AI × 自主实验 · 2026.10

赵惠民团队，把 AI 接进了真实生物实验室

UIUC 赵惠民团队发布 iCloudBiofoundry：多智能体 AI 负责设计，物理 AI 指挥机器人做实验，三个湿实验案例端到端跑通，植酸酶活性最高提升 70.17 倍。

作者 · Max约 2400 字 · 8 分钟bioRxiv 预印本

一篇刚刚上线的预印本里，藏着一个让实验生物学家坐不住的数字：AI 设计的 75 个酶变体，64 个跑赢了人类此前多轮改造出的最优版本，最好的一个把活性又抬高了 5.28 倍。但比数字更刺激的是做实验的方式——从设计、构建到测试，几乎没有人的手参与。

10 月 1 日，伊利诺伊大学厄巴纳-香槟分校（UIUC）赵惠民团队在 bioRxiv 挂出论文，公开了 iCloudBiofoundry：一个把 AI 智能体和机器人生物铸造厂接成闭环的云平台。

过去 AI 只能交出设计方案，现在机器人真的把实验做了，数据还会回流给 AI 继续迭代。

但这条闭环，是靠两套智能体系统才拼起来的。

01
Chapter 01

AI 会设计，但没人替它做实验

自主实验的愿景并不新鲜：让系统自己设计、执行、分析、迭代，把人从重复劳动里解放出来。过去一年，Biomni 在《科学》杂志上展示了 AI 智能体做生物医学研究的能力，也有团队用 GPT-5 驱动自主实验室优化无细胞蛋白合成。但这些努力大多停在各自为战的片段：要么只会算，要么只会做。而生物学研究真正耗时的地方，恰恰是计算设计和实验执行之间的那条缝。

这条缝比看起来更宽。AI 给出的设计方案，人照着做理论上可行，但要翻译成仪器能执行的工作流，每一步都要转成和设备兼容的操作脚本。自动化生物铸造厂（biofoundry）本来就稀缺，会用的人更少，大多数研究者算完了设计，却找不到地方验证。但赵惠民手里正好有两张牌：校内的 iBioFAB 铸造厂，就出自他团队 2017 年的工作。

iCloudBiofoundry 闭环架构：网页界面、iBioGenie、BiofoundryAI 与分布式生物铸造厂（图源：论文 Fig. 1）
iCloudBiofoundry 闭环架构：网页界面、iBioGenie、BiofoundryAI 与分布式生物铸造厂（图源：论文 Fig. 1）
02
Chapter 02

一个管"脑子"，一个管"手"

iBioGenie 是"脑子"。它的架构像一个课题组长带着一群各怀绝技的技术员：一个主编排智能体负责理解研究目标、拆成任务，再动态调用文献、数据库和计算工具，写代码、查文献、生成实验流程都有专门的分工智能体。但它真正特别的地方是"边用边长"：用户反馈会被自动分拣成工程问题，触发工具实现的修订。

iBioGenie 多智能体架构：编排智能体统筹数据库、工具与专用智能体（图源：论文 Fig. 2A）
iBioGenie 多智能体架构：编排智能体统筹数据库、工具与专用智能体（图源：论文 Fig. 2A）

这个"脑子"的成绩单不差。LAB-Bench 的 1096 道生物研究问答拿到 0.679 分，比最强基线高 2.9 个百分点；BixBench Verified-50 拿到 0.827 分，高 8.2 个；BiomniEval1 的 433 道题拿到 0.603 分，高 8.9 个；自建的湿实验流程生成基准 0.651 分，高 1.6 个。对手包括 GPT-5.6 Terra、Claude Opus 5 和 Biomni A1，四项基准全部胜出。但 benchmark 只是入场券，真正的考验在湿实验。

0.679
LAB-Bench · 1096 题 · +2.9 pp
0.827
BixBench Verified-50 · +8.2 pp
0.603
BiomniEval1 · 433 题 · +8.9 pp
0.651
湿实验流程生成 · +1.6 pp
iBioGenie 四项基准成绩：LAB-Bench、BixBench、BiomniEval1 与湿实验流程生成（图源：论文 Fig. 2D、2E）
iBioGenie 四项基准成绩：LAB-Bench、BixBench、BiomniEval1 与湿实验流程生成（图源：论文 Fig. 2D、2E）

