软件先容

乐鱼在哪玩使用指南

第一步：导入文件

翻开软件，
，点击"?添加 乐鱼在哪玩"按钮，
，从电脑中选择《乐鱼在哪玩》文件，
，或直接将其拖拽至软件界面中。。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，
，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。

第三步：最先下载

确认无误后，
，点击"最先下载/处理"按钮。。。期待进度条读取完毕，
，即可在设定的文件夹中审查下载好的正版文件。。。

对话涌生智能杨梦：AI for Bio的下一场竞争是把实验闭环验证做出来，
，乐鱼在哪玩

随着 Google DeepMind、OpenAI、Anthropic 等科技巨头相继进入生命科学领域，
，AI for Bio 的竞争也在爆发转变：行业关注的问题，
，已经不再只是模子能不可回覆生命科学问题，
，而是模子能不可真正进入科研流程，
，把实验做出来。。。

从科学假设天生、实验方案设计，
，到药物发明和卵白质工程，
，大模子已经展现出强盛的知识与推理能力。。。但生命科学研究并不但爆发在屏幕之中。。。一个实验意图要酿成真实效果，
，需要依次经由实验方案、标准操作流程、仪器执行和反馈修正。。。其间涉及样本、耗材、体积、温度、孔位和装备接口等大宗物理约束，
，任何一个环节泛起误差，
，都可能导致实验失败。。。

这也是 AI for Bio 恒久停留在“会想不会做”阶段的原因：AI 可以天生一份看似合理的实验方案，
，却很难把它转化为机械能够明确和执行的行动，
，更无法在真实湿实验失败后总结原因、调解方案并重新实验。。。

近期，
，华大智造旗下子公司涌生智能与上海人工智能实验室联合宣布的两项效果，
，为跨越这道鸿沟提供了一条新路径：真实实验室场景驱动的自进化多智能系一切 ProtoPilot，
，以及生命科学领域首个从用户需求到装备可执行的全流程 Agent 评测系统 BioLab Bench，
，交出了全球生命科学实验室首份 Physical AI 答卷。。。

（泉源：涌生智能）

其中，
，ProtoPilot 买通了从自然语言实验需求、Protocol 天生、SOP 合成和自动化代码转换，
，到装备执行、实验反馈与方案优化的完整链路。。。在菌液作育、菌落 PCR、质粒构建、定点突变和 DNA 组装等实验中，
，它已经将天生的流程放到真实装备上执行，
，并能凭证失败效果修正方案、再次实验。。。

BioLab Bench 则面向真实生命科学使命，
，权衡智能体能否把实验意图转化为方案、SOP 和机械可执行代码，
，能否适配差别品牌的自动化装备，
，并最终通过真实实验验证。。。它所考察的不但是 AI 懂不懂实验，
，而是 AI 能不可完成实验。。。

二者配合增补了行业所需要的新的基础设施：装备可以被代码驱动，
，Agent 才拥有“手”
；；实验效果能够回流，
，Agent 才拥有“眼睛”
；；真实失败和专家判断一连沉淀，
，系统才可能在一次次实验中学习和进化。。。

为相识这些效果背后的手艺路径与工业思索，
，我们约请了这项研究的主要向导者、华大智造首席 AI 官、华大涌生智能 CEO 杨梦博士举行深度对话。。。

杨梦曾赴麻省理工学院攻读并获得化学工程硕士学位，
，并在哥本哈根大学取得盘算生物学博士学位。。。从合成生物学、重大工程系统建模，
，到组学数据剖析和实验室自动化，
，这条交织学科路径，
，让他既明确生命系统的重大性，
，也熟悉怎样使用 AI 和工程手艺把科研设想转化为可执行的实验流程。。。

在华大事情的十余年间，
，杨梦曾是前沿手艺 X 研发中心、自觉光测序仪研发中心和实验室自动化营业的认真人，
，主导开发自觉光半导体测序仪、AI 驱动的实验室自动化系统和超声影像机械人等产品。。。他在 Nature Biomedical Engineering、Nature Machine Intelligence、Nucleic Acids Research 等期刊以第一作者或通讯作者揭晓论文 15 篇，
，拥有发明专利 40 余项。。。

2026 年，
，他以内部创业方式推动建设涌生智能，
，定位为 AI for Bio 自进化实验室与干湿闭环基础设施立异企业，
，致力于将 AI Agent 与实验室软硬件深度融合，
，构建能够自主设计、执行、剖析并一连迭代实验的自进化实验室，
，让科学发明越发规
；；⒈曜蓟涂梢涣。。

在这场对话中，
，我们和杨梦深入探讨了为什么全球大部分 AI 公司都还没有真正走进实验室？？
？？？生命科学实验室的 Physical AI 对真实厘革有什么意义？？
？？？ProtoPilot 为什么能够领先主流大模子？？
？？？为什么需要 Agent 评测系统？？
？？？以及当 AI 最先执行实验，
，人类科学家将迎来怎样的新角色？？
？？？

对话涌生智能杨梦：AI for Bio的下一场竞争，
，是把实验闭环验证真正做出来,DeepTech深科技,1小时15分钟

以下为全文对话：

DeepTech：请你先先容下自己的事情配景和现在关注的偏向。。。

杨梦：我个人的修业履历具有较量显着的交织学科配景。。。

本科时代我主要从事合成生物学研究，
，是较早加入 iGEM 角逐的一批学生，
，其时主要做基因线路设计，
，很早就接触到了干实验和湿实验，
，也亲自体会到实验环节可能是生命科学研究中一个很难跨越的鸿沟。。。

硕士阶段我最先接触化工、生物化工领域的数字化仿真与模拟，
，这段履历对现在的事情很有资助，
，涉及对重大工程系统的建模，
，也与现在较量热门的 Physical AI 有一定关联，
，就是把物理定律作为约束引入大模子架构，
，为我明确物理驱动、具有物理约束的大模子涤讪了基础。。。

厥后我又接触到了生命科学的组学研究，
，组学数据自己很是重大，
，也由此看到了使用 AI 处理大规模数据的潜力。。。从本科、硕士到博士阶段的履历，
，让我逐渐明确了生命科学系统的重大性，
，也熟悉到了当宿世命科学研究的界线。。。

