舊金山和杭州2026年3月11日 /美通社/ -- 當人工智能正以其強大的認知與生成能力深刻重塑著數字世界時，另一個更具突破性的力量已經邁入物理世界——物理人工智能，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。今天，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 并非是停留在虛擬設計的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。
01 平臺架構：認知、控制與閉環執行
在架構設計上，SAION AI 以 Physical AI 為核心理念，構建了由認知層（Cognition）– 控制層（Orchestration）– 閉環執行層（Closed-loop Execution）組成的協同進化架構（COE Model）。
SAION AI 通過恩和自研的三層架構，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 真實性能表現
SAION AI 在多項國際生命科學AI基準測試上取得行業領先（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 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。
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 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 在多項任務中排名第一。
這些結果表明，SAION 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核心優勢與特點
基于上述架構和技術成果，SAION AI 核心優勢和特點可總結為以下五點：
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，以及百萬量級公開文獻和專利構建起認知模型壁壘，結合多個SOTA模型優勢，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，任務規劃及方案。
實驗任務方案代碼化
SAION AI 平臺輸出的實驗任務方案，可通過恩和自研的生物標準協議語言（BPL）精準轉化為的實驗人員可標準化操作的實驗工單與設備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、不同設備之間可復現性、可追蹤，確保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 平臺可在實驗設計環節，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，直接遞送至恩和自研Cell2Cloud 生物鑄造廠并進行執行。消除傳統生物實驗中信息傳遞帶來的損耗，提升實驗執行準確性與復現性，并實時監控實驗完成進度。
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、可調用的狀態存為組織數據資產，賦能內部人才培養，達到實驗方案及工藝開發的精準設計，實現SAION AI 平臺的全層次持續進化。
04從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，更是在變革傳統的實驗與生產方式。 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，推動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。生物制造的效率邊界，正被重新定義。
