刚刚，上海交大AI原生实验室AutoDNA登上Nature：自主协调20余类仪器，完成11000多步生物实验

长期以来，用尽可能少的人工介入搭建 AI 原生实验室、让科学探索自主进行，一直是学界追求的方向。近年来自主实验系统虽不断出现，可它们大多停留在目标单一、流程明确、仪器简单的场景里。部分原因在于现有系统采用「外挂式」架构：AI 只被派去执行实验中的某个特定任务，对整条实验流程缺少全局把握。一旦工程场景涉及多种仪器、复杂流程和多目标优化，这个短板就格外明显。

上海交通大学团队与合作者提出的 AI 原生实验室 AutoDNA，试图打破上述局限，相关论文于今天登上权威科学期刊 Nature。据论文介绍，这是一套面向生物分子工程的 AI 原生自主实验平台，可支持核酸合成、转录、扩增和测序等核心操作，自主协调 20 余类仪器，执行超过 11000 步硬件操作。

论文链接：https://www.nature.com/articles/s41586-026-11228-6

论文列出的代表性应用中，AutoDNA 达到了人工专家优化后的酶促 DNA 合成产率，把并发实验流程的执行时间压缩到原来的约三分之一；它还完成了一次端到端的 DNA 数据存储循环，并精确恢复出原始数字内容，同时识别并验证了临床样本中的 KRAS G13D 突变。研究团队认为，这套系统为「科学即服务」（science-as-a-service）给出了新的实现蓝图，有望加快生物学发现，并推动合成生物学、信息存储等领域的应用。同期发表的 News & Views 评论中，斯坦福大学生物医学数据科学副教授 James Zou 指出，AI 也许几分钟就能设计出有潜力的生物活性分子，可实验验证还得花上数周乃至数月，投入的人力也不小。

新闻与观点文章链接：https://www.nature.com/articles/d41586-026-03270-1

“这项工作展示了 AI 系统如何开始缩小提出实验与实际执行实验之间的差距。”

从外挂式 AI 到 AI 原生实验室

要看懂 AutoDNA 的设计思路，得先弄清当前自主实验平台卡在哪里。近几年，把大语言模型（LLM）和自动化硬件结合起来，已经能让模型接手数据分析、实验决策等核心环节。问题是，已有平台多为以人为中心的附加式架构，AI 被限在彼此分离的特定任务中，仪器配置、实验流程定义、优化规则设置仍离不开人工。

图｜传统附加式架构将 AI 模型作为工具，整个实验过程仍由人类科学家主导

这和研究人员设想的 AI 科学家还有距离。他们描述的理想系统里，用户用自然语言提出实验请求即可，基于模型的 agent 会自主完成实验设计、代码生成、仪器控制和迭代优化，让非专业用户也能拿到端到端的实验服务。

图｜AI 科学家的构想。基于模型的 agent 自主处理复杂实验，并取得人类专家水平的结果

但要走到这一步，生物实验自身的复杂性是一道绕不开的门槛。生物实验往往牵涉多个互相制约的目标，优化方向构成庞大而复杂的搜索空间。以温度、酸碱度和浓度为例，这些变量彼此影响，靠人工预设流程很难全面覆盖。生物实验室配备的仪器种类又多，跨设备协作和信息整合难度不低；实验本身对实时执行、环境稳定性和操作精度还有严格要求。

这意味着，自主实验系统得同时具备三样本事：对实验过程的整体理解、多目标优化，以及协调不同硬件设备。AutoDNA 的核心思路，正是通过模型、实验和仪器的协同设计，把这些能力装进同一个端到端框架。

AutoDNA 采用多 agent 架构：文献检索、试剂管理、实验流程设计、代码生成、硬件控制、实验假设提出，分别交给不同 agent 负责，再由中央 Planner agent 统一协调。用户给出自然语言指令后，Planner agent 会按任务需求自主挑选和调度各个 agent，把文献检索、试剂选择、实验设计、代码生成、硬件执行到结果分析的整条流程一步步走完。

图｜所提出的 AI 原生自主平台 AutoDNA 采用多 agent 架构

靠这套架构，系统在核酸检测、酶促从头 DNA 合成、DNA 数据存储和癌症检测等复杂场景中，能对实验过程形成整体理解，并建立起由模型主导的「设计、实验、优化」闭环。借助 LLM 的推理能力，AutoDNA 可依据实验反馈持续调整方案，在开放的优化维度中摸索多目标优化策略。

让 AI 理解并控制不同仪器

实验设计完成，AI 还得把方案落成真实世界里的硬件操作，这是自主实验室的另一道关键关卡。各类仪器有自己的控制方式和操作接口，若让 agent 直接应付每台设备的底层控制细节，系统开发和扩展都会变得麻烦。为此，AutoDNA 引入面向 AI 优化的硬件抽象层：系统能解析仪器说明书和用户手册，把不同设备的功能抽象为一组原子服务（atomic services），用自然语言描述出来，供 agent 理解和调用。