我在华大事情已经有 11 年，
，曾在差别部分任职，
，在华大智造做过测序仪，
，也加入过实验室自动化装备的研发。。。现在我孵化了一家叫“涌生智能”的子公司，
，专注于打造自主进化实验室。。。我们希望以 AI 原生的方式组织团队、开发产品息争决方案，
，最终打造能够自主进化的实验室，
，赋能相助同伴，
，资助他们提高研发效率。。。

从工业角度，
，我们希望通过 AI 原生实验室创立新的 IP 和产品
；；从科学角度，
，我们希望资助相助同伴发明新的机制和机理，
，进一步探索和挑战人类对生命科学的认知界线。。。

DeepTech：2026 年上半年，
，AI 用于生命科学的研究再次爆火。。。在大语言模子时代，
，AI 赋能生命科学详细有哪些希望？？
？？？

杨梦：生命科学研究已经进入到了数据驱动的研发范式，
，这一趋势与 AI 手艺的生长蹊径不谋而合。。。面临数据驱动的研究，
，运用最新的盘算工具，
，特殊是使用 AI 明确重大的生命系统，
，是一个很是自然的历程。。。

以基因组研究为例，
，每个人的基因组中都有数百万个突变或变异。。。已往，
，研究职员可能主要接纳统计磨练等相对简朴的要领举行剖析。。。未来，
，随着差别维度组学数据的积累，
，我们可以使用更重大的模子开展研究。。。虽然，
，各人还会进一步追求模子的可诠释性，
，使其真正资助我们明确生命系统。。。我相信，
，这将把生命科学研究带到一个全新的维度。。。

这两件事情恰恰爆发在统一时间节点，
，这也是近期 AI for Bio 成为全球热门的主要原因。。。

DeepTech：OpenAI、Anthropic 以及 Google DeepMind 都在起劲结构 AI for Bio。。。你怎么看这一轮行业的转变，
，尤其是 AI 公司向生命科学领域举行前沿探索？？
？？？

杨梦：我以为这几家公司中，
，结构最早、基本最深的照旧 DeepMind。。。AlphaFold 已经获得了诺贝尔奖，
，Demis Hassabis 对 DeepMind 的愿景，
，一直是希望通过 AI 推动新的科学突破。。。

OpenAI 和 Anthropic 的出发点有所差别。。。这两家公司都依赖大模子实现了较为乐成的商业化，
，只是一个更偏向 To C，
，另一个更偏向 To B。。。

我个人以为，
，它们将这些工具应用于生命科学，
，一方面也是在向资源市场展示一种面向未来的愿景。。。无论是对投资人照旧对公众而言，
，都是一个很好的愿景：AI 不但可以天生视频、举行对话，
，还能够推动生命科学和制药领域的生长。。。

另一方面，
，制药自己是一个高投入、高风险、高回报的行业。。。在 AI 的加持下，
，逐渐有通过 AI 设计的分子进入临床 Ⅱ 期、Ⅲ 期。。。各人也看到了制药行业能够为这些公司的估值和模子应用带来的全新场景。。。

以是，
，这三家公司虽然出发点差别，
，但都是一个很是自然而然的历程。。。

DeepTech：从早期的 AI 制药，
，到现在使用大模子驱动生命科学研究，
，作为从业者，
，你视察到的最大转变是什么？？
？？？

杨梦：早期的 AI 制药，
，可能更多是使用某个模子解决制药流程中的一个详细问题，
，例如展望亲和力、消融度，
，或者设计一个具有更好结协力的分子。。。

大模子则可以把重大的制药事情流串联起来。。。有了基座大模子之后，
，我们可以通过它编排差别的专家智能体或子智能体，
，笼罩整个制药流程，
，从分子设计，
，到 Hit、Lead 阶段，
，再光临床前研究和临床试验。。。

特殊是，
，现在的 AI 已经具备了较好的基础知识。。。在早期分子发明阶段，
，它就有可能兼顾后期的一些问题，
，例如临床试验招募、顺应症选择和患者分层等。。。

以是我以为，
，基于基座大模子的 AI 制药与已往 AI 制药之间的一个要害区别，
，就是它不再只解决某个单点问题，
，而是能够贯串和协调解个制药流程。。。

DeepTech：你们团队揭晓了多篇关于 Agent 应用于生命科学的论文，
，你们是从什么时间最先关注 Agent，
，又是什么时间最先实验让 AI 跑通整个科研流程的？？
？？？

杨梦：就跑通整个流程而言，
，现在还没有谁能够真正做到。。。我们引入 Agent，
，是希望它至少可以应用于一些相对标准化、允许重复试错，
，或者人工操作较为繁琐的流程，
，从而释放科研职员的能力。。。

我们最早关注 AI 可以追溯到 BERT 时代。。。约莫在 2020 年，
，我们用 BERT 训练人类基因组数据，
，构建了基因组语言模子，
，厥后又陆续开展了单细胞模子和卵白质设计模子的研究。。。

到 2023-2024 年，
，我们在现实事情中遇到了引物序列设计这个较量繁琐的场景，
，涉及多轮试错、迭代和实验验证。。。其时 Agent 刚刚崭露头角，
，架构还较量简朴，
，也没有充分思量 Harness 等问题。。。从那时间最先，
，我们就希望引入 Agent，
，解决一些需要自主迭代和试错的事情。。。

直到 2025 年底，
，Agent 的能力泛起了实质提升，
，特殊是在 Coding 领域，
，已经能完成工具调理、影象生涯、履历沉淀等使命。。。于是我们最先把 Agent 引入实验室，
，笼罩项目设计、流程设计、自动化剧本编写和方案迭代等环节。。。

我们以为，
，这一轮生长基本上把 Agent 的架构推到了工程可用的阶段，
，以是也最先用 Agent 赋能实验室自动化营业。。。

DeepTech：现在 Agent 还不可跑通生命科学研究的所有流程。。。那么，
，涌生智能现阶段重点发力的是哪个环节？？
？？？

杨梦：生命科学包括许多细分偏向，
，同时在一定水平上仍然是一个由履历驱动的研究历程。。。因此，
，真正实现端到端现在照旧一种理想状态，
，但未来一定会朝着这个偏向生长。。。虽然，
，“端到端”也可以被界说在某个详细？？
？？？橹，
，好比从序列设计到功效验证，
，至少在部分细分领域，
，已经可以实现一定水平的端到端。。。

