終結“紙上談兵”：恩和科技發布SAION AI，讓 AI4Science 在真實實驗中自我進化

近日，開源AI智能體OpenClaw（俗稱“龍蝦”）全網爆火。全國兩會期間，高文院士感慨，“現在大家急得不得了，生怕沒有養上‘龍蝦’。馬化騰說他也沒想到，會火到這種程度。”事實上，OpenClaw的爆火并非偶然——不同于ChatGPT的問答交互，OpenClaw能直接操控本地設備，執行文件管理、代碼編寫等真實任務，成為24小時待命的“數字員工”。這表明：當人工智能重塑數字世界時，另一個更具突破性的力量已邁入物理世界——物理人工智能（Physical AI），一個能夠感知、理解并進入真實物理環境，直接參與任務執行并做出理性決策的智能系統。

而在更為硬核的科學研究領域，同樣的變革正在發生。在政策、資本、產業等協同發力下，生物制造正迎來“物理智能”的產業化拐點：政策端，國家部門接連發布《人工智能在生物制造領域典型應用案例（第一批）》《“人工智能+制造”專項行動實施意見》等政策，“AI+生物制造”已從科學探索升級為國家級、系統性產業戰略；資本端，國家創業投資引導基金正式啟動，財政出資1000億元，重點投向生物制造等戰略性新興產業和未來產業；產業端，工信部披露，“十四五”期間，我國生物制造產業總規模達1.1萬億元，生物發酵產品產量占全球70%以上。

但熱潮之下，行業深層矛盾日益凸顯：在經典的DBTL（設計－構建－測試－學習）循環中，“設計”與“學習”已被AI深刻改造，但“構建”與“測試”仍高度依賴人工操作與離散設備。生物制造領域，仍存在研發及生產鏈路冗長、工序繁多、數據割裂，高度依賴人工經驗與反復試錯等挑戰。Physical AI的出現，為行業提供了新的解題思路。不同于傳統AI在數字世界的推演，Physical AI強調智能體與物理環境的實時交互、閉環反饋與自主進化。在生物制造領域，這意味著AI不僅能設計菌株，更能直接指揮自動化設備完成實驗、獲取數據、迭代優化，形成真正的干濕閉環。

恩和科技（Bota）的進化軌跡恰與這一趨勢相合。3月9日，該公司完成品牌升級，從“恩和生物”更名為“恩和科技”。這不僅是名稱的變更，更標志著其從“生物”向“科技”的躍遷——從偶然的生物發現，走向系統性的工程智能。3月10日，恩和科技正式發布全球首個面向生物制造領域的Physical AI 平臺：SAION AI。

SAION AI并非停留在虛擬設計的AI智能體或單一執行的實驗自動化工具，而是一個包含認知、控制與閉環執行能力，能實現自主設計、直接參與并優化生物發現與生產工藝的 Physical AI 平臺。它能根據科研意圖生成可執行的實驗方案，通過恩和科技自研的生物標準協議語言（Biology Protocol Language，BPL）直達生物鑄造廠，標準化地完成真實實驗，并在數據閉環回流中持續進化，以解決生物制造領域研發及生產鏈路冗長、工序繁多、數據割裂，高度依賴人工經驗與反復試錯的行業挑戰。這不僅是一次產品發布，更標志著生物制造行業從“經驗驅動的反復摸索”邁向“數字與硬件交互感知、迭代躍進的智能工程”。

01

生物制造進入“自動駕駛”模式

在架構設計上，SAION AI 以 Physical AI 為核心理念，構建了由認知層（Cognition Layer）– 控制層（Orchestration Layer）– 閉環執行層（Close-loop Execution Layer）組成的協同進化架構（COE Model）。

這一架構可類比當前 Physical AI 領域廣受關注的自動駕駛VLA模型（Vision–Language–Action模型）。VLA 模型構建了原生多模態大模型下的統一架構與認知推理能力，打破了傳統模塊化與規則驅動的范式，催生了高效數據進化與智能應用場景的涌現。SAION AI通過恩和科技自研的三層架構，實現內在統一調度與協同，使其能夠在復雜和長鏈路的生物制造工業場景中，依托數字維度對生命系統的多尺度深度認知、智能任務編排與工具調度，直達物理維度的任務執行與數據反饋，形成平臺內自我優化的智能閉環。

