当生物实验遇上 AI:科学家到底在让机器替自己做什么?

设想一下，走进一间普通的生物医药实验室，周一早上的对比很悬殊：屏幕里，AI 模型一口气给出了几千种可能有效的候选分子；转过身，实验台上的离心机、培养皿和移液枪，受限于时间和人手，一周通常只能验证几十个。

这就是生命科学研究中长期存在的节奏落差——图纸画得再快，地基还得一砖一瓦地垒。

正当行业还在适应这种快慢错位时，大洋彼岸的一则政令，把更深的博弈推到了台前。2026 年 10 月 24 日，英国内阁办公室宣布成立一个新机构：AI 生物安全实验室（AIBL），官方称其为全球首个专门的 AI 生物安全实验室。

公告开门见山挑明了成立初衷：AI 既能加速医学研究与新药开发，也可能降低有害活动的门槛。

经费构成很清晰：在 1.65 亿英镑的国家计划中，1 亿英镑建实验室，6500 万英镑升级监测；两家前沿 AI 公司承诺的最高 2 亿英镑是算力与模型额度，不是现金。

公开报道也坦言，该实验室的具体职责与运作细节尚未公布——一切才刚刚起步。

比起这些宏大的数字与筹建公告，更本质的问题其实是：把 AI 请进生物实验室，到底改变了什么？

答案可能反直觉。核心变化不是“生成得更快”——计算机算方案从来都很快；而是在真实的实验闭环里，挑得更准。以下五节，正是把这句话拆开看。

一、星期一的清单：AI 到底帮生物学家挑了什么？

生物实验有个经典的循环：设计—构建—测试—学习。四步里最耗时的是构建和测试，细胞要培养、测试要排队，一轮动辄数周。

所以真正的瓶颈从来不在“想不出点子”，而在受限于物理成本，到底该先做哪几个实验。

这正是 AI 插进来的位置。

第一个动作，叫挑实验。

打个比方，晚高峰出门，导航不会让你把全市十万条小巷都开一遍，它在后台算完，直接给你三条最不容易堵的路。

2019 年发表于《自然·通讯》的一项早期样板研究中，算法指挥机械臂优化番茄红素生产，实际测试不到 1% 的变体，最终产出效果比随机筛选高出 77%。

在 2026 年 10 月公开的一项预印本研究中（该研究尚未经同行评审），科研团队针对核酸适体（一种能特异结合目标蛋白的单链核酸）进行了物理闭环测试，展示了这种“越试越准”的校准过程。

研究人员让 AI 智能体带着自动化设备做实验：首轮筛选约 1,000 个序列时，结合率竟然是 0.0%。

但系统根据实验反馈很快找出了症结——辅助测试的引物把分子构象搞歪了。剔除这一干扰后，第二轮结合率立刻升至 26.0%，第三轮进一步提升至 42.1%（特异性达 98.5%）。

从初测结合为零到接近半数结合，仅经历了三轮物理测试。

第二个动作，叫先猜再验。

传统生化实验像不断试错的试菜，哪怕步骤再规范，也得一锅锅炒出来尝，不行再倒掉重来；如今科研人员尝试把“学习”前置——先用已有数据训练模型，在计算机里把明显不合理的构型预先剔除，再用无细胞体系在数小时内快速验证，跳过漫长等待。

这条路目前仍属前沿探索。

更进一步，是让这两个动作连成一个会自主运转的闭环。

2026 年 5 月，《自然》发表了一个名叫 Robin 的多智能体系统。

面对干性老年黄斑变性这一致盲顽疾，它自主研读文献，提出了“增强视网膜细胞清除代谢废物能力”的假说，并自己设计实验；科学家完成物理操作并将数据反馈后，它再自主分析并迭代出下一轮候选分子。

这一轮闭环下来，它挑中了利帕舒地尔——一种在日本原本用于治疗青光眼的药物，此前从未有人提出能用于该眼病。

在体外细胞实验中，它使目标细胞吞噬作用相比对照组提升约 1.89 倍；科研团队后续开展的测序分析，进一步指向了一个新的潜在靶点。

必须说明：这是体外细胞实验，不等于人体疗效，离临床还很远。 真正值得注意的，是提假设、选实验、读数据这几个耗费大量脑力的人工环节，第一次被串成了一个连续运转的回路。

