在生物世界，给 Physical AI 一个落脚点

📌 一句话摘要

本文深度报道了恩和科技如何通过七年实践，从搭建生物铸造厂、打通实验室到工厂的端到端数据闭环，到最终发布全球首个面向生物制造的 Physical AI 平台 SAION AI，为 AI 在物理世界（尤其是生物制造领域）的落地提供了一个可复制的样本。

📝 详细摘要

文章以恩和科技为案例，探讨了 AI 如何真正融入物理世界，特别是生物制造这一传统上依赖人工经验的领域。文章指出，AI 在生物领域的瓶颈不在于认知能力，而在于缺乏物理世界的执行环境。恩和科技通过三步走策略解决了这一问题：首先，花费数年时间搭建模块化、自动化的生物铸造厂，为 AI 构建了生物制造的“编译环境”；其次，冒险进入实体工厂，打通从实验室到规模化生产的端到端数据闭环，解决了实验室数据与工业数据脱节的黑箱问题；最后，在积累了千万级结构化、AI Ready 的闭环数据后，正式发布 SAION AI 平台。该平台借鉴自动驾驶的 VLA 架构，通过自研的 BPL 语言将科学意图翻译为机器指令，实现了从认知、编排到执行的闭环，将传统生物研发周期从 6-8 年压缩至 1-3 年。文章认为，恩和的实践揭示了产业 AI 的正确路径：先建物理环境，再长智能能力。

💡 主要观点

- AI 融入物理世界的核心障碍是缺乏执行环境，而非认知能力。 文章开篇即指出，AI 能理解生物学原理，但无法操作实验设备。恩和科技通过先建生物铸造厂（Biofoundry），为 AI 提供了类似软件编译器的物理执行环境，这是 Physical AI 落地的先决条件。

产业 AI 的有效数据来自商业闭环，而非烧钱标注。 恩和科技通过为客户交付项目，在创造商业价值的同时“无感地”收集了从微孔板到 30 吨发酵罐的端到端、结构化闭环数据。这种数据具有连续性，包含了失败案例和放大规律，是公开文献无法提供的核心知识壁垒。

打通从实验室到工厂的“数据黑箱”是产业 AI 价值实现的关键。 许多 AI for Science 公司数据止步于实验室。恩和通过自建/盘活实体工厂，让数据飞轮从实验室一直转到百吨级发酵罐，解决了实验室表现与工业生产“判若两物”的难题，使 AI 预测具备了工业级可信度。

Physical AI 的成熟路径是“先建环境，再长智能”，这为传统产业公司的 AI 转型提供了样本。 恩和用七年时间验证了一条路径：从自动化基础设施（铸造厂）到实体工厂验证，再到数据积累和 AI 平台发布。这个顺序强调了物理基础设施和商业闭环的重要性，而非单纯追求算法领先。

💬 文章金句

- 不是模型不够聪明，是物理世界没有给 AI 准备好一个可以落脚的地方。

• 恩和用四年建成的这座铸造厂，本质上就是生物制造的‘编译环境’。
• 数据是壁垒，但更关键的是‘不烧钱积累数据’的正循环。
• AI 找不到真实场景，就只是个工具。
• 当认知、编排、执行三层打通，AI 就不只是工具，而是一个能自我进化的系统。

📊 文章信息

AI 初评：87

来源：36氪

作者：36氪

分类：商业科技

语言：中文

阅读时间：19 分钟

字数：4520

标签： Physical AI, 生物制造, 合成生物学, 产业 AI, AI for Science

阅读完整文章