我们现在专注于一些需要大宗试错、实验历程冗长、同时对操作标准化和效果重现性要求较高的领域，
，希望在这些场景中打造端到端的智能体。。。

最近我们重点开展的事情，
，是优化靶向测序建库的实验流程。。。这个历程需要一直试错、一连调解实验参数，
，最终实现更好的靶向测序效果。。。这也是一个相对聚焦的领域，
，同时也是母公司华大智造积累较量深挚的偏向。。。

我们既有现实应用场景，
，也有一批领域专家，
，可以通过人在环路的方式对数据举行洗濯和整理，
，使这些知识与数据能够被 Agent 或 AI 明确和使用。。。在此基础上，
，我们专注于买通一个完整闭环：从明确建库实验意图，
，到设计建库实验流程、编写机械运行剧本，
，再到剖析建库数据并举行迭代。。。现阶段，
，我们希望在这一相对关闭的场景中，
，使用多智能体赋能生命科学研究，
，先把这项事情做扎实。。。

图 | 从科研目的到湿实验反馈的闭环流水线（泉源：涌生智能）

DeepTech：OpenAI 和 Anthropic 在生命科学领域的探索，
，更多是从自身模子能力出发，
，但现在更多停留在干实验阶段，
，还没有真正进入实验室。。。而建库等历程涉及大宗湿实验，
，需要干湿连系。。。你以为它们在模子方面的起劲，
，距离真正进入实验室尚有多远？？
？？？

杨梦：我以为关于这些模子巨头来说，
，若是决议自建实验室，
，依附自身的模子能力，
，完全有可能自上而下地打造一座 AI 原生实验室。。。我看到新闻说 Anthropic 也在思量自建生命科学实验室，
，OpenAI 也孵化了一些相关项目，
，Sam Altman 自己也投资了一些做诱导多醒目细胞研究的公司。。。以是我以为，
，他们一定会从基座模子能力出发，
，从第一天就把整个实验室凭证 AI 原生的方式设计。。。

凯时AG出发点差别。。。我们已经有现实的应用场景和明确的需求，
，以是会先聚焦某个详细？？
？？？榛虻サ阄侍，
，率先让 AI 在这个环节跑通。。。我们自己就有许多专家员工，
，天天都在真实天下里做这些事情。。。我们做的事情，
，简朴说就是使用基座模子，
，做 Harness Engineering，
，把专家履历转化为可一连沉淀、更新和迭代的知识，
，固化在 AI 系统里。。。随着更多员工和相助同伴最先使用这样的 AI，
，我们希望把“人在环路”的知识沉淀机制做扎实。。。

各人最终追求的目的都一样，
，就是实现干湿实验闭环。。。凯时AG路径是一步一个脚印，
，先把每一个子？？
？？？榈母墒笛楸栈纷龊，
，再逐渐走向端到端。。。受资源体量、叙事逻辑和商业模式等因素影响，
，各人选择了差别路径：模子公司偏自上而下，
，我们偏自下而上。。。

DeepTech：现在，
，AI 更多保存于屏幕之中，
，即即是 Physical AI，
，现阶段也主要用于操作机械人。。。为什么实验室自动化比模子研发更重大？？
？？？

杨梦：我以为大模子进入真实的物理天下时，
，都会遇到类似的问题。。。

现在大模子商业化体现较好的场景主要是 Coding 和文生视频，
，金融、包管理赔、执法等服务行业也在逐步应用 AI，
，由于这些行业自己数字化基础较好，
，可以在现有流程上叠加智能体能力。。。

但实验室需要直接与物理天下交互。。。我们既要让大模子和 Agent 坚持智能，
，又要确保它们在明确的界线内清静运行，
，尽可能镌汰幻觉，
，这自己就是一项重大的工程。。。

实验室自动化也在逐步从简单功效自动化、流程自动化走向智能化。。。现在图像识别、细胞支解和参数设计等环节已经可以实现部分自动化。。。未来在 Agent 的加持下，
，实验室有望进一步实现自主运行、自主设计实验以致自我进化，
，但这需要逐步建设。。。

其中最重大的一点是，
，人工实验流程无法直接迁徙到机械上。。。人工能顺遂完成的 SOP，
，纷歧定适合自动化装备，
，液体事情站在移液精度和操作方式上也有自身的能力界线。。。以是从手工实验到自动化实验不是简朴平移，
，而是需要重新迭代和优化。。
；；挡倏匾禾濉⑾赴臀⑸，
，还涉及传感器、控制逻辑等重大问题。。。只有经由恒久的工程和产品积累，
，接触足够多的实验方案、液体、耗材、微生物和细胞，
，才华推动实验室从自动化走向智能化和自主化。。。

图 | 五层实验数据表征框架（泉源：涌生智能）

DeepTech：你希望使用 AI 解决哪些问题？？
？？？是明确实验职员的意图并天生 Protocol，
，照旧把人工实验转换为机械可以自动执行的流程？？
？？？

杨梦：凯时AG最终目的是解决所有环节的问题，
，现阶段的思绪是先在一个详细场景中买通端到端流程。。。好比在测序建库场景中，
，我们希望把从实验意图明确、Protocol 天生、装备执行到数据剖析与反馈的整个流程买通。。。

我以为只有买通端到端流程，
，才华沉淀最有价值的数据。。。无论未来是训练新模子、对模子举行后训练和微调，
，照旧开发 Agent，
，这些端到端数据都很是主要。。。由于真正的智能需要具备向前妄想多步的能力，
，而完整的端到端数据正是实现这一能力的基础。。。

DeepTech：你所说的端到端，
，是让 AI 拆解并完成每一个方法，
，照旧像端到端自动驾驶一样，
，由一个模子直接完成整个流程，
，不需要中心的接口转换？？
？？？

杨梦：我们现在接纳的是一种较量务实的路径：让 AI 在每一个功效或？？
？？？橹行纬杀栈贰。。好比明确实验意图这一环节，
，可以通过基座模子与相关知识的注入，
，让 AI 在与人的一连交互中逐步提升能力。。。

以是我们不追求简单模子的端到端，
，而是追求整个事情流的端到端。。。事情流的主干可以是相对牢靠的，
，每一个？？
？？？樵虺浞盅檎 AI 的能力，
，通过 Harness、一连学习和自我进化完成详细使命。。。