如果说自主闭环代表着实验流程的进化，那么具体到分子筛选上，AI 展现出的则是极具震撼力的“精准打击”。2023 年发表于《自然·化学生物学》的一项研究用深度学习筛过约 7500 种分子，找到了新化合物 abaucin，专门针对多重耐药的鲍曼不动杆菌。

它呈现出罕见的“窄谱”特质：传统广谱抗生素更像大范围清扫，好坏细菌一并波及；它更像只认一个目标的狙击手，专盯这一种病菌。

需要说明的是，该成果目前仅在小鼠伤口模型中完成验证，尚不能等同于人体临床疗效。

在算力支持下，计算机可以在几天内批量生成成千上万个候选方案。但方案产生得再快，终究要回到真实的试管里——

· · ·

二、会自己值夜班的实验台：比“快”更重要的是“不失误”

不妨想象这样一个画面：凌晨两点半，实验室的大灯早已熄灭，防尘玻璃罩里，机械臂还在静音导轨上以毫米级精度往复运行：抓取微孔板、定量吸取试剂、在分光光度计下完成读数。

第三个动作，叫值夜班与全程留痕。

把自动化设备搬进实验室，人们最先想到的好处通常是“机器不知疲倦、不用睡觉”。但它对科学研究更深层的重塑，其实常常被忽视。

科学界长期存在一个普遍的痛点：很多实验，别人照着论文做不出来，甚至原作者隔几天也无法复现。

同一个人，上午做成了，下午因为疲劳手抖了 0.1 微升，结果就完全走样。

自动化解决的首先不是速度，是手稳；其次是留痕——每一次移液的体积、每一刻的温度、每一个吸光度读数，机器都自动记录，像行车记录仪一样完整存档。

2026 年 8 月的一份预印本（未经同行评审）展现了这种不知疲倦的闭环：系统将语言模型与移液机器人连通，连续自主运行数周。它自主合成基因、表达蛋白、测定活性，不仅不需要人类通宵盯守，还能根据每一次物理实测的反馈不断修正模型，摸索蛋白质的功能边界。

业内常用自动驾驶的分级来打比方：实验室也有自己的 L2 和 L4，完全自主对当下技术过于苛刻，目前更多是“机器干苦力、人类做决策”的人机协同。

更深远的改变在于：自驱动实验室在运转过程中，天然沉淀下了全流程的数字化底账——原料批次、仪器参数、环境温湿度全都被记录在案。

2026 年《自然综述·化学》的评述指出，这让生物实验第一次具备了类似软件工程的“代码可回溯性”——哪一步出了偏差，调出日志一查便知。

当 AI 不仅能帮实验室挑方案、盯流程，它还能在更大的尺度上帮人类守住另一道关口——公共生物安全。

· · ·

三、污水侦探：在病人进医院前，城市已经收到了风声

在日常生活中，你今早按下马桶冲水键的那一刻，可能已经给这座城市的健康预警系统提供了一份样本。

生物防御的最前线，从来不是 ICU，而是日常环境里那些极微弱的先兆信号。

第四个动作，叫杂音里辨异常。

英国卫生安全局有一套叫 PRISM 的污水监测系统，依托原有的脊髓灰质炎监测网络建立，覆盖英格兰约 2500 万人的地下管网。

这套系统的核心思路很具启发性：不预设要找哪一种特定病原体，采样一次、检测多种，同一份环境样本可兼顾公共卫生预警与耐药性追踪。

在早期开发中，算法已被用于追踪诺如病毒并分辨不同毒株；后续还将把采样扩展至医院及交通枢纽。

这类环境监测能争取多少提前量？

美国国家污水监测系统（NWSS）覆盖了 1200 多个点位，数据显示，在特定历史监测记录中，污水信号平均比急诊就诊记录早 4 到 6 天反映出呼吸道感染趋势变化。

