AI 可以在几分钟内设计一个有前景的生物活性分子，但测试它可能需要数周甚至数月，并依赖大量人工操作——Nature 配套评论文章开篇即点出了这个长期存在的瓶颈。据 Nature 发表的论文，上海交通大学研究团队推出的 AutoDNA 系统，自主协调超过20种仪器、执行超过11000步操作，覆盖核酸合成（synthesis）、转录（transcription）、扩增（amplification）和测序（sequencing）等核心分子生物学流程，而人工干预被限制在试剂与耗材补给等硬件维护任务。据朝鲜日报英文版报道，在其中一项 DNA 信息存储实验中，系统在203小时内完成了11382个实验步骤——Nature 论文摘要对应的表述为”more than 11,000 steps”，朝鲜日报的报道给出了更精确的数字，该数字应来自对论文正文的转述。

这是 AI Agent 从计算工具正式跨入湿实验室操作的一个标志性节点。以下从系统架构、实验能力实证、与此前”AI 科学家”的本质区别、以及局限与可重复性4个维度展开拆解。

架构核心：”AI-native”而非”AI add-on”

理解 AutoDNA 的技术意义，首先要理解它与此前自主实验系统的架构差异。

据 Nature 论文摘要，此前涌现的自主实验系统（autonomous experimental systems）”largely confined to domains with singular objectives, well-defined workflows and simple instrumentation”——单一目标、固定流程、简单仪器。论文将这一局限归因于一种”add-on”架构：AI 被当作特定任务的工具嵌入流程，而非被赋予对实验的全局理解（global understanding of experiments）。

AutoDNA 的设计理念截然不同。论文使用了”AI-native”这个定语来描述其架构，核心在于3个层面的协同设计（co-design）：模型（models）、实验（experiments）与仪器（instruments）。这种协同设计的目标是实现 AI 与自动化系统在端到端多用户框架（end-to-end multi-user framework）内的共同演进（co-evolution）。

据朝鲜日报英文版报道，AutoDNA 的具体实现方式是基于 Google Gemini 2.5 Pro 配置多个承担不同角色的 AI Agent：有负责检索论文的 Agent、有设计实验流程的 Agent、有管理试剂的 Agent、有控制设备的 Agent，它们之间相互协作。一个总览全局实验的 AI 负责分配任务，并根据每个阶段的结果决定下一步操作。

这种多 Agent 协作架构与当前 LLM 应用领域流行的 Agent 编排模式一脉相承，但 AutoDNA 将其落地到了物理世界的仪器控制层面。其中负责控制设备的 Agent 直接驱动机械臂和实验设备执行物理操作，系统可自主调度20余种仪器。论文强调这是一个面向”多目标实验”（multi-objective experiments across diverse instruments）的系统，而非为某一个特定实验流程定制的自动化管线。

笔者判断，”AI-native”与”add-on”的区别，类似于软件工程中”云原生”与”上云”的区别——前者从底层架构就围绕新范式设计，后者只是把旧系统搬到新平台上。AutoDNA 试图让 AI 从实验规划、步骤调度、参数优化到结果分析全链路参与，而非仅在某个环节充当辅助工具。

实验能力实证：4个代表性应用的逐一拆解

论文报告了4个代表性应用（four representative applications），每一个都指向不同的能力维度。

应用1：酶促 DNA 合成——参数优化能力

据朝鲜日报英文版对论文内容的转述，在实际的 DNA 合成实验中，AI 通过自主调整反应时间、试剂浓度、清洗方式等参数，反复进行实验，最终将 DNA 碱基逐一连接的成功率提升至平均97.8%。Nature 论文摘要对应的表述是”matched expert-optimized enzymatic DNA synthesis yields”，未在摘要中给出具体百分比数字；97.8%这一数字应来自朝鲜日报对论文正文实验数据的转述。

这个结果的意义在于：AI 系统并非按照预设的固定参数执行操作，而是在实验过程中自主迭代优化，最终达到了人类专家水平。据朝鲜日报报道，97.8%的单步成功率与熟练研究人员优化实验条件后的表现相当。在酶促 DNA 合成领域，这是一个有竞争力的数字——在多步合成中，每一步的成功率都会累积影响最终产物的质量，单步成功率的微小提升对长链合成的整体良率影响显著。