简朴来说，
，就是以相对牢靠的事情流为主干，
，让 AI 在每个？？
？？？橹谐浞盅檎骨绷Α。。

DeepTech：在自动化实验装备与 AI 连系方面，
，现在的现状和挑战是什么？？
？？？

杨梦：已往，
，工业自动化公司开发实验室自动化装备，
，主要是为了销售产品和仪器，
，因此需要将某一项功效做到足够的产品化。。。

但我们最终希望交付的是实验效果。。。在实现这一目的之前，
，首先要交付一套全流程解决方案。。。因此，
，我们思量的不是某个？？
？？？榈牟坊，
，而是怎样让整套重大的生命科学事情流具备足够的智能，
，并在每一个方法中挪用响应的自动化装备。。。

DeepTech：以是，
，限制 AI 向生命科学生长的往往不是模子能力，
，而是真实天下的硬件操作。。。物理装备客观保存误差，
，且装备间的工序转换极其重大。。。怎样解决这些问题，
，才是真正的行业 Know-How。。。

杨梦：完全赞成。。。每一次装备操作的背后，
，都有其深刻的逻辑原理与实践履历在支持。。。

DeepTech：随着 AI 的加入，
，实验室的组成已经演变为“人+装备+AI”。。。这带来一个问题：未来的模式事实是“人指挥 AI、AI 操作装备”的层级递进，
，照旧整个实验室将迎来全新的顶层设计理念？？
？？？

杨梦：从目今 AI 的生长历程来看，
，一个典范征象是：无论是 AI 天生的代码照旧视频，
，后续往往需要人类花更多精神去校验，
，才华做到真正可用。。。生命科学也是同样的逻辑。。。

以是更好的路径，
，是在每一个？？
？？？橹形 AI 设定足够的规则和约束，
，通过良性的人机互动，
，让 AI 协助人类触达此前未曾思索过的盲区。。。至少在短期内，
，实验室中牢靠流程的操作可以交给机械人，
，但每一步的决媾和反馈，
，依然需要人类把关。。。而这个把关的历程，
，我建议由人类和 AI 协同完成。。。

由于人类的个体知识和履历客观上保存局限。。。已往实验中一旦泛起新的数据点或反常征象，
，无论新手照旧专家，
，往往习惯性地把它看成“系统误差”或“噪音”直接扬弃。。。但在 AI 时代，
，我们希望人与 AI 配合研判，
，去精准剖析一个反常数据事实是通例仪器噪音，
，照旧一个潜在的、全新的科学征象。。。这种协同探索的模式，
，是今天 AI 时代实验室与已往最实质的差别。。。

DeepTech：新手在 AI 赋能下可能直接抵达专家级别。。。但问题是，
，人可以把履历输入给 AI，
，AI 输出的效果人却未必能明确，
，由于 AI 是“黑箱”。。。若是泛起“AI 知道、但人不知道它为什么这么做”的情形，
，信任与明确脱节的问题该怎么解决？？
？？？

杨梦：我以为可以从“自上而下”和“自下而上”两个维度来看：

首先是自上而下。。。要有用驾驭 AI，
，我们首先要在工程上为它界说一套严密的 Rubrics——即明确怎样验收和评估 AI 天生的效果。。。在生命科学这类细分领域，
，人类几百年积累了大宗的评判规则，
，我们完全可以把这些规则转化为显性的约束条件，
，去约束大模子，
，确保它在执行和推理时不会随意发散。。。

其次是自下而上。。。当实验中遇到漫衍外泛化的新数据时，
，我们要判断它事实是机械噪音照旧一个突破性的新科学征象，
，这着实是一个调 bug 的历程。。。怎样更客观地评判这个 bug、突破黑箱？？
？？？我以为需要引入“第三视角”——使用没有被私见数据污染过的、更底层的大模子，
，从物理与科学的第一性原理出发做交织判断。。。

以是在我看来，
，AI 的应用是一个一直嵌套、一直递归的系统逻辑。。。我们既不要死板地以为 AI 必需完全吸收人类的既往履历——由于古板履历可能是过时甚至过失的
；；也不要有迷信头脑，
，以为 AI 天生的一切我们都必需盲目接纳。。。真正磨练工程化落地能力的，
，正是在中心对这个 bug 的无邪调解，
，在人类履历约束与 AI 第一性原理探索之间，
，找到最动态、最科学的决议平衡点。。。

DeepTech：那是否可以这样明确：在人机协同的闭环中，
，实验失败或被判断为失败的路径，
，可以转化为给 AI 设定的界线与约束，
，让模子从中学习并修正
；；而数据误差也并非没有价值，
，同样可以作为新语料，
，驱动模子演进与学习？？
？？？

杨梦：我认同这个看法。。。已往做实验，
，无论是手动照旧自动化，
，大宗失败样本往往被直接舍弃，
，但现实上失败数据很有价值——人的生长既可以来自乐成履历，
，也能从失败教训中提炼认知。。。

以前舍弃失败数据，
，主要是由于人脑的信息处理能力有限。。。而大模子的泛起突破了这一限制，
，系统可以完整留存并剖析所有失败案例，
，从乐成和失败中双向学习。。。相比仅靠人脑处理数据，
，具备这种能力的智能系统迭代效率更高、更完善。。。

DeepTech：目今果真数据多为乐成样本，
，失败数据的价值已获得普遍认可，
，但无法从果真渠道获取，
，自主收罗本钱又高。。。针对这一痛点，
，你们有什么解决方案？？
？？？

杨梦：我以为焦点在于两大层面的系统设计。。。

生命科学研究从分子构建到实验验证、表征检测，
，需要多类装备、多套流程协同，
，以是整套系统架构需买通多渠道数据源——依托传感器收罗、物料扫码、仪器原始数据导出等方式，
，完玉成维度数据对齐与沉淀。。。以往实验室受数字化、智能化水平限制，
，种种数据难以统一规整
；；而搭建 AI 原生实验室，
，可完整归集人、机、料、法、环全流程数据，
，既包括乐成实验纪录，
，也留存种种失败样本。。。

实验失败的原因可分为多类，
，可能是硬件故障、操作误差或底层机理不适配。。。只要完玉成量数据收罗与标准化对齐，
，所有纪录都可作为大模子逊ж材。。。果真科研数据难以支持模子训练，
，主要有两方面原因：其一，
，约六七成高分期刊刊载的生命科学效果不具备可复现性，
，研究者只果真正向结论
；；其二，
，科研职员往往经由上百以致上千次试错才获得一次理想效果，
，大宗失败历程及诱因并未完整纪录。。。