不过，这一提前量来自特定的历史监测，不宜直接套用到所有病原体。

AI 在这里承担的职责其实很清晰：从海量、破碎、绝大多数都是环境背景杂音的测序数据里，把“这是哪一种病原体变异”“它和上周有什么不同”准确辨认出来。

它不负责占卜，它只是让人类看得更早一点。

但这里还有一道现实的考题：测得出来，和测得起，完全是两码事。

全样本无差别测序的成本极其高昂。2025 年《柳叶刀·微生物》的一项建模研究测算：如果改用只盯特定目标的“靶向测序”，年度成本虽然能锐减 27 到 29 倍，但代价是只能查出已知病毒，遇到全新病原体就会失明。

换句话说，如何用算法把检测成本打下来，本身就是生物防御体系能否真正落地的关键。

· · ·

四、订货单与打印机：生命科学的物理防线

讲到这里，开篇提到的那个安全隐忧必须被正面解答：如果 AI 辅助设计的能力越来越强，怎么防范技术被滥用？

一个常被忽略的常识是：模型只能输出数字序列，变不成实体。 从代码到真实试管分子，必须经过物理制造环节——核酸合成。如果模型是设计软件，合成技术就是那台把图纸变成实物的打印机。

于是治理的闸门，首先落在了商业代工的订货单上。

绝大多数科研团队并不具备从零合成复杂长链基因组的重资产，必须向外部专业合成企业下单代工。这道防线就像危险化学品的准入管理：不仅严密比对订单里的基因序列，更要穿透核查订购机构的真实资质。 行业安全标准的筛查窗口正进一步收紧至每 50 个核苷酸，并重点识别把危险序列拆分成多个小订单拼装的隐蔽操作。逻辑只有一条：筛查粒度越细，漏网难度越大。

但一个更现实的漏洞随之而来：如果有人绕过代工厂，在自己的实验室里悄悄合成呢？

随着桌面级“台式 DNA 合成仪”越来越小型化，这种担忧正在变成现实的挑战。正因如此，安全讨论正从“管代工订单”延伸到“管设备”——推动合成设备内置安全审计能力，让序列比对尽量前移到仪器本身。

与此同时，筛查工具本身也在经历高强度的压力测试。

2025 年 10 月发表于《科学》的一项合作研究做了一次“红队压力测试”：研究人员用开源 AI 工具对危险毒素与病原体的受控基因序列进行重新改写，测试商用筛查系统能不能认出这些“乔装改扮”后的序列，并迅速完成了补丁升级。防线被大幅加固——但实测仍记录下约 3% 的变体未能被标记。必须说明，该测试全程在计算模拟中完成、未合成蛋白，改写分子是否保有活性尚属未知。

把这些事实放在一起看，真实图景远比非黑即白的科幻叙事更加复杂，也更为琐碎：

绝大多数生物研究旨在治病与改善人类生活。治理的核心平衡在于既不漏判，也不误伤——倘若门禁把正常科研一并冻结，医学进步同样会停摆。防线的每一次筑高，都在考验人类在拥抱前沿工具时守住物理边界的工程智慧。

· · ·

五、防的是极端风险，赚的是日常回报

一家英国智库在评估这家新建实验室时说得很客观：它目前仍处于筹建初期。但这笔投入最让人信服的，是它背后那本“怎么算都不亏”的账：

万一由 AI 衍生出的极端生物风险真的到来，“更早在环境里捕捉异常先兆”与“更快研发出疫苗和治疗药物”，就是全社会手里最救命的两道防线；而在极端危机发生之前，这套自动化实验台、留痕系统与监测网络，每一天都在替科学家省时间、替城市盯住日常传染病，一刻也没有闲着。

科学史上的安全带，从来都不是为了逼停赛车。它存在的唯一意义，是让车手在复杂的弯道上，敢把油门踩得更深、更稳一点。

回到周一早上的那间实验室。科学家让机器替自己做的，其实不是取代离心机和细胞培养——该等的时间一分钟也少不了。

机器真正替人类分担的，是在数以千计的可能路径中，找准下一步最值得迈出的那一小步。

这听上去或许不如“一键合成新药”那样引人注目，但在生命科学漫长的探索史上，这或许才是更真实、也更深远的变革。