以移液器为例，它的功能被拆成试剂转移（transfer）和混合（mix）两项基本服务。代码 agent 在这一抽象层之上自主生成仪器控制代码，同时负责查错和修正；硬件 agent 则管硬件资源，让不同型号的仪器协同起来干活。

靠这套办法，AutoDNA 能协调 20 余类仪器，累计完成超过 11000 步硬件操作，位置精度达到微米级，液体操作精度达到微升级。

仪器之间的接口兼容是另一道坎。James Zou 在同期评论里点出一个值得关注的问题：各家制造商的仪器编程接口可能各不相同，自动化方案从一个实验室搬到另一个实验室就不好使了。他的看法是，AI agent 与仪器之间得建立行业标准接口，不然每个自主实验室都容易变成一个定制工程。

硬件接口之外，生成的操作代码能不能可靠执行，同样摆在自主实验室面前。

Zou 特别提到实验室数字孪生的价值：让 agent 在真机执行之前，先在模拟环境里测试、改进实验计划。AutoDNA 就是这么做的——生成的仪器代码先跑模拟，跟踪液体体积，核查器具位置和仪器设置。评论里举了一个例子：有一次，模拟环境发现样本容器还没放进仪器，代码就试图读取荧光值。成本高昂的真实实验还没开动，潜在错误就先被揪了出来。

单次实验的执行问题解决后，AutoDNA 又把多实验并行时的资源管理纳入考虑。

多个用户、多个实验方案同时提交时，系统按仪器资源的实时可用状态动态调度，安排不同任务的执行顺序。某台仪器被占用，它还会去找功能相同的替代设备，并相应改动控制代码。等待时间因此缩短，仪器利用率随之提高。

模型决策、实验设计、硬件控制、资源调度，就这样被装进同一个端到端框架。

代表性应用

研究团队用下面几个代表性应用，检验了 AutoDNA 在不同生物实验场景中的本事。

核酸检测这一项，AutoDNA 用的是商业荧光等温检测试剂盒，目标是非洲猪瘟病毒。

操作上，先用 42 微升缓冲液复溶冻干粉制成预混液，接着加入 5 微升样本和 3 微升激活液启动反应。反应一起动，系统立刻记录初始荧光值，之后做 5 轮检测，每轮先在 39 ℃ 下孵育 5 分钟再测荧光。人工对照走的是同一套流程。

转到酶促从头 DNA 合成，AutoDNA 表现出自主多目标优化的能力。

这项实验要同时优化 DNA 合成产率和反应时间。参数搜索空间很大，系统依据实验反馈动态调整探索方向，缓冲液、表面活性剂、反应时间、试剂浓度等变量都拿来试，完整的搜索空间不必由人预先划定。

迭代多轮之后，系统找到了产率和执行时间兼顾的方案，平均单步合成产率达到 97.8%，与已发表的人工专家优化结果相当。

DNA 数据存储应用中，AutoDNA 跑完了端到端的数据存储循环。

数字信息编码、DNA 合成、存储、测序、解码，整个流程环节不少。AutoDNA 自主协调相关实验流程，合成并测序了 78 条 DNA 链，原始数字内容最终被准确恢复。

这轮实验持续约 203.5 小时，累计执行 11382 步硬件操作。期间人工参与主要是定期清理实验废弃物，以及按系统提醒补充试剂和实验耗材。

癌症检测应用则进一步展示了它处理临床样本的能力。

研究团队交给系统的是一份经过预处理、序列信息未知的结直肠癌组织样本。测序、突变位点识别、引物设计、引物合成、检测验证五个阶段，AutoDNA 自主走完，识别出 KRAS G13D 突变，并用自主合成的引物成功验证了检测结果。

自主实验室距离真正无人化还有多远？

AutoDNA 展示的实验自主性程度不低，但它的能力边界还是得客观看待。

James Zou 在评论中说得明白：实验任务怎么选、物理平台怎么配，仍然由人完成。实验开始前，操作人员要备好试剂和设备；长时间运行期间，还得补物资、清废弃物。

而且，眼下适合完全自动化的实验，仍以相对标准化的检测为主。动物模型这类更复杂的实验，现有自动化系统还接不住。

要推广，可靠性也是一关。Zou 提到，AutoDNA 实验过程中研究团队记录了 14 次硬件错误，系统自动恢复了其中 8 次，另外 6 次仍需人工介入。

论文里也提到一个现实问题：LLM 自身带有随机性，实验方案的可重复性因此可能打折扣。团队给出的下一步打算是换用性能更强的仪器，让能自己跑试剂运输的移动机器人加入，再把文献数据库和检索增强生成系统补得更完整，借此把实验的自主程度和结果可靠性再往上推。

从整体看，AutoDNA 给 AI agent 指了一条新路——不再只做计算任务，而是走进真实的实验操作。计算智能、实验自动化和硬件系统继续往一起融，AI 科学家就可能一步步接手更多实验环节，复杂生物实验也会以更标准化、更自动化的方式向研究人员开放。

更多技术细节，详见原论文。