搭建 AI 原生实验室，
，完善软件、传感装备与底层架构，
，实现全流程数据闭环积累后，
，便可依托沉淀数据完善大模子的领域知识与专业系统。。。模子既能从乐成案例中提炼有用逻辑，
，也能从失败数据中定位问题泉源，
，连系两类数据综合学习还能实现知识泛化，
，探索现有界线之外的更优方案。。。这正是 AI 与自动化实验室连系相较古板实验室的焦点优势。。。

DeepTech：在此模式下，
，模子能够形成自主迭代进化能力，
，在承接全新实验使命时天生适配性优化调解。。。该进化流程是依托自力影象系统实现，
，照旧依赖模子增量后训练完成？？
？？？

杨梦：两种方式我们均有接纳，
，且我们十分重视影象？？
？？？榈拇罱，
，目今整体架构接纳分层影象设计。。。

首先，
，团队梳理大宗课本与学术文献，
，将长效、普适性知识构建为领域本体与专业知识库，
，类似 Andrej Karpathy 及谷歌提出的科学维基系统，
，同时针对细分研究领域搭建专属上层本体库。。。

单次实验完成后，
，系统会留存完整剖析纪录：包括实验失败的全流程痕迹、大模子所有推理链路、文献检索、工具挪用的完整流程与返回效果。。。依托自进化影象机制与人工规则影象机制，
，上述信息分层沉淀：一类是可供 AI 一连增补更新的恒久领域知识
；；另一类是场景化实操履历，
，例如差别实验对应的适配条件、单次使命对应的短期上下文信息。。。

整体团队基于当下前沿影象框架相关理论，
，一连迭代完善整套智能实验室系统。。。

DeepTech：目今 AI 手艺迭代周期已从半年缩短至一两个月，
，但实验室软硬件迭代自然更慢。。。你们怎样弥合这两套系统的速率差，
，平衡它们的进化节奏？？
？？？

杨梦：这一问题我们主要从软件架构、硬件定位与焦点研发重心三个维度举行统筹解决：

在软件层面，
，项目立项之初我便要求团队搭建可适配未来手艺的底层软件框架。。。实验室自动化上层营业均依托软件实现，
，整套架构设计遵照兼容拓展思绪：每当新一代大模子、全新智能影象框架问世时，
，系统过往沉淀的所有知识、实验数据与实操履历，
，可直接停当，
，快速完成对接、测试与联调，
，实现对新模子的高效适配。。。而要恒久维持这套无邪可拓展的架构，
，要害在于研发团队治理与项目流程管控，
，同步建设适配前沿手艺迭代的研发头脑。。。

反观实验室自动化硬件，
，其实质属于工业自动化领域，
，迭代逻辑与 AI 算法完全差别。。。硬件装备聚焦精度、稳固性与标准化，
，高频迭代反而会带来稳固性风险，
，因此我们优先包管硬件系统标准化、恒久稳固运行，
，不追求频仍更新。。。

软硬件系统的融合突破点，
，也是团队焦点攻坚偏向，
，在于买通 AI 与实体实验室的联动闭环：依托分层影象沉淀机制、定制化训练与强化微调方案，
，同步完善人在回路的数据收罗链路，
，充分释放新大模子与实体实验数据连系爆发的协同价值。。。

DeepTech：依托 AI 重构后的自动化实验室，
，除最直观的研发效率大幅提速外，
，你以为整套科研范式还爆发了哪些深条理转变？？
？？？

杨梦：我以为 AI 原生实验室将带来两大焦点范式厘革。。。

第一，
，科研效果的可复现性获得根天性提升。。。依托该系统产出的新机理、新分子等科学发明，
，能够实现实验操作与论文剖析流程双重可复现，
，这对整个科研行业意义重大。。。目今科研出书行业流程古板、周期冗长，
，对此我坚持乐观判断，
，未来科学发明与效果揭晓模式或将迎来倾覆性厘革。。。现有审稿机制保存局限，
，部分审稿专家带有自身履历判断倾向，
，而现代科研愈发偏向工程化、跨学科协同。。。未来学术效果或将以？？
？？？榛ぞ甙男问焦，
，涵盖数据剖析、实验设计等全套流程？？
？？？，
，其他研究者可借助 AI、实验室大模子与自动化实验系统完整复现所有研究，
，复现能力将远超古板模式。。。

第二，
，科学发明的跨学科门槛大幅降低。。。一个博士的能力界线是有限的，
，若研究涉及跨领域内容，
，往往需要对接其他实验室，
，追求数据剖析、仿真建模、专项数据集等外部相助资源。。。而人工智能自然具备跨学科整合能力，
，可融合多团队、多细分领域专家的研究能力协同开展探索，
，拓展博士生研究的跨学科深度。。。

综上，
，可复现性增强、原生支持跨学科研究，
，是古板科研范式与 AI 赋能下新型科研范式最焦点的区别。。。

DeepTech：AI 的介入对科研职员提出了更高要求。。。已往只要与相助方建设信任，
，就同样可以信任对方给出的数据
；；但面临 AI 天生的效果，
，科研职员需要自动核验其可靠性。。。这是否意味着，
，新时代科研职员需要具备更高的综合素养和甄别判断能力？？
？？？

杨梦：我十分认同这一判断。。。顶尖科研职员自己便具备全局统筹、审慎研判研究目的的专业素养，
，而 AI 的焦点价值在于规避大宗无效试错，
，整体对全球科研生长而言利远大于弊。。。人工智能虽向优异科研事情者提出了更高的能力要求，
，但也赋予其突破性工具，
，助力探索人类现有科学认知的界线。。。

在我看来，
，生命科学领域内，
，DNA 双螺旋结构这类无意性重大发明实属特例，
，以后绝大大都科研效果均以工程化落地、现实应用为导向。。。AI 与自动化实验室深度融合，
，能够一连拓宽科学探索的界线，
，久远来看对人类生长益处良多。。。

落到科研从业者层面，
，这套新系统会形成显着分化：关于致力于前沿探索、攻击科学极限的研究者，
，AI 是放大科研能力的强力工具。。。

DeepTech：古板模式下，
，研究职员需完成整套实验后才华获取完整反馈，
，问题也只能事后追溯。。。在 AI 赋能的智能实验室中，
，实验数据反馈与问题追溯效率能否显著提速？？
？？？

杨梦：我以为主要有两方面提升，
，一是反馈速率更快，
，二是反馈信息也越发完整。。。我们搭建生命科学实验室时，
，一直十分看重人、机、料、法、环五类数据的完整留存。。。即便未来实验完全由装备自主完成，
，机、料、法、环这些信息依旧不可或缺：仪器每一步运行参数、实时工况、耗材物料批次版本、标准化实验流程以及实验情形各项调控指标，
，所有都会和实验效果绑定纪录。。。