应用2：并行协议执行——调度优化能力

据朝鲜日报英文版报道，顺序执行多个 DNA 合成实验平均需要1433分钟，而当 AI 调整实验设备的任务顺序使多个流程并行推进时，时间缩短至454分钟，整体处理速度提升约3.2倍。Nature 论文摘要对应表述为”accelerated concurrent protocol execution by 3.2-fold”。

这个3.2倍的加速不来自更快的化学反应或更高效的仪器，而来自 AI 对超过20种仪器的智能调度——类似于操作系统对 CPU、内存、I/O 资源的调度优化。在传统湿实验室中，研究人员通常按线性流程操作，等待一个步骤完成后再开始下一个；AutoDNA 则识别出哪些步骤可以并行、哪些仪器在等待期间可以服务其他任务，从而压缩总耗时。

笔者判断，这种调度优化能力可能是 AutoDNA 在短期内最具实际商业价值的特性。对于高通量筛选、合成生物学平台等需要大量重复实验的场景，3.2倍的吞吐量提升直接转化为成本节约和时间缩短。

应用3：端到端 DNA 数据存储——全流程串联能力

这是论文报告的最复杂实验。据朝鲜日报英文版报道，当研究团队指示 AI 将英文句子”Intelligence is the ability to adapt to change”存储到 DNA 中时，AI 将句子转换为 A、T、G、C 碱基序列，按顺序连接碱基创建了78条实际 DNA 链，然后重新读取 DNA 的碱基序列，准确还原了原始英文句子。据朝鲜日报报道，系统在203小时内完成了11382个实验步骤。Nature 论文摘要的对应表述为系统”autonomously orchestrates over 20 types of instruments across more than 11,000 steps”——摘要使用的是约数”more than 11,000”，朝鲜日报给出的11382这一精确数字应来自对论文正文的转述。同样，203小时这一数字见于朝鲜日报报道，Nature 论文摘要未给出具体时长。

Nature 论文摘要对应表述为”completed an end-to-end DNA data storage cycle with exact recovery of the original digital content”。

DNA 数据存储是一个涉及多个截然不同技术环节的复杂流程：信息编码（数字信息→碱基序列）、DNA 合成（化学/酶促合成实际 DNA 分子）、存储、DNA 测序（读取碱基序列）、信息解码（碱基序列→数字信息）。每个环节使用不同的仪器、不同的化学试剂、不同的操作协议。AutoDNA 自主串联完成这一全流程，展示了其跨仪器、跨协议的端到端编排能力。

据朝鲜日报英文版报道，AI 还对人类未明确指令的任务做出了自主判断——例如自主添加了关闭反应容器盖子的步骤。这个细节虽然看似微小，但指向一个重要能力：系统能够基于对实验环境的理解，自主补充人类未显式指定的操作步骤。

应用4：KRAS G13D 突变的鉴定与验证——临床相关能力

Nature 论文摘要提到系统”identified and validated a clinically detected KRAS G13D mutation”。KRAS 基因突变是多种癌症（尤其是结直肠癌、胰腺癌、非小细胞肺癌）中最常见的驱动突变之一，G13D 是其中一个特定的突变位点。AutoDNA 能够自主完成从样本处理到突变鉴定的全流程，指向其在临床分子诊断领域的潜在应用价值。

人工干预的边界：到底有多”自主”？

任何关于”自主实验室”的讨论都必须诚实面对一个问题：人类到底还需要做什么？

Nature 论文摘要明确界定了人工干预的范围：”human intervention is limited to hardware maintenance tasks, such as reagent and labware replenishment”——人工干预限于硬件维护任务，如试剂和实验耗材的补给。朝鲜日报英文版的报道也确认了这一点：”Although humans occasionally replenished experimental materials, the AI was responsible for most of the process, from planning the experiment to operating the equipment and analyzing the results.”

Nature 配套评论文章使用的措辞是”relatively little human intervention”——相对较少的人工干预。

这意味着 AutoDNA 的自主性覆盖了实验的核心智力与操作环节：实验设计、步骤规划、仪器调度、参数优化、异常处理、结果分析。人类退居到”后勤保障”角色——确保试剂不断供、耗材不耗尽、设备物理状态正常。

但笔者认为需要注意的是，”试剂和耗材补给”在实际实验室运营中并非可忽略的工作量。在据朝鲜日报报道的203小时（约8.5天）连续运行中，试剂消耗量和补给频率是影响系统实际无人值守时间的关键变量。论文摘要和已公开的报道中未提供具体的人工介入频率数据——例如每隔多少小时需要人工补给一次、每次补给需要多长时间。这些细节对于评估系统的实际部署可行性至关重要。

