国产物理AI黑马杀出：超越GPT新智元
生物研发进步提速长期受制于海量人工试错。恩和首发全球生物制造物理 AI 平台 SAION，打破 AI 仅限虚拟辅助的痛点。最大惊喜是它「长出了手脚」，能自主设计并直接调度设备执行真实实验，实现闭环进化！其生物科研表现全面超越 GPT 与斯坦福 Biomni，实现 SOTA。AI 科学家终于下场干活了！
当我们在为大模型生成的逼真视频惊呼，为它的代码推理能力震撼时，真实世界的另一条赛道其实显得异常原始。
在最前沿的生物实验室，哪怕是最顶尖的科学家，依然需要日复一日地进行海量的移液、细胞培养与漫长枯燥的试错。
AI 在数字世界里呼风唤雨，却往往在物理世界的试管面前无能为力。
就在今天，恩和科技直接掀翻了这张旧桌子，正式发布全球首个面向生物制造的物理人工智能平台——SAION AI。
它彻底打破了「大模型只能做虚拟辅助」的刻板印象。
这不仅仅是一个能帮你读文献、写规划的聪明大脑，更是一个真正长出「手脚」、能下场干活的「AI 科学家」。
它能自主吞下海量真实实验数据与顶刊文献，构思出复杂的基因组装方案，随后直接将方案转化为标准化指令，调度生物铸造厂的自动化设备，精准执行每一次真实的物理实验。
试管里的结果一经产出，数据便会瞬间回流至系统，驱动模型完成自我进化。
在多尺度认知、智能编排与实验执行构成的闭环中，生物制造长期依赖人工经验与反复试错的研发方式，正在被更标准化、数据化的体系替代。
当 AI 开始直接介入物理世界的生命创造，一套全新的法则已经悄然启动。
恩和科技发布 SAION AI
面向生物制造的物理智能平台
当人工智能正以其强大的认知与生成能力深刻重塑着数字世界时，另一个更具突破性的力量已经迈入物理世界——物理人工智能，一个能够感知、理解并进入真实物理环境，直接参与任务执行并做出理性决策的智能系统。
今天，恩和科技正式发布全球首个面向生物制造领域的 Physical AI 平台：SAION AI。
SAION AI 并非停留在虚拟设计的 AI 智能体或单一执行的实验自动化工具，而是一个包含认知、控制与闭环执行能力，能实现自主设计、直接参与并优化生物发现与生产工艺的 Physical AI 平台。
它能根据科研意图生成可执行的实验方案，通过恩和自研的生物标准协议语言（Biology Protocol Language，BPL）直达生物铸造厂，标准化地完成真实实验，并在数据闭环回流中持续进化，以解决生物制造领域研发及生产链路冗长、工序繁多、数据割裂，高度依赖人工经验与反复试错的行业挑战。
认知、控制与闭环执行
在架构设计上，SAION AI 以 Physical AI 为核心理念，构建了由认知层（Cognition Layer）– 控制层（Orchestration Layer）– 闭环执行层（Closed-loop Execution Layer）组成的协同进化架构（COE Model），其架构可以类比当前 Physical AI 领域广受关注的自动驾驶 VLA 模型（Vision–Language–Action 模型）。
VLA 模型构建了原生多模态大模型下的统一架构与认知推理能力，打破了传统模块化与规则驱动的范式，催生了高效数据进化与智能应用场景的涌现。
SAION AI 通过恩和自研的三层架构，实现内在统一调度与协同，使其能够在复杂和长链路的生物制造工业场景中，依托数字维度对生命系统的多尺度深度认知、智能任务编排与工具调度，直达物理维度的任务执行与数据反馈，形成平台内自我优化的智能闭环。
认知层：多尺度生命系统理解能力
认知层建立在恩和自研 Cell2Cloud 生物铸造厂长期积累的数据基础之上，融合千万级真实项目闭环实验数据、百万级文献与专利，并整合 NCBI、UniProt、PubMed 等生物专业数据库。
系统整合 AlphaFold、ProteinMPNN、RFDiffusion、ESMFold 等多类 AI4Science 模型，覆盖蛋白结构预测、序列生成、代谢通路分析、酶工程与发酵数据建模等能力，使 SAION AI 能够贯通基因—蛋白—代谢—细胞—发酵等多尺度进行系统性认知，在庞大设计空间中识别最优研发方向，并为后续科研决策提供跨多尺度上下文数据基础。
控制层：动态编排中枢
控制层核心为 Agent Harness 智能体编排引擎，以大语言模型推理为核心，统一调度多智能体协作、工具调用与任务执行。
系统可将复杂科研目标解析为结构化任务图，并基于企业沉淀的菌株开发与生物制造经验构建 Workflow Skills，形成稳定的科研执行模式。
同时，平台已整合 316 种专业科研工具，通过智能工具路由实现模型与算法能力的动态组合，并通过 Checkpoint 与容错机制支持长时间复杂科研流程稳定运行，构成 SAION AI 的科研决策与任务调度中枢。
执行层：标准化实验执行与数据闭环
执行层通过恩和自研生物标准协议语言 - BPL，将 SAION AI 生成的实验方案转化为标准化实验指令并直接驱动设备执行，实现研发计划到实验操作的自动化流转。
系统通过对接 Biofoundry API 智能调度移液工作站、培养与检测设备，并实时监控实验进度与设备状态。
同时实验数据会被自动解析并结构化回流平台，通过强化学习驱动模型持续优化，形成 Design–Build–Test–Learn（DBTL）闭环，不断强化 SAION AI 的科研能力提升与知识资产积累。
通过这一架构，SAION AI 将科研认知、智能决策与物理实验执行深度融合，全方位构建面向生物制造的 AI 驱动闭环系统。
真实性能表现
SAION AI 在多项国际生命科学 AI 基准测试上取得行业领先（SOTA）表现，系统性验证了其作为 AI Scientist 的核心科研能力。
在文献理解、生物序列推理、基因工程设计与科学发现等关键科研任务中，SAION 均显著领先通用大模型和多项专业模型。
科研文献理解
在 LitQA (Lab-Bench) 与 SuppQA (Lab-Bench) 基准测试中达到 70.7% 平均准确率，显著领先当前主流基座模型 （GPT-5.3，Opus 4.6）近 20 个百分点，以及科研优化的模型 Stella 公开评测结果（LitQA 65.0%）。
生物序列分析
在 SeqQA (Lab-Bench) 基准测试准确率达到 88.2% ，领先当前主流基座模型，超过公开评测成绩斯坦福大学文献中发表的 Biomni 平台（81.9%），展现出领先的 DNA / RNA / 蛋白序列推理与设计能力。
基因工程与实验设计
在 Gene Editing (Lab-Bench) 与 Cloning Scenarios (SDE) 基准测试中平均准确率达到 84.9%，达到当前模型中的 SOTA 水平，验证了其在真实分子生物学实验设计中的推理能力。
科学发现与推理
在 BAIS-SD 基准（评估智能体是否具备生成生物科学新发现与推理的能力）测试达到 89.6% 准确率，相比主流基准模型提升约 12 个百分点，体现出其在科研假设理解、科学推理和研究发现任务中的领先能力。
