§ 01一只机械手，端起了移液器
上周三，Genesis AI 发布了它的首个机器人基础模型系统 GENE-26.5。视频里，一只五指机械手做了一件以前只有人类技术员能做的事：拿起移液器 → 装枪头 → 吸液转移到离心管 → 弹枪头 → 拧紧 1 cm 管帽 → 打开离心机 → 把管子放进去。
Genesis 在博客里写得克制：「这需要毫米级精度、工具使用、精细动作协调（拧紧 1 cm 的盖子），以及在掌心内重新换握以将移液器挂回枪头架。」翻译成实验员的语言：这是一个完整的、能跑通的湿实验基础动作单元。
更关键的是，同一个模型、同一套权重，已经能跨任务工作 —— 做饭、调奶昔、走线束、抓取多物体，外加这段实验室操作。
大脑和手是机器人技术中最有价值也最复杂的两块，今天我们同时拿出了行业内最先进的两个版本。
— ZHOU XIAN · CO-FOUNDER & CEO · GENESIS AI
投资人阵容：Eclipse · Khosla Ventures · Bpifrance · HSG · Eric Schmidt · Xavier Niel · Daniela Rus · Vladlen Koltun。追平 Mistral AI 此前创下的法国种子轮纪录。
§ 02赌注：手要长得像人手
Genesis 的赌注其实很简单：机器人手要长得像人手，人类的数据才有用。
机器人学界有个老问题叫 embodiment gap（具身鸿沟）—— 人类身体和机器人身体不匹配，机器人很难直接"模仿"人类视频学习。Genesis 的解法是硬件先对齐：造一只人体比例的五指灵巧手，再用一只配套的传感数据手套去采集人类做任务的动作。
这只装有触觉电子皮肤的数据手套，在人手、手套、机械手之间实现了 1:1:1 的映射，Genesis 声称它的成本是同类方案的百分之一，能采集到多达五倍的可用训练数据。
训练信号三路打包：手套数据（手指轨迹）+ 第一视角视频 + 第三视角视频。产物就是开头那只能给离心机装管子的机械手。视频里 Genesis 还演示了空中解魔方、做一道 20 步的菜、单手打鸡蛋、弹钢琴 —— 全部由同一个 GENE-26.5 模型驱动。
§ 03真正值得注意的：切入湿实验室的方式
主流湿实验室自动化是什么样？是 Hamilton、Tecan、Beckman 这些为窄而结构化的任务造的专用机器，每台几十万美金，每次换协议都要工程师重新部署。
让机器人去适应实验室，
而不是把实验室围着机器人重建。
这只机械手用的是给人用的移液器、给人用的离心管、给人用的离心机。如果这个范式真能跑通 —— 自动化湿实验室不需要被推倒重造，机器人会自己长出适配人类工具的能力。这是一个非常不一样的产品哲学。
§ 04几乎同时，AINORO 牵手 Stanford-Princeton
就在 Genesis 发布的几乎同一时间，湿实验室机器人初创公司 AINORO 宣布与 Stanford-Princeton 的 AI4Science Catalyst 团队合作，目标是把 LabOS 接到灵巧机器人上 —— 让 AI 推理 → 设计协议 → 执行实验的整条链路，由机器手完成。
LabOS 是首个把计算推理和物理实验通过多模态感知、自演化 agent，以及 XR 赋能的具身人机协作统一起来的 AI co-scientist。它通过连接多模态 AI agent、智能眼镜和人-AI-机器人协作，让 AI 能"看见科学家所看见的"，理解实验上下文，并通过沉浸式 XR 交互参与实时执行。
更进一步，AI4Science Catalyst 还放出了 LabOS²，定位为"自主研究的综合技能库与工具创建模块"，主打场景是 —— 自主细胞培养。
专用机器人 + 优化算法
Maholo LabDroid + 贝叶斯优化：111 天，143 种条件，iPSC-RPE 色素沉着评分较预优化条件提高 88%。工业自动化的延伸。
通用基础模型 + 类人灵巧手
GENE-26.5、LabOS²、Agentic Lab：跨任务共享权重、人类工具直接复用、AR/XR 介入实时反馈。物理 AGI 在生物领域的具身落地。
同期 bioRxiv 上还出现了 Agentic Lab：统一 LLM/VLM 推理与真实实验室操作的 agentic-physical AI 平台，多 agent 编排架构，包含知识检索、协议设计、多模态数据分析等子 agent，通过 AR 物理 AI 接口连接数字推理与人类物理执行。
信号很清晰：物理 AI 进入湿实验室，不是某一家在做，是整个赛道在动。
§ 05但请把肾上腺素先收一下
需要泼盆冷水。这些都还是 demo 阶段。Genesis 发的是公司博客，不是同行评议论文。视频里那只机械手能完整跑完一次操作，距离一个能上岗的实验员还差得很远。
湿实验室真正在乎的，从来不是"能不能做一次"，而是：可重复性（第 100 管和第 1 管误差多少）；无菌（每次抓取有没有把污染带进去）；校准（移液体积漂移了怎么办）；乏味的可靠性（连续工作 8 小时不掉链子）；追溯性（出问题能不能复盘到具体动作）。
视频里能优雅地拧上离心管帽，和在 GMP 车间里跑一个 cell line，是两件完全不同的事。Genesis 现在解决的是"灵巧"的问题。湿实验室真正的瓶颈，是"灵巧 + 工业级稳定性 + 可审计"三件事一起解决。
§ 06为什么这件事值得你认真看
新药研发的速度上限，不在于 AI 模型本身有多强，而在于 design-build-test-learn 循环里最慢的那一段。AI 已经把 design 大幅加速。AlphaFold、RFdiffusion、Boltz、Protenix 这些模型让蛋白质和分子设计从实验试错变成了计算预筛。但 build 和 test 仍然要回到湿实验室。
今天的 AI4Bio，瓶颈早就不在 dry lab，而在 wet lab。
如果灵巧机器人真的能接管 wet lab 大部分操作 —— 移液、加样、传代、铺板、染色、上机 —— 那么 AI 提出的实验方案就能以 AI 的速度被执行，而不是以技术员的速度。那才是闭环真正闭上的那一刻。
§ 07三件事，决定这一波是真的还是泡沫
物理 AI 的下一个战场，
已经在你常去的那间湿实验室里开打了。