此外，论文描述的”hardware maintenance”是否仅限于试剂补给，还是也包括仪器校准、故障排除等更复杂的维护操作，从目前公开的摘要信息中尚无法完全确认。

与此前”AI 科学家”的本质区别：从提出实验到执行实验

Nature 配套评论文章对 AutoDNA 的定位非常精准：”AI has been tremendously useful in science, but, most of the time, it is used for computational work, such as analysing data, making predictions and scouring literature.”——AI 在科学中极为有用，但绝大多数时候被用于计算工作：分析数据、做预测、检索文献。

评论文章进一步指出：”An AI system might design a promising biologically active molecule in minutes, but testing it can take weeks or months and requires extensive human effort.”

AutoDNA 的突破在于开始弥合这个鸿沟。评论文章的表述是：”The work shows how AI systems can begin to close the gap between proposing an experiment and doing it.”

这个”提出实验”与”执行实验”之间的鸿沟，是整个 AI for Science 领域的核心瓶颈。过去几年，大量 AI 系统在计算层面取得突破——蛋白质结构预测、分子生成、材料性质预测等——但这些计算预测最终都需要湿实验验证。如果验证环节仍然完全依赖人工，那么 AI 加速科学发现的整体效率就受限于实验验证这个最慢的环节。

据朝鲜日报英文版报道，此前已有 AI 操作机器人进行实验的自主实验室被开发出来，但”most followed predetermined procedures to perform specific experiments”——大多数遵循预设程序执行特定实验。AutoDNA 的区别在于 AI 自主设计实验方案、自主调整参数、自主应对实验过程中的变化。

据 AutoDNA 论文引用的参考文献，该领域的演进脉络可追溯至：Burger 等人2020年在 Nature 发表的移动机器人化学家（a mobile robotic chemist），Boiko 等人2023年在 Nature 发表的大语言模型驱动的自主化学研究。论文摘要还提到此前的自主实验系统”especially in chemical and materials science”集中于化学和材料科学领域，且”largely confined to domains with singular objectives, well-defined workflows and simple instrumentation”。

AutoDNA 将自主实验的边界从化学/材料科学推进到分子生物学，从单一目标推进到多目标，从简单仪器推进到超过20种仪器的协调。笔者判断，这个跨越的难度不仅在于仪器数量的增加，更在于分子生物学实验本身的复杂性——生物系统的随机性远高于化学合成，温度、湿度、酶活性等变量的波动都可能影响实验结果，要求 AI 具备更强的实时判断和自适应能力。

局限与可重复性：论文自身的诚实边界

任何负责任的技术分析都不能只讲突破而回避局限。从论文和报道中可以识别出以下几个需要审慎看待的维度。

领域特异性

AutoDNA 的名字本身就界定了其适用范围——DNA 及核酸操作。论文摘要将其定位为”autonomous biomolecular engineering laboratory”，核心操作范围是”core nucleic acid operations including synthesis, transcription, amplification and sequencing”。这意味着系统是为分子生物学/核酸工程这个特定领域设计和优化的，而非一个通用的自主科学实验平台。

论文摘要最后将 AutoDNA 定位为”a blueprint towards science-as-a-service”——面向”科学即服务”的蓝图。”蓝图”这个词本身就暗示了从当前系统到通用化之间仍有距离。

湿实验的内在随机性

分子生物学实验的可重复性本身就是该领域的长期挑战——即使由同一位熟练研究人员在同一台仪器上执行同一个协议，不同批次之间的结果也可能存在差异。酶活性的批次间差异、温度的微小波动、移液精度等因素都会引入变异。

AutoDNA 报告的97.8%平均单步合成成功率（据朝鲜日报对论文数据的转述）和 DNA 数据存储实验中原始内容的精确还原，展示了系统在特定实验条件下的可靠性。但从目前公开的摘要和报道中，尚无法获知系统在不同实验室环境、不同试剂批次、不同运行时间下的重复性数据。据论文提供的信息，数据已在 Zenodo 平台公开（DOI: 10.5281/zenodo.20624108），代码已在 GitHub 公开（https://github.com/IPADS-X/AutoDNA），这为独立验证提供了基础条件。

