恩和科技发布生物实验协议语言 BPL 与自动生成工具 BPL-COGEN，编译通过率 98.6%；并推出 SAION A…
生物制造领域长期缺少一套机器可理解、可编译、可验证的「实验语言」，导致 AI 在实验室落地的最后一公里始终难以打通。近日，恩和科技（Bota Biosciences）在预印本平台 bioRxiv 发布论文，提出面向生物实验的协议语言 Biology Protocol Language（BPL）及其配套自动生成工具 BPL-COGEN，并基于此推出被称为「AI 科学家」的 Physical AI 平台 SAION AI。
在软件工程与芯片设计领域，工程师早已使用标准化、可编译、可验证的描述语言，使系统能够稳定运行。但生物实验长期依赖自然语言撰写实验方案，「加入 5 毫升试剂，在 37 度环境培养一段时间，轻轻混匀」这类模糊表达，对人类可读，对机器却几乎等于没说。
过去二十年，学界曾推出 BioCoder、Autoprotocol、Antha、LabOP 等标准化方案，但普遍存在表达能力有限、设备绑定、门槛过高等问题，难以规模化。恩和科技 AI 与 Computation 总监 Alex Song 指出，许多发表在 Nature、Science 的顶刊论文，复现依然困难，原因在于实验过程缺乏统一表达方式。
BPL 的定位类似 Python 之于编程：科研人员看到的是实验方案，实验室设备看到的则是标准化协议代码。BPL 不仅是一种描述语言，还是一种可编译语言。在实验正式开始前，它会先在软件层面完成一轮「仿真」，检查单位是否正确、试剂是否存在、容器容量是否超限、步骤之间是否存在逻辑冲突，发现问题立即报错，避免实体实验失败后再返工。
配套工具 BPL-COGEN 负责将自然语言指令自动翻译为标准化 BPL 代码，再进入编译器进行「发现错误—自动修复—继续检查」循环，直至通过编译与仿真校验后才将指令同步至实验室设备。
为量化生成方案的精准度，团队从《Nature Protocols》选取了 30 篇经典实验方案，覆盖分子生物学、细胞培养、生化分析等领域，构建了 Benchmark 基准测试集。该基准采用「大模型评审 + 编译器客观校验」结合的模式，从内容匹配度、方案有效性、实验完整性三个维度打分：
在湿实验层面，团队进行了两项验证：一是同一份 BPL 代码分别转为人工操作说明书与自动化移液机执行脚本，两套体系的测序与荧光检测结果无显著差异；二是将原本 32 分钟的液相色谱分析流程自动压缩至 2.1 分钟，5 种脂溶性物质实现基线分离，分离顺序与原方法一致。
基于 BPL，恩和科技发布 SAION AI 平台，定位为「AI 科学家」。以研发一款高活性蛋白酶菌株为例：科研人员只需在 SAION AI 中输入目标，系统即可自动检索文献、分析技术路线、生成详细到每一步操作的实验方案，再经 BPL 传输至恩和的「生物铸造厂」Cell2Cloud，由自动化设备完成质粒设计、菌株构建、培养检测等全流程湿实验，全程无需人工干预，实验数据再自动回流供模型优化下一轮设计。
SAION AI 由三层架构组成：
官方数据显示，传统模式下单个研发项目一年可完成约 500 个菌株实验；在 SAION AI 加持下，单个项目同期可落地 30 万组实验。
恩和科技 2019 年成立于杭州，2021 年完成 1 亿美元 B 轮融资，投资方包括红杉中国、五源、源码、百度、美团、巴斯夫、经纬等。创始人兼 CEO 崔好毕业于多伦多大学，获哈佛医学院与 MIT 联合培养的医学工程与医学物理博士，曾以第一作者在《Science》《Nature Nanotechnology》《PNAS》发表论文。目前公司已与新和成、SYENSQO、伊利、BASF、珀莱雅、百雀羚等企业在食品、营养健康、个人护理等领域建立合作。
如果说 Cell2Cloud 是 Physical AI 的「身体」，SAION AI 是「大脑」，那么 BPL 就是连接两者的「神经系统」。恩和希望把 AI 从「纸上推理」推进到 7×24 小时自主完成湿实验的阶段，把生物制造变成像半导体 EDA 一样可描述、可验证、可仿真的产业基础设施。