■ 認知層：多尺度生命系統理解能力

認知層建立在恩和科技自研Cell2Cloud 生物鑄造廠長期積累的數據基礎之上，融合千萬級真實項目閉環實驗數據、百萬級文獻與專利，并整合NCBI、UniProt、PubMed 等生物專業數據庫。系統整合 AlphaFold、ProteinMPNN、RFDiffusion、ESMFold 等多類 AI4Science 模型，覆蓋蛋白結構預測、序列生成、代謝通路分析、酶工程與發酵數據建模等能力，使 SAION AI 能夠貫通基因—蛋白—代謝—細胞—發酵等多尺度進行系統性認知，在龐大設計空間中識別最優研發方向，并為后續科研決策提供跨多尺度上下文數據基礎。

■ 控制層：動態編排中樞

控制層核心為Agent Harness 智能體編排引擎，以大語言模型推理為核心，統一調度多智能體協作、工具調用與任務執行。系統可將復雜科研目標解析為結構化任務圖，并基于企業沉淀的菌株開發與生物制造經驗構建Workflow Skills，形成穩定的科研執行模式。同時，平臺已整合316 種專業科研工具，通過智能工具路由實現模型與算法能力的動態組合，并通過Checkpoint 與容錯機制支持長時間復雜科研流程穩定運行，構成 SAION AI 的科研決策與任務調度中樞。

■ 執行層：標準化實驗執行與數據閉環

執行層通過恩和自研生物標準協議語言 - BPL，將 SAION AI 生成的實驗方案轉化為標準化實驗指令并直接驅動設備執行，實現研發計劃到實驗操作的自動化流轉。系統通過對接 Biofoundry API 智能調度移液工作站、培養與檢測設備，并實時監控實驗進度與設備狀態。同時，實驗數據會被自動解析并結構化回流平臺，通過強化學習驅動模型持續優化，形成Design–Build–Test–Learn（DBTL）閉環，不斷強化 SAION AI 的科研能力提升與知識資產積累。

通過這一架構，SAION AI 將科研認知、智能決策與物理實驗執行深度融合，全方位構建面向生物制造的AI 驅動閉環系統。

02

SAION AI在多項國際基準評測中排名第一

具體到生物科研的各個流程中，SAION AI 在多項國際生命科學AI基準測試上，均取得行業領先（SOTA）表現，系統性驗證了其作為 AI Scientist 的核心科研能力。在文獻理解、生物序列推理、基因工程設計與科學發現等關鍵科研任務中，SAION AI 均顯著領先通用大模型和多項專業模型。

■ 科研文獻理解

在 LitQA (Lab-Bench) 與 SuppQA (Lab-Bench) 基準測試中達到70.7%平均準確率，顯著領先當前主流基座模型 （GPT-5.3，Opus 4.6）近20個百分點，以及科研優化的模型 Stella 公開評測結果（LitQA 65.0%）。

■ 生物序列分析

在 SeqQA (Lab-Bench) 基準測試準確率達到88.2% ，領先當前主流基座模型，超過公開評測成績——斯坦福大學文獻中發表的 Biomni平臺 （81.9%），展現出領先的 DNA / RNA / 蛋白序列推理與設計能力。

■ 基因工程與實驗設計

在 Gene Editing (Lab-Bench) 與 Cloning Scenarios (SDE) 基準測試中平均準確率達到 84.9%，達到當前模型中的 SOTA 水平，驗證了其在真實分子生物學實驗設計中的推理能力。

■ 科學發現與推理

在 BAIS-SD 基準（評估智能體是否具備生成生物科學新發現與推理的能力）測試達到89.6%準確率，相比主流基準模型提升約12個百分點，體現出其在科研假設理解、科學推理和研究發現任務中的領先能力。

■ 真實實驗驗證

由于目前尚無基準測試可全面測評 AI 模型在生物實驗閉環執行能力，我們通過全流程真實實驗驗證了 SAION AI 的物理層面的科研表現。SAION AI 已自主完成從文獻閱讀到質粒設計及濕實驗組裝的任務，并實現90%+正確率，證明其不僅在科研理解與推理基準測試中表現出色，也具備在真實實驗中獨立驅動生物研發的能力。

綜合四項核心基準測試與真實實驗驗證，SAION AI 在多項任務中排名第一。這些結果表明，SAION AI已具備貫穿生物科研流程的系統能力——從科學知識理解、序列分析到實驗設計與科學發現，正在將AI從知識工具升級為能夠驅動真實科研工作的AI Scientist模型，顯著提升生物制造研發效率并加速科學發現到物理世界的進程。

