 模型，覆盖蛋白结构预测、序列生成、代谢通路分析、酶工程与发酵数据建模等能力，使 SAION AI 能够贯通基因—蛋白—代谢—细胞—发酵等多尺度进行系统性认知，在庞大设计空间中识别最优研发方向，并为后续科研决策提供跨多尺度上下文数据基础。

控制层：动态编排中枢

控制层核心为 Agent Harness 智能体编排引擎，以大语言模型推理为核心，统一调度多智能体协作、工具调用与任务执行。系统可将复杂科研目标解析为结构化任务图，并基于企业沉淀的菌株开发与生物制造经验构建Workflow Skills，形成稳定的科研执行模式。同时，平台已整合 316种专业科研工具，通过智能工具路由实现模型与算法能力的动态组合，并通过Checkpoint 与容错机制支持长时间复杂科研流程稳定运行，构成 SAION AI 的科研决策与任务调度中枢。

执行层：标准化实验执行与数据闭环

执行层通过恩和自研生物标准协议语言 - BPL，将 SAION AI 生成的实验方案转化为标准化实验指令并直接驱动设备执行，实现研发计划到实验操作的自动化流转。系统通过对接 Biofoundry API 智能调度移液工作站、培养与检测设备，并实时监控实验进度与设备状态。同时实验数据会被自动解析并结构化回流平台，通过强化学习驱动模型持续优化，形成Design–Build–Test–Learn（DBTL）闭环，不断强化 SAION AI 的科研能力提升与知识资产积累。

通过这一架构，SAION AI 将科研认知、智能决策与物理实验执行深度融合，全方位构建面向生物制造的AI 驱动闭环系统。

真实性能表现

SAION AI 在多项国际生命科学AI基准测试上取得行业领先（SOTA）表现，系统性验证了其作为 AI Scientist 的核心科研能力。在文献理解、生物序列推理、基因工程设计与科学发现等关键科研任务中，SAION 均显著领先通用大模型和多项专业模型。

• 科研文献理解：在 LitQA (Lab-Bench) 与 SuppQA (Lab-Bench) 基准测试中达到70.7%平均准确率，显著领先当前主流基座模型 （GPT-5.3，Opus 4.6）近20个百分点，以及科研优化的模型 Stella 公开评测结果（LitQA 65.0%）。 • 生物序列分析：在 SeqQA (Lab-Bench) 基准测试准确率达到88.2% ，领先当前主流基座模型，超过公开评测成绩 斯坦福大学文献中发表的 Biomni平台 （81.9%），展现出领先的 DNA / RNA / 蛋白序列推理与设计能力。 • 基因工程与实验设计：在 Gene Editing (Lab-Bench) 与 Cloning Scenarios (SDE) 基准测试中平均准确率达到84.9%，达到当前模型中的 SOTA 水平，验证了其在真实分子生物学实验设计中的推理能力。 • 科学发现与推理：在 BAIS-SD 基准（评估智能体是否具备生成生物科学新发现与推理的能力）测试达到89.6%准确率，相比主流基准模型提升约12个百分点，体现出其在科研假设理解、科学推理和研究发现任务中的领先能力。 • 真实实验验证：由于目前尚无基准测试可全面测评 AI 模型在生物实验闭环执行能力，我们通过全流程真实实验验证了 SAION AI 的物理层面的科研表现。SAION 已自主完成从文献阅读到质粒设计及湿实验组装的任务，并实现90%+正确率，证明其不仅在科研理解与推理基准测试中表现出色，也具备在真实实验中独立驱动生物研发的能力。

综合四项核心基准测试与真实实验验证，SAION 在多项任务中排名第一。

这些结果表明，SAION 已具备贯穿生物科研流程的系统能力—从科学知识理解、序列分析到实验设计与科学发现，正在将AI从知识工具升级为能够驱动真实科研工作的AI Scientist模型，显著提升生物制造研发效率并加速科学发现到物理世界的进程。

核心优势和特点

基于上述架构和技术成果，SAION AI 核心优势和特点可总结为以下五点：

1. 双源知识驱动科研规划

SAION AI 以企业内部真实项目沉淀的千万量级私有实验数据，以及百万量级公开文献和专利构建起认知模型壁垒，结合多个SOTA模型优势，自主组合并链式调用多个前沿专用模型，形成自适应的目标导向工作流，将科研意图输出为可执行的技术路线，任务规划及方案。

2. 实验任务方案代码化

SAION AI 平台输出的实验任务方案，可通过恩和自研的生物标准协议语言（BPL）精准转化为的实验人员可标准化操作的实验工单与设备直接执行的机器指令。同时，作为标准协议，BPL实现了实验方案在不同人、不同时间、不同设备之间可复现性、可追踪，确保了实验结果数据的合规性。

3. 资产感知的场景化设计能力

菌株与生物元件是生物制造的核心资产。SAION AI 平台可在实验设计环节，自动识别内部库存中已有的、可复用的DNA片段、标准质粒及菌株，并主动推荐或自动纳入实验方案。同时，在实验执行过程中将 DNA 设计，菌株构建、转化、遗传信息传代等结果自动纳入数据库，形成可追溯的菌株构建路径和完整的菌株实物状态。

4. 直接驱动与智能调度生物铸造厂

通过BPL标准化协议，SAION AI 将实验方案转化为机器可读指令，直接递送至恩和自研Cell2Cloud 生物铸造厂并进行执行。消除传统生物实验中信息传递带来的损耗，提升实验执行准确性与复现性，并实时监控实验完成进度。此外，Cell2Cloud 生物铸造厂内的所有实验队列、设备状态与耗材库存，都在SAION AI 的驱动下实现最优智能调度。

5. 生物制造专属数据智能和知识沉淀

任务执行过程中，SAION AI 能实时自主获取、追踪、分析结果数据，支持理性决策，实现物理人工智能全链条介入生物制造流程。同时，沉淀而来的专属数据以结构化、可查询、可调用的状态存为组织数据资产，赋能内部人才培养，达到实验方案及工艺开发的精准设计，实现SAION AI 平台的全层次持续进化。

从研发闭环走向智造闭环

物理人工智能（Physical AI）深度的真实场景应用，拓展了认识生命的能力，更是在变革传统的实验与生产方式。 SAION AI 的发布标志着：生物制造开始进入数字认知、智能编排、闭环执行的持续自增强模态，推动行业从经验驱动的反复摸索，走向数字与硬件交互感知、迭代跃进的智能工程。生物制造的效率边界，正被重新定义。