这类多维度繁杂信息，
，单凭人工很难从零星细节里挖掘出潜在关联，
，这套智能系统给出的反馈自然比已往周全得多。。。提速也是显而易见的，
，已往科研职员做统计磨练，
，要先查阅相关文籍，
，再借助传一切计软件针对差别数据漫衍、研究假设逐一测算
；；现在 AI 可以连系贝叶斯优化等成熟统计要领，
，依托大模子统筹调理，
，凭证实时数据漫衍迅速推导出要害影响因子，
，直接用来妄想下一轮实验。。。

整套反馈流程不但更快、维度更全，
，剖析结论也更精准，
，就连种种失败实验背后的问题线索，
，也会同步反馈出来。。。

DeepTech：现在 AI 正在渗透各行各业，
，生命科学受到的攻击确实很深刻。。。相比制造业智能化、自动驾驶、具身智能等赛道，
，你以为生命科学在 AI 驱动升级的历程中，
，算是走得快照旧相对滞后？？
？？？

杨梦：我个人以为生命科学在 AI 落地的各行业中推进速率算快的。。。制药赛道一直备受关注，
，AI 的价值不但在于基础科学探索，
，最终产出的新药和功效分子直接关乎人类康健和生态生长，
，行业价值有目共睹。。。从市场预期来看，
，制药的想象空间险些是顶尖水平，
，只有航天、通讯能与之比肩。。。

生命科学自己就是高投入、高风险、高回报的行业，
，AI 的笼罩规模已经相当普遍，
，但落地深度狼籍不齐，
，主要取决于各机构接纳和落地 AI 的能力。。。现在的玩家许多元：有 OpenAI、Anthropic 这类自研 AI 原生实验室的，
，有我们这种深耕行业、用 AI 赋能科研的，
，尚有大宗新兴的 AI 生物科技公司，
，资源一连涌入。。。

总体来看，
，AI for Bio 投入大、笼罩面广，
，但最终落地深度照旧由各家自身条件和定位决议。。。

DeepTech：相比制造、自动驾驶等赛道，
，AI 在生命科学领域带来的时间、本钱优化盈利，
，会体现得越发突出？？
？？？你是否认同？？
？？？

杨梦：我很认同这个看法。。。生命科学里体量最大简直实是药物研发，
，但 AI 落地场景不限于制药，
，还包括抗朽迈、康健长寿等偏向，
，这些都需要底层机理探索与立异开发相互配合。。。

已往行业多是疏散的小作坊式研发，
，保存不少局限，
，而 AI 加持后，
，端到端的视野会坦荡得多。。。我有一个畅想：现在许多临床二期失败的管线，
，若是我们能把其中的约束条件、履历教训和负面反馈都沉淀下来，
，在前期设计阶段就纳入模子的目的函数，
，通过工程手段把失败履历前置运用。。。

数据泉源分两类，
，一类是果真揭晓的文献，
，另一类是临床方案、分子可合成性等私有数据，
，这类数据开放难度较高。。。但若是搭建 AI 原生实验室，
，久远看有时机训练出笼罩药物全链路的端到端大模子——从机剃头现光临床推进、上市，
，同时兼顾本钱评估，
，直接推演临床效果与商业化远景，
，这套系统也可以延伸到康健诊断类产品。。。

实现这一愿景的条件是搭建完整的数据闭环。。。优质数据不在于数目重大，
，要害是链路闭环、数据清洁、笼罩全流程，
，这类数据集对 AI 价值极高。。。未来依赖 AI 设计新分子、优化临床方案，
，产出能顺遂通过临床试验的产品，
，我以为具备很大的实现潜力。。。

DeepTech：无论是训练基础大模子照旧智能 Agent，
，焦点都需要标准规整、杂质少的高质量数据。。。相比家用机械人处理日常杂糅场景或工业机械人在重大产线作业，
，实验室场景拥有自然优势——不但生命科学，
，所有标准化实验室都能产出高质量清洁数据。。。实验室数据目的纯粹，
，只为研发服务，
，没有其他混杂目的，
，变量可控、信息完整，
，自然适配模子训练需求。。。

杨梦：确实云云。。。除实验室内部的标准化清洁数据外，
，药物推向临床、最终上市阶段的种种商业化相关数据同样要害。。。现阶段，
，或许部分大型药企手里沉淀了这类完整数据，
，但各环节数据基本都是割裂欠亨的，
，完整买通全链路数据的案例着实很少。。。

但不可否认，
，单就某一个研发环节而言，
，该环节下规整、高质量的清洁数据，
，对 AI 明确实验纪律、自主天生优化方案起到决议性作用。。。这也正是我们坚持推进全流程数字化、实验自动化建设，
，以此加速 AI 落地迭代的焦点原因。。。

DeepTech：这也是为什么我们以为 Physical AI 能最先在生命科学场景落地。。。前面聊了许多 AI 的优势，
，那想再讨论一下，
，依托 AI 刷新科研系统，
，是否保存能力界线与局限性？？
？？？

杨梦：我以为现阶段 AI for Bio 确实保存几处清晰的能力界线。。。

第一，
，以后会有大宗 AI 自主天生的科学假设，
，但我们很难分辨它是对过往数据的机械复刻，
，照旧具备突破性的全新线索。。。想要判断往往需要科学哲学头脑和多学科交织验证，
，这套核验流程自己难以完全交给 AI。。。焦点在于，
，AI 很难自主区分输出是漫衍内的重复推演，
，照旧跳出固有认知的立异结论。。。

第二，
，AI 可能生玉成新实验方案，
，但现有仪器装备的参数和性能保存硬性限制，
，硬件不匹配就无法落地。。。同时，
，AI 有可能推演出保存生物清静风险的新型分子，
，怎样建设约束机制规避隐患，
，也是亟待解决的界线问题。。。

第三，
，药物最终要经由动物和人体临床试验才华落地，
，现阶段虚拟细胞、类器官还无法完全替换真实临床试验。。。人体是极端重大的生物系统，
，大模子自己又有可诠释性缺乏的黑箱问题，
，两套重大系统叠加时，
，我们很难分清 AI 的展望是切合心理纪律的有用结论，
，照旧模子幻觉。。。虚拟仿真必需配合真实临床试验，
，这是现在 AI 无法跨越的焦点壁垒。。。