03

五大核心優勢，讓SAION AI成為“會自己做實驗”的AI科學家

基于上述架構和技術成果，SAION AI 具備五大核心優勢和特點：

■ 雙源知識驅動科研規劃

SAION AI 以企業內部真實項目沉淀的千萬量級私有實驗數據，疊加百萬量級公開文獻和專利，構建起認知模型壁壘。該平臺結合多個SOTA模型優勢，可自主組合并鏈式調用多個前沿專用模型，形成自適應的目標導向工作流，將科研意圖輸出為可執行的技術路線，任務規劃及實驗方案。

■ 實驗任務方案代碼化

SAION AI 輸出的實驗方案，可通過恩和科技自研的生物標準協議語言（BPL）精準轉化為實驗人員可標準化操作的實驗工單，以及設備可直接執行的機器指令。同時，作為標準協議，BPL實現了實驗方案在不同人、不同時間、不同設備間的可復現性、可追蹤性，保障了實驗結果數據的合規性。

■ 資產感知的場景化設計能力

菌株與生物元件是生物制造的核心資產。SAION AI可在實驗設計環節，自動識別內部庫存中已有的、可復用的DNA片段、標準質粒及菌株，并主動推薦或自動納入實驗方案。同時，在實驗執行過程中將 DNA 設計、菌株構建、轉化、遺傳信息傳代等結果自動納入數據庫，形成可追溯的菌株構建路徑和完整的菌株實物狀態。

■ 直接驅動與智能調度生物鑄造廠

通過BPL標準化協議，SAION AI 將實驗方案轉化為機器可讀指令，直接遞送至恩和科技自研Cell2Cloud 生物鑄造廠執行。消除傳統生物實驗中信息傳遞損耗，提升實驗執行準確性與復現性，并實時監控實驗進度。此外，Cell2Cloud 生物鑄造廠內的所有實驗隊列、設備狀態與耗材庫存，都在SAION AI 的驅動下實現最優智能調度。

■ 生物制造專屬數據智能和知識沉淀

任務執行過程中，SAION AI 能實時自主獲取、追蹤、分析結果數據，支持理性決策，實現物理人工智能全鏈條介入生物制造流程。同時，沉淀而來的專屬數據以結構化、可查詢、可調用的狀態轉化為組織數據資產，賦能內部人才培養，達到實驗方案及工藝開發的精準設計，驅動SAION AI 平臺的全層次持續進化。

04

Pysical AI讓研發閉環走向智造閉環

物理人工智能（Physical AI）深度的真實場景應用，拓展了認識生命的能力，更是在根本上變革了傳統生物制造的實驗范式與生產邏輯。當AI的“手”真正伸入實驗室，傳統的“假設－驗證”線性研發模式被打破，取而代之的是一個自我進化、持續增強的智能系統——每一次實驗的數據回流都在強化平臺的認知能力，形成越用越聰明的正向飛輪。這種持續自增強模態，正是Physical AI區別于傳統自動化工具的核心特征，也是填平實驗室到產業化死亡之谷的關鍵力量。

SAION AI 的發布標志著：生物制造開始進入數字認知、智能編排、閉環執行的持續自增強模態。在新的發展階段中，AI不再只是研發人員的輔助工具，而是成為能夠獨立驅動科研流程的“智能體”；實驗不再依賴個體經驗，而是基于千萬級數據沉淀的標準化工程；知識不再封閉于論文與專利，而是以結構化形態持續積累、即時調用。從產業演進視角看，這不僅是技術的突破，更是基礎設施的重構。當數字認知與物理執行真正融合，生物制造行業從經驗驅動的反復摸索，走向數字與硬件交互感知、迭代躍進的智能工程。SAION AI的正式發布，讓生物制造的效率邊界，徹底被重新定義。

恩和科技聯系方式：bota.pr@bota.bio

SAION AI: 面向生物制造領域的 Physical AI 平臺

如果您想對接文章中提到的項目，或您的項目想被動脈網報道，或者發布融資新聞，請與我們聯系；也可加入動脈網行業社群，結交更多志同道合的好友。

聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。文中如果涉及企業信息和數據，均由受訪者向分析師提供并確認。