OpenAI、Anthropic接连出手！中国黑马把实验室变成AI「进化训练场」

新智元报道 今年2月，OpenAI干了件挺轰动的事： 把GPT-5接进Ginkgo Bioworks的云实验室。 AI 设计实验， 机器人 执行，结果回传，AI再设计下一轮。 六轮迭代，3.6万组反应配方，一种标准蛋白的生产成本直降40%。人类只需配试剂、装卸板子、在旁边看着。 但论文里藏着一个细节： 真正驱动机器人干活的代码，不是GPT-5写的，是Ginkgo的工程师写的。他们明确说，不让GPT-5碰执行代码。 也就是说，AI会「想」实验，还不会「做」实验。它只能在人类划好的框里活动。 Anthropic也下场了，他们建了湿实验室，10月底还买下一家只有一个员工的biotech——创始人靠Claude编排11家外部实验室做药。 几乎同一周，OpenAI买了做药物研发编排的Orchestra Bio；Google把AI智能体直接接上了实验台的机器人。 一夜之间，科技巨头们达成了同一个共识： 光有聪明的大脑不够，得给 AI 配一个能动手、能反馈的真实世界。 11月6日，上海进博会，涌生智能出牌了。 在「智能基座，世界共生」主题活动上， 华大智造上午先官宣了测序仪AI Ready，下午由子公司涌生智能发布云端自主实验室SE-Fab-SynBio。 这个实验室干的事，说起来很简单： AI 说「我想验证这个」，实验室就真的做一遍，然后把结果交还给AI——不光是结果，还带着实验条件、过程记录和质量信息。AI拿着这些，接着设计下一轮。 一句话概括： 别人还在给AI配实验室，这边已经把实验室变成了AI的训练场。 而且不是PPT，平台已经上线开放预约，还先拿自家测序仪里要用的酶，跑出了结果。 AI一天能想100个点子 实验室可做不完 一名研究工业酶的科学家，想找到一种更耐高温的酶。 过去怎么办？泡几周文献，凭经验挑几个方向，一轮一轮做实验。 现在有了AI，几分钟就给你甩出上百个候选方案。 然而你一转头，实验室设备在排队，试剂还没备齐，做实验的同事已经三个课题并行。AI这边假设产得飞快，实验那边压根接不住。 更要命的是，AI给的候选大部分注定被淘汰。 一组真实的结合实验数据：AI设计了1,320个候选蛋白，最后只有354个表现出目标结合活性。剩下73%，同样耗光了表达和纯化的资源。 这就是AI for Bio眼下撞上的现实。 生物学不是数学，证明对了不算完；一种酶耐不耐高温、一种蛋白能不能跟靶点结合，只有真实实验能给答案。 模型说「我觉得行」不算数，现实世界回答「它确实行」才算。 卡在这里的，不只是高校课题组：做模型的AI团队手里有设计、没实验室；Mithril那样的精简biotech，整条研发线都架在外部CRO网络上。 科研的瓶颈，正在从「想不出来」变成「验不过来」。 全球云实验室的兴起，就是冲着这个新瓶颈来的。 不是实验外包 是给AI造一个「真实世界」 一听「云实验室」，很多人第一反应是：在电脑里模拟实验？ 恰恰相反。它借的是云计算的思路—— 云计算让你不用自己建机房，云实验室让你不用自己建实验室。真正的培养、反应、检测，依然发生在实体实验室里。 但涌生智能给SE-Fab-SynBio的定位，比「共享实验室」野心大得多： 训练科学大模型的物理 强化学习 环境。 搞AI的都懂：强化学习就是模型做个动作，环境给个反馈，模型据此调整，再来。下棋的环境是棋盘，自动驾驶的环境是道路，生命科学AI的环境，就是实验室。 用他们自己的话说，核心价值就是给AI当verifier：让AI跟真实实验世界交互，拿回可信的数据反馈。 就在11月6日，OpenAI又发布了一个值得关注的研究：BioBasicsBench。 这次不是考AI懂多少生物知识，而是直接拿100项真实湿实验数据，考它能不能看懂实验结果、识别错误、做出正确判断。 结果GPT-6 Astra在最高档推理设置下，平均只拿到66.7%的可得评分；GPT-5.6 Sol更是只有43.8%。即便是GPT-6，仍会忽略关键实验对照、选错菌落，甚至把菌落数量高估约12%。 最前沿的基础大模型，距离可靠理解真实生命科学实验，仍有明显差距。 问题来了，怎么让AI真正跨过这道坎？ 光靠继续学习文献、扩大模型参数还不够。它需要真实的实验数据，需要知道自己哪里判断错了，更需要一个能不断试错、验证、获得反馈的物理环境。 这恰恰是涌生智能的核心定位： 不是再造一个更大的生物模型，而是为科学大模型提供突破智能上限所需要的真实数据和物理 强化学习 环境。 而且，这套基础设施不只服务于基础科学研究，也能为AIDD（AI驱动药物研发）中的分子优化、虚拟细胞预测与校准提供真实的实验执行和验证环境。 AI负责提出假设，真实实验负责检验假设，再把成功与失败的数据交还给AI，让下一轮设计更有依据。 模型负责变聪明，云实验室负责让它接受真实世