DeepTech：在实验室执行层面，
，有哪些是现在 AI 还做不到的？？
？？？好比某些实验操作必需由人来完成吗？？
？？？

杨梦：确实尚有不少环节离不开人工。。。像孔板操作、移液、成像、样本转运这类标准化事情，
，加大自动化投入后完全可以实现机械替换。。。

但样本前处理很难自动化。。。好比肿瘤活检样本，
，取样后需要划线、取材，
，充满着大宗依赖履历判断的方法。。。具身智能团队大多结构通用场景，
，很少深耕这类样本处理，
，自动化装备也无法完整复刻人工操作。。。差别生物样本形态差别极大，
，不保存通用流程，
，以是样本收罗和前处理现阶段只能靠人工。。。

实验自动化更善于在预设条件下高通量收罗标准化数据。。。而高度个性化的样本前处理，
，以及全新的实验手段和样本操控方案，
，现在自动化投入和成熟度都缺乏，
，仍是显着短板。。。

DeepTech：新的实验要领不也是在原有基础上举行新的实验设计吗？？
？？？

杨梦：举个例子，
，好比研发全新的干细胞接种作育方案，
，不但要设计实验流程，
，还得配套定制专用耗材。。。生命科学的 Physical AI 涉及大宗细分工艺细节，
，单靠 AI 远远不敷，
，必需搭配熟悉实验工艺的专业职员配合推进。。。

但也有好的偏向。。。我们现在就在刷新行业内种种通用装备，
，升级成 AI 原生装备——不但是吸收牢靠指令、机械操作，
，久远目的是让装备能自主设计实验、自主复盘迭代。。。简朴说，
，就是给现有装备搭载一层智能 Agent，
，突破单台仪器的功效上限，
，提升整体智能化水平。。。现在主要是这两条蹊径并行。。。

DeepTech：那智能体能够自主去调动吗？？
？？？

杨梦：我以为这条路完全可行。。。当下不少大型科研仪器都能借助 AI 完成智能化刷新，
，不管是依托图形界面搭建智能体，
，照旧直接在装备原生系统、固件层面嵌入智能？？
？？？，
，刷新完成后仪器的自主调理与剖析能力都会大幅提升。。。

以光学成像装备举例，
，刷新后它能够自主完成拍摄成像、自主判读图像效果，
，再依据成像数据自动妄想后续实验方法。。。我们现在发力的正是这套自动化判断、自主调理系统，
，能省去实验职员重复给装备下发操作指令的大宗人工事情。。。

DeepTech：你们做到哪一步了？？
？？？

杨梦：以仪器说明书为例就能看出转变。。。依托 AI 原生刷新，
，大宗人工培训环节都可以省去——操作仪器的标准 SOP 和数据解读的牢靠流程，
，都可以整合进智能系统。。。

我们接纳分步落地的思绪，
，先针对移液事情站、卵白纯化、色谱仪这类高频装备做 AI 原生智能化刷新。。。现阶段妄想先完成十到二十台焦点装备的升级，
，再连系自身实验场景，
，逐步拓展到全流程所有仪器。。。

DeepTech：现在 AI 原生看法已经很普及了。。。落到实验装备上，
，AI 原生装备分两种路径：一种是对现有成熟仪器做刷新升级
；；另一种是从研发设计阶段就完全按 AI 原生逻辑重新打造，
，但周期很长。。。咱们走的是哪条蹊径？？
？？？

杨梦：你说的这两种蹊径我们都在同步推进。。。

第一种是对市面上大宗使用的现有装备，
，从操作系统和固件底层做刷新，
，升级成 AI 原生装备。。。刷新后不再是纯粹执行指令的工具，
，而是能自主提出检测需求、优化运行参数、设置装备，
，还能自行调试和排盘问题，
，从工具转变为科研职员的协作同伴。。。这套方案现在大都仪器都能适配。。。

第二种是从零研发、原生搭载 AI 逻辑的全新装备。。。这类装备出厂就充满传感？？
？？？，
，从设计阶段就以 AI 为焦点。。。我们最先落地的是 AI 原生移液事情站，
，后续还会拓展到更多仪器。。。

举个例子，
，前段时间有新闻提到 AI 设计的射频芯片，
，结构和工程师设计的完全差别，
，性能反而更优。。。放到生命科学仪器上也是同理，
，尤其是工艺放大类装备，
，AI 自主设计的方案很可能优于人工。。。我们近期就用 AI 重新设计了 PCR 装备的电路板，
，已经进入打样阶段，
，目的就是提升恒久运行的稳固性和可靠性。。。

DeepTech：你适才提到的古板的装备，
，我们可能只需要效果，
，装备坏了需要工程师去维修，
，人很难去操控它。。。若是 AI Native 的实验室装备被设计出来之后，
，有可能 AI 就能够去维修或维护。。。

杨梦：现在买通种种生命科学仪器保存一个难点：大都厂商没有完善封装可供 AI 调理装备的 SDK 或标准化 MCP 协议，
，有些是不肯开放，
，有些是成熟产品的研发团队早已驱逐，
，接口缺乏维护。。。

而从零自研 AI 原生装备时，
，我们会在设计阶段就把所有通讯、控制逻辑、调理协议做 AI 停当化适配，
，让装备能自主调试、运维、故障自检和沉淀数据。。。

另外，
，在可靠性层面，
，古板仪器的电路和机械结构多靠工程师重复试错。。。我们也在探索用 AI 完成 PCB 结构、传热传质方案设计，
，这类方案性能有望优于人工设计，
，这也是我们重点推进的偏向。。。

DeepTech：未来的实验室若能完全买通闭环，
，实现真正意义上的 AI Native 实验室，
，或许就真正实现了黑灯实验室。。。

杨梦：完全赞成。。。实现的条件是每一个装备都 AI Ready。。。

DeepTech：在生命科学领域，
，现在有没有相对成熟的 Benchmark？？
？？？

杨梦：当宿世命科学已有不少成熟的 Benchmark，
，好比 AlphaFold 榜单用于卵白折叠展望，
，尚有分子结构展望、组学数据剖析等偏向的评测标准。。。

但我们妄想搭建一套差别化的专属基准。。。现有 Benchmark 多着重生物信息盘算的理论性能，
，而我们聚焦 AI 在真实实验室场景的实操落地能力。。。评判标准不在于模子参数目或理论上限，
，而在于智能体能否在真真相形中完整完成实验使命。。。

