< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
黄仁勋说的Physical AI，被这家中国跨界选手带进了生命科学实验室
第三方测评超越OpenAI最强旗舰GPT-5.6 Sol
当AI公司还在读论文，Bio公司已经让AI做完了实验。
没错，又一热门AI赛道，被国产玩家率先跑通了——
AI for Bio，生命科学领域
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。
△图源：OpenAI官网
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
：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。
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。
这中间几乎隔着一整条转换链。ProtoPilot的论文拆得很清楚：
一个实验意图要变成湿实验台上的真实操作，需要穿过五层——科学意图、Protocol（方案设计）、SOP（标准操作流程）、设备代码，再到物理执行和反馈修正。
而每一层都要解决不同的模糊性，比如Protocol要表达生物逻辑、样本谱系和质控结构；SOP要把逻辑落到可操作的体积、浓度、耗材和温控条件上；设备代码要绑定deck布局、孔位映射、液体处理动作和厂商SDK指令……
就这一套下来，只要有任一环节出错，实验就可能失败。
所以，当AI for Bio的竞争从「模型能不能回答生命科学问题」转向「模型能不能走完从屏幕到实验台的全链路」时，行业真正缺的也就浮出水面了。
一块是「铲子」，能接住模型输出、连接专家、设备和湿实验反馈的Bio Agent Harness
没有这个，方案再漂亮也只能停在屏幕上。
一块是「尺子」，能评价Bio Agent真实实验链路能力的benchmark
不是考它做选择题，是看它生成的流程能不能在真实设备上跑得通。
现在公开的benchmark，比如ProtocolQA，考的还是阅读理解。
需要提醒，这两件事都不是坐在屏幕前就能凭空设计出来的，它们必须来自真实实验室：
真实任务、真实设备、真实约束、真实失败和真实专家判断。