BiofoundryAI 是"手"。四个智能体分工明确：Planner 把实验流程翻译成设备级操作，Script 编译成仪器脚本，Inspection 挑错并给出修复指令，Biofoundry 负责仿真和部署。关键设计是数字孪生（digital twin）：工作流先在虚拟铸造厂里"彩排"一遍，验证通过才允许上真机，逻辑类似飞机交付前的模拟试飞。但接入一座新实验室并不需要重写智能体，只要生成一份描述设备能力的"上下文包"就行。

BiofoundryAI 四智能体：Planner、Script、Inspection、Biofoundry 与数字孪生协同（图源：论文 Fig. 3A）
BiofoundryAI 四智能体：Planner、Script、Inspection、Biofoundry 与数字孪生协同（图源：论文 Fig. 3A）

这只"手"也有成绩单。在 40 个手工整理的合成生物学实验流程上，BiofoundryAI 的翻译得分 0.746，比最强基线高 7%；更难的工作流生成任务拿到 0.832 分，高出 30%。目前它已经接通 UIUC 校内的 iBioFAB 和 iBioFoundry 两座铸造厂，实验可以按设备能力分配到不同站点执行。但分数终究只是分数：这套系统到底能做什么？团队用三个真实案例作了答。

云端平台连接 iBioFAB 与 iBioFoundry 两座自动化铸造厂（图源：论文 Fig. 3B）
云端平台连接 iBioFAB 与 iBioFoundry 两座自动化铸造厂（图源：论文 Fig. 3B）
BiofoundryAI 的流程翻译与工作流生成基准成绩（图源：论文 Fig. 3C、3D）
BiofoundryAI 的流程翻译与工作流生成基准成绩（图源：论文 Fig. 3C、3D）
03
Chapter 03

75 个变体，64 个跑赢历史最优

第一个案例选得很有挑衅性。植酸酶是饲料工业的关键酶，能水解植酸、释放磷，但多数植酸酶在中性 pH 附近活性骤降。赵惠民团队此前已对 YmPhytase 做过四轮自主"设计-构建-测试-学习"循环，最后一轮的提升已经开始走平，意味着简单突变的空间基本被榨干。但 iBioGenie 拿到的任务，恰恰是在这片"榨干"的土地上继续挖。

植酸酶案例的 AI 设计流程：从 UniProt、AlphaFoldDB 到 ProteinMPNN、Kermut（图源：论文 Fig. 4B）
植酸酶案例的 AI 设计流程：从 UniProt、AlphaFoldDB 到 ProteinMPNN、Kermut（图源：论文 Fig. 4B）

iBioGenie 吃下此前全部实验数据，训练监督模型，设计出高阶突变库，顺手把定点突变引物和湿实验流程一起写好。BiofoundryAI 接手后，把从突变 PCR、HiFi 组装、转化、挑克隆到 4-MUP 荧光筛选的整条流程编译成自动化工作流，没有一步需要人动手。结果 75 个变体里 64 个超过此前最优，最佳变体比历史最优提高 5.28 倍，比野生型提高 70.17 倍。

85.3% 的命中率说明，"接近饱和"的判断下得太早了。
85.3%
变体命中率 · 64/75
5.28×
对历史最优变体
70.17×
对野生型 YmPhytase
BiofoundryAI 生成的植酸酶自动化实验流程（图源：论文 Fig. 4C）
BiofoundryAI 生成的植酸酶自动化实验流程（图源：论文 Fig. 4C）
植酸酶筛选结果：64/75 变体超过历史最优，最佳提高 5.28 倍（图源：论文 Fig. 4D、4E）
植酸酶筛选结果：64/75 变体超过历史最优，最佳提高 5.28 倍（图源：论文 Fig. 4D、4E）
04
Chapter 04

