近日，恩和科技（Bota）受邀参加由 Google Cloud 与巢生 nest.bio 联合主办的「AI4S:从 Tool 到 Partner」主题沙龙，AI产品负责人李政远(Red)代表恩和发表「Physical AI in Biomanufacturing」主题演讲，系统阐述了恩和科技在 Physical AI 驱动生物制造方向的核心判断与技术实践。
本次沙龙汇聚了来自 Google、艾比欧义 AIxBio、若生科技 Noah.AI、艾思曼生物、幻量科技等机构嘉宾，围绕前沿基础研究、生物制造、新药研发、自动化落地与底层算力支撑等议题展开深度交流。
AI在生物制造的产业化瓶颈之一，在于缺少「编译环境」
李政远在演讲中提到，恩和AI团队一直在探索一个关键问题:为什么Coding Agent在两年内完成了从实验室到产业级应用的跨越，而生物领域的AI落地却迟迟未能在产业端形成同等的穿透力?其答案是:关键差异在于中间层。
Coding Agent能够自行创建沙箱环境，让代码在隔离环境中运行、验证、反馈，形成完整闭环。而AI预测出的分子结构、基因序列、实验方案，最终必须在物理世界中验证。这一层，是目前的大多数生物领域AI系统所缺失的。
“我们的团队认为，Physical Environment可能比模型本身更加重要。只有真正与物理世界交互，AI的能力才能被评估，才能被信任，才能被产业采用。”李政远在演讲中表示。
SAION AI:补上生物制造的「编译层」
正是基于这一判断，恩和科技研发了SAION AI——全球首个面向生物制造的Physical AI平台，其架构围绕认知（Cognition）、控制(Orchestration)、执行(Execution)三层展开。
认知层整合了领域语言模型、蛋白质模型及各类预测模型，负责文献检索、序列分析与实验方案生成;控制层是恩和认为最核心的部分，负责将AI输出转化为人类可执行、乃至机器可直接执行的标准化指令;执行层则连接恩和自动化实验室与工厂生产设备，将数据实时回流至系统，形成真实的物理闭环。
BPL:给生物实验发明一门标准语言
控制层的核心创新是BPL（Biology Protocol Language，生物可编程语言）。
现实中，同一份实验方案从一个实验室交给另一个实验室执行，往往产生显著的信息损耗。这正是行业普遍面临的“协议复现难”困境的量化体现。BPL通过枚举生物实验室所有原子操作与标准名词，将自然语言实验方案转译为机器可读的标准化代码。同样的测试中，经BPL转译后的文章与原文结构一致性达到99.4%，步骤数变异系数接近于零。
活动现场，李政远进行了SAION AI 的实时演示:系统同时执行两项任务——质粒设计与组装（最终生成可直接运行于液体处理工作站的CSV指令文件），以及乳铁蛋白活性片段设计(完成3D结构预测、科学插图生成与实验Protocol输出)。演示过程中，SAION AI从恩和内部数据库实时调取序列数据，完成从任务理解到可执行方案的完整链路。
六年数据积累，构建Physical AI的核心壁垒
在圆桌对话环节，李政远进一步分享了恩和在物理AI实践层面的进展，“恩和在过去六年里积累了大量湿实验数据，累计产出超过200万条菌株记录、800万条序列数据和6900亿以上碱基。这些数据不是模拟出来的，而是真实跑过物理实验的结果。这正是Physical AI相较于Digital AI的根本优势所在。只有在物理世界里真正验证过的数据，才能支撑有产业价值的AI能力。”
未来，nest.bio 与 Google Cloud 将持续深耕生命科学 x AI 的交叉领域，带来更多高质量的行业交流活动，见证 AI 赋能生命科学的全新未来。恩和也将积极参与前沿交流，继续围绕 Physical AI 赋能生物制造展开探索，与更多同行一起，在真实物理世界中推进这一转变的持续发生。
（推广）