从”执行实验”到”设计假说”的距离

AutoDNA 目前的工作模式是：人类给出实验指令（如”将这段英文句子存储到 DNA 中”），AI 自主设计和执行实验方案。这与真正的自主科学发现——AI 自主提出假说、设计验证实验、根据结果修正假说——之间仍有差距。

Nature 配套评论文章的标题”AI agents enter the ‘wet lab’“使用了”enter”这个词，暗示这是一个起点而非终点。论文摘要开篇也将”developing AI-native experimental laboratories for autonomous scientific exploration with minimal human intervention”描述为”a long-standing goal”——一个长期目标。AutoDNA 证明了这条路径的可行性，但距离实现完全自主的科学探索仍有相当路程。

工程复杂度与部署门槛

协调超过20种仪器的系统，其工程复杂度和部署成本不可低估。每种仪器都需要专门的接口适配、控制协议开发和安全机制设计。论文提到系统采用了”co-design of models, experiments and instruments”的方法，这意味着仪器端也需要进行适配改造。笔者判断，这种深度集成的工程投入可能会限制系统在短期内的广泛复制和部署。Nature 论文摘要中使用的表述是”over 20 types of instruments”，未给出更精确的仪器数量，已公开的报道中也未提供具体数字。

技术-商业交叉分析：谁会为”Science-as-a-Service”买单？

论文将 AutoDNA 定位为”a blueprint towards science-as-a-service, accelerating biological discovery and advancing various applications in synthetic biology and information storage”。这个定位指向了几个具体的商业方向。以下分析基于论文展示的技术能力进行推演，尚无公开的市场数据或竞品对比可供引用。

合成生物学平台

合成生物学公司的核心工作流程——设计-构建-测试-学习（DBTL）循环——高度依赖 DNA 合成、组装、转化和表型测试等湿实验操作。AutoDNA 展示的 DNA 合成优化能力（据朝鲜日报转述论文数据，97.8%单步成功率）和3.2倍的并行加速，直接对应 DBTL 循环中”构建”和”测试”环节的效率瓶颈。若该技术能够商业化部署，合成生物学公司的实验吞吐量有望显著提升。

DNA 数据存储

AutoDNA 完成的端到端 DNA 数据存储实验——从数字信息编码到 DNA 合成再到测序还原——展示了该技术在 DNA 数据存储产业化中的潜在价值。DNA 数据存储的商业化瓶颈之一正是合成和测序环节的成本与速度，自主化实验系统可能有助于降低这些环节的人工成本。

临床分子诊断

系统成功鉴定和验证 KRAS G13D 突变的能力，指向临床分子诊断领域的应用前景。在肿瘤基因检测、遗传病筛查等场景中，从样本处理到变异报告的全流程自动化，可以减少人为操作误差并提高检测通量。

但笔者需要强调，从实验室原型到商业化产品之间的距离，在生命科学仪器领域通常以年计。监管审批（尤其是临床诊断应用）、仪器标准化、质量控制体系建立、用户培训等环节都需要大量时间和资源投入。截至本文发布时，暂无关于 AutoDNA 商业化计划或时间表的公开信息。

从 AutoDNA 看 AI 实验室的起点

论文开篇即将开发 AI-native 自主实验室描述为”a long-standing goal”。AutoDNA 的发表证明了这个目标在分子生物学领域的技术可行性：AI Agent 可以协调超过20种仪器、自主完成超过11000步实验操作（据朝鲜日报报道，DNA 数据存储实验中精确为11382步）、达到人类专家水平的实验质量、并实现3.2倍的效率提升。

但从单一领域（核酸操作）到通用科学实验，从特定实验室环境到广泛可复制部署，从执行人类指令到自主科学探索，每一步跨越都面临指数级增长的挑战。AutoDNA 团队选择将代码和数据公开在 GitHub 和 Zenodo 上，这为社区验证和迭代提供了基础，也是检验其可重复性的必要条件。

Nature 评论文章用”enter”来描述 AI Agent 与湿实验室的关系——进入，而非征服。这个用词是准确的。AutoDNA 打开了一扇门，但门后的空间远比门本身更加广阔和复杂。

主题分类：技术突破

参考资料

  1. An AI-native experimental laboratory for autonomous biomolecular operations — Wu, M. et al., Nature, 2026-11-04
  2. AI agents enter the ‘wet lab’ — Nature News & Views, 2026-11-04
  3. Chinese AI System Completes 11,382 Experimental Steps in 203 Hours — Chosun Ilbo English, 2026-11-05