从数据库里"捞"酶，再把它改得更好

第二个案例换了种玩法：先发现，再进化。3-羟基丙酸（3HP）是制造丙烯酸、胶黏剂和可降解塑料的平台化合物，团队此前在耐酸酵母里打通了 β-丙氨酸合成通路，但里头的天冬氨酸脱羧酶（PAND）卡住了整条通路的通量。iBioGenie 的任务是从公共数据库里找出更好的 PAND：序列检索、同源筛选、功能注释、催化效率预测、对接打分、多样性聚类，一路筛到 32 个候选。但这回做实验的依然不是人。

PAND 酶发现流程：从多数据库检索到 32 个候选（图源：论文 Fig. 5B）
PAND 酶发现流程：从多数据库检索到 32 个候选（图源：论文 Fig. 5B）

32 个候选里 28 个成功转化进酵母，18 个检测到 3HP 产出，命中率 64%；最优者比此前已知最好的 PAND 提高 1.41 倍。iBioGenie 紧接着对这把"新刀"做了第二轮理性设计，30 个单点突变里 19 个继续改进。最终最佳变体比"捞"出来的母本提高 2.00 倍，比最初的起点酶提高 2.82 倍。但值得注意的是节奏：发现加进化两轮迭代，设计和实验之间的交接全部由系统完成。

PAND 筛选与进化结果：先提高 1.41 倍，再提升 2.00 倍（图源：论文 Fig. 5E、5F）
PAND 筛选与进化结果：先提高 1.41 倍，再提升 2.00 倍（图源：论文 Fig. 5E、5F）
05
Chapter 05

74 条 gRNA，筛出 21 条能用的

第三个案例对准代谢工程的组合爆炸难题。β-胡萝卜素在酵母里已经改了二十多年，滴度从痕量做到几百毫克每升，但大多数成果来自对少数几个基因的反复操作。理论上能重定向通量的宿主改造组合，远多于任何单个实验室能构建和筛选的数量。但 iCloudBiofoundry 的打法是先算后筛：iBioGenie 综合文献和基因组尺度代谢模型，给出 14 个敲除靶点，并设计好 SaCas9 的 gRNA。

执行端的数据很能说明问题：两轮筛选测了 74 条 gRNA，21 条有效，覆盖了全部 14 个靶点；14 个敲除株成功构建 11 个。最优双敲菌株的 β-胡萝卜素产量比 ΔCIT2 单敲出发株提高 1.69 倍，比只带通路的原始菌株提高 1.98 倍。提升幅度不算惊人

它证明了 AI 可以自主走完"提名靶点—设计编辑—构建菌株—发酵验证"的完整链条。
β-胡萝卜素案例：gRNA 效率筛选与敲除株产量结果（图源：论文 Fig. 6D、6E）
β-胡萝卜素案例：gRNA 效率筛选与敲除株产量结果（图源：论文 Fig. 6D、6E）
06
Chapter 06

闭环的代价

三个案例加起来，系统在设计端调用了约 30 个计算工具和数据库，在执行端调度了约 20 台仪器、完成约 1000 次排程操作。这个规模已经超出任何单个博士生手脚并用的极限，但团队对短板说得很坦白。目前系统只覆盖合成生物学场景，大规模规划、token 效率和 GPU 算力都是瓶颈；提示注入、数据隐私和生物安全的防护也还需要加强。

~30
设计端计算工具与数据库
~20
执行端调度仪器
1000
排程操作次数

更现实的麻烦在物理层：很多实验失败在跑之前根本预测不到，数字孪生目前只能做执行前验证，还不会从真实设备反馈里学习。代码要等论文正式接收后才开源，调度软件 Momentum 本身是赛默飞的商业产品，论文也还只是未经同行评审的预印本。但平台本身已经开放——icloudbiofoundry.illinois.edu 现在就能访问。

iBioGenie 的实际交互示例：从一句话需求到结构化答案（图源：论文 Fig. 2B）
iBioGenie 的实际交互示例：从一句话需求到结构化答案（图源：论文 Fig. 2B）

过去两年，AI for Science 的主战场在"算"：预测结构、设计序列、筛选分子。但赵惠民团队这次把战线推到了"做"的一端。

当设计和执行之间的缝被填平，生物实验室的产能约束，可能第一次真正暴露在 AI 的迭代速度面前。

接下来值得盯的问题只有一个：这座云端铸造厂放开之后，排队进来的第一批课题会是什么。