Google x nest.bio 沙龍，恩和科技闡釋Physical AI是生物制造破局關鍵

　　近日，恩和科技(Bota)受邀參加由 Google Cloud 與巢生 nest.bio 聯合主辦的「AI4S：從 Tool 到 Partner」主題沙龍，AI產品負責人李政遠(Red)代表恩和發表「Physical AI in Biomanufacturing」主題演講，系統闡述了恩和科技在 Physical AI 驅動生物制造方向的核心判斷與技術實踐。

　　本次沙龍匯聚了來自 Google、艾比歐義 AIxBio、若生科技 Noah.AI、艾思曼生物、幻量科技等機構嘉賓，圍繞前沿基礎研究、生物制造、新藥研發、自動化落地與底層算力支撐等議題展開深度交流。

　　AI在生物制造的產業化瓶頸之一，在于缺少「編譯環境」

　　李政遠在演講中提到，恩和AI團隊一直在探索一個關鍵問題：為什么Coding Agent在兩年內完成了從實驗室到產業級應用的跨越，而生物領域的AI落地卻遲遲未能在產業端形成同等的穿透力?其答案是：關鍵差異在于中間層。

　　Coding Agent能夠自行創建沙箱環境，讓代碼在隔離環境中運行、驗證、反饋，形成完整閉環。而AI預測出的分子結構、基因序列、實驗方案，最終必須在物理世界中驗證。這一層，是目前的大多數生物領域AI系統所缺失的。

　　“我們的團隊認為，Physical Environment可能比模型本身更加重要。只有真正與物理世界交互，AI的能力才能被評估，才能被信任，才能被產業采用。”李政遠在演講中表示。

　　SAION AI：補上生物制造的「編譯層」

　　正是基于這一判斷，恩和科技研發了SAION AI——全球首個面向生物制造的Physical AI平臺，其架構圍繞認知(Cognition)、控制(Orchestration)、執行(Execution)三層展開。

　　認知層整合了領域語言模型、蛋白質模型及各類預測模型，負責文獻檢索、序列分析與實驗方案生成;控制層是恩和認為最核心的部分，負責將AI輸出轉化為人類可執行、乃至機器可直接執行的標準化指令;執行層則連接恩和自動化實驗室與工廠生產設備，將數據實時回流至系統，形成真實的物理閉環。

　　BPL：給生物實驗發明一門標準語言

　　控制層的核心創新是BPL(Biology Protocol Language，生物可編程語言)。

　　現實中，同一份實驗方案從一個實驗室交給另一個實驗室執行，往往產生顯著的信息損耗。這正是行業普遍面臨的“協議復現難”困境的量化體現。BPL通過枚舉生物實驗室所有原子操作與標準名詞，將自然語言實驗方案轉譯為機器可讀的標準化代碼。同樣的測試中，經BPL轉譯后的文章與原文結構一致性達到99.4%，步驟數變異系數接近于零。

　　活動現場，李政遠進行了SAION AI 的實時演示：系統同時執行兩項任務——質粒設計與組裝(最終生成可直接運行于液體處理工作站的CSV指令文件)，以及乳鐵蛋白活性片段設計(完成3D結構預測、科學插圖生成與實驗Protocol輸出)。演示過程中，SAION AI從恩和內部數據庫實時調取序列數據，完成從任務理解到可執行方案的完整鏈路。

　　六年數據積累，構建Physical AI的核心壁壘

　　在圓桌對話環節，李政遠進一步分享了恩和在物理AI實踐層面的進展，“恩和在過去六年里積累了大量濕實驗數據，累計產出超過200萬條菌株記錄、800萬條序列數據和6900億以上堿基。這些數據不是模擬出來的，而是真實跑過物理實驗的結果。這正是Physical AI相較于Digital AI的根本優勢所在。只有在物理世界里真正驗證過的數據，才能支撐有產業價值的AI能力。”

　　未來，nest.bio 與 Google Cloud 將持續深耕生命科學 x AI 的交叉領域，帶來更多高質量的行業交流活動，見證 AI 賦能生命科學的全新未來。恩和也將積極參與前沿交流，繼續圍繞 Physical AI 賦能生物制造展開探索，與更多同行一起，在真實物理世界中推進這一轉變的持續發生。