这套评测系统细密贴合行业落地需求，
，依托领域专家和一线实验职员的实操履历，
，为智能体设置完整的实操使命，
，专门权衡 AI 真正下手完成实验事情的综合能力。。。

DeepTech：整个 Benchmark 是仿真情形实验室的真机情形？？
？？？

杨梦：我们这套 Benchmark 由行业专家通过大宗人机交互配合搭建，
，现已对外开放，
，用于权衡种种智能体的实操落地能力。。。评测依托线上平台运行，
，配套多款实验室自动化仿真工具，
，可买通从实验方案设计、自动化执行到效果数据产出的全流程链路。。。

DeepTech：我们常说的 Sim to Real，
，就是从仿真情形做 Benchmark 再到现实实验室落地，
，这两者之间的 gap 有多大？？
？？？

杨梦：从行动执行层面看，
，实验室自动化仿真的 Sim to Real gap 比通用具身机械人更小，
，由于装备自由度低，
，控制逻辑相对统一，
，落地难度更低。。。

但若是落到完整实验使命层面，
，生命科学系统自己是高度重大的动态系统，
，细胞活性会衰减、微生物保存随机突变，
，大宗不可预判的生物变量，
，才是仿真与现实之间最焦点的差别。。。

缩小这一差别的焦点路径是搭建 AI 原生实验室，
，完整收罗人、机、料、法、环、机械人全维度数据，
，数据积累越充分，
，仿真对真实场景的还原度就越高。。。

DeepTech：生命科学实验室里的 Sim to Real gap，
，可能来自机械误差或实验误差，
，而这些自己就是正常实验中已经能够接受的误差规模。。？？
？？？梢哉饷疵魅仿？？
？？？

杨梦：可以这样明确，
，生命科学领域 Sim to Real 的鸿沟，
，泉源在于细胞、微生物、人体组织这类生命体自己是极端重大的混沌系统——这也是全球虚拟细胞研发面临的焦点难题，
，要完整复刻真实细胞的运行纪律，
，涉及的变量维度数不堪数。。。

通用具身智能的 gap 大多来自操作情形多样、自由度太高
；；而生命科学的焦点短板，
，是仿真系统还缺乏以复现生命自己的混沌特征。。。虽然，
，若是是目的清晰、流程标准化的实验，
，重漂后则主要集中在操作精度误差和理化指标波动带来的系统误差上。。。

（泉源：涌生智能）

DeepTech：你们在设计 Benchmark 的时间有没有借鉴和思量？？
？？？以及你们是从哪些方面去评价的？？
？？？

杨梦：现在，
，FutureHouse（Edison Scientific）推出了 ProtocolQA，
，以问答形式审核模子对实验知识的明确。。。

（泉源：涌生智能）

凯时AG Benchmark 实质差别：不考模子能否读懂实验原理，
，而是考智能体能否完整落地、跑完实验全流程。。。笼罩从实验需求剖析到装备执行的全链路，
，支持跨品牌装备适配，
，最终以现实生物实验效果作为判断依据。。。

在设计上，
，我们参考了红杉的 xbench，
，以及姚顺雨等人提出的 τ-bench 这类适用导向的框架——焦点都是跳出理论打榜，
，权衡智能体在真实场景中的实操落地能力，
，这也是我们这套基准的定位。。。

DeepTech：最终的 Benchmark，
，执行是否乐成也是系统自动判断的吗？？
？？？

杨梦：我以为分两方面。。。在实验室里，
，意图识别和实验设计属于软件级别的判断
；；天生自动化剧本这一步，
，我们会有实验室自动化中 XYZ 三个自由度的仿真情形判断，
，以及一些规则判断。。。

至于最终这个实验能不可做出来，
，我们建议接纳的方式是做 Benchmark 的人去购置响应的耗材和试剂，
，把 AI 设计的实验复现一遍，
，跑一遍看看，
，最后判断跑出来的效果是否切合预期。。。

DeepTech：你们设计的 Benchmark 对 AI for Biology 行业有哪些影响？？
？？？

杨梦：我们希望以这个 Benchmark 率先树模 AI for Bio 全链条的可能性——从 AI 设计到实验验证到闭环。。。现在专注于建库和 DNA 组装，
，但未来希望与更多机构相助，
，笼罩细胞、微生物、抗体生产等子领域。。。也希望各人结构的 Benchmark 都能思量全链条，
，而不是只在简单生物信息使命上追求极致。。。

DeepTech：那能不可推动，
，好比某个人只做了某个阶段的事情，
，也能在凯时AG Benchmark 上测评？？
？？？或者说，
，能不可推动差别标准的 Agent 之间举行横向较量？？
？？？

杨梦：我们希望做到这一点，
，以是取名 BioLab Bench。。。后续会与差别领域机构相助，
，在某个子使命上专门做子使命的 Benchmark，
，让各人都能在上面评测 Agent 能力。。。但这肯定不是我们一家公司能完成的。。。

DeepTech：以是现在是某一个环节的 Benchmark 也可以做，
，照旧必需全流程？？
？？？由于全流程的难度确实很大。。。

杨梦：纷歧定，
，我们内里也有意图明确的 Benchmark，
，好比测序建库的意图明确，
，这个现在就可以用来做较量。。。

DeepTech：有没有横向较量？？
？？？好比某个 Agent 在别的 Benchmark 跑得好，
，在你们这儿也跑得好吗？？
？？？照旧在你们这跑欠好，
，到别处反而好了？？
？？？另外，
，你们打分更着重设计照旧执行？？
？？？

杨梦：我以为我们在实验室自动化剧本撰写上做了一个很有价值的点。。。全球有不少机构在做意图转剧本，
，但我们通过私有数据做 Harness 或后训练，
，确实跑得比一些通用基座大模子要好。。。有了这个基础，
，各人都能在写剧本这个子使命上做得足够好，
，推动把这个使命当成一件严肃的事来看待，
，这已经起到了很主要的价值。。。

DeepTech：今天从宏观的 AI for Bio 行业趋势，
，到华大和涌生智能的详细实践，
，再到 AI 赋能实验室的未来愿景和 Benchmark 对行业的意义，
，最后请梦总做一个总结。。。

杨梦：AI for Bio 是一个长征，
，工业链条也很是长，
，涌生智能希望和行业内的同伴配合携手，
，把难而准确的事做好。。。