上海交大AI实验室AutoDNA登Nature

构建 AI 原生实验室，以最少的人工干预实现自主科学探索，是一个长期以来的目标。 尽管近年来 自主实验系统 不断涌现，但它们仍 主要局限于目标单一、流程明确、仪器简单的领域 。 这在一定程度上与现有系统的「外挂式」架构有关：AI 通常被用于执行实验中的特定任务， 难以对整个实验过程形成全局理解 。 在涉及多种仪器、复杂流程和多目标优化的工程场景中，这一问题尤为突出。 如今，由 上海交通大学 团队及其合作者提出的 AI 原生实验室 AutoDNA ，有望突破这一局限。

相关研究论文也于今天登上权威科学期刊 Nature 。 AutoDNA 是一套面向生物分子工程的 AI 原生自主实验平台 ，支持核酸合成、转录、扩增和测序等核心操作，可自主协调 20 余类仪器，执行超过 11000 步硬件操作。 在论文中提及的 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，将并发实验流程的执行时间缩短至原来的约三分之一，完成了一次端到端的 DNA 数据存储循环并精确恢复原始数字内容，还识别并验证了一个临床样本中的 KRAS G13D 突变。

研究团队认为，AutoDNA 为 「 科学即服务 」 （science-as-a-service）提供了一种新的实现蓝图，有望加速生物学发现，并推动合成生物学与信息存储等领域的应用。 AI 可能在几分钟内设计出有潜力的生物活性分子，但实验验证仍需要数周甚至数月，并需要投入大量人力。 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。 AutoDNA 的核心思路，是通过模型、实验和仪器的协同设计，将这些能力整合到同一个端到端框架中。

具体而言，AutoDNA 采用多 agent 架构，让不同 agent 分别负责文献检索、试剂管理、实验流程设计、代码生成、硬件控制和实验假设提出，并由中央 Planner agent 统一协调。 用户给出自然语言指令后，Planner agent 会根据任务需求自主选择和调度不同 agent，逐步完成从文献检索、试剂选择、实验设计到代码生成、硬件执行和结果分析的完整流程。

通过这一架构，系统能够在核酸检测、酶促从头 DNA 合成、DNA 数据存储和癌症检测等复杂场景中，对实验过程形成整体理解，并建立由模型主导的「设计、实验、优化」闭环。 借助 LLM 的推理能力，AutoDNA 可以根据实验反馈不断调整方案，在开放的优化维度中探索多目标优化策略。 完成实验设计之后，AI 还需要将实验方案转化为真实世界中的硬件操作。 为此，AutoDNA 引入了面向 AI 优化的硬件抽象层。

系统能够解析仪器说明书和用户手册，将不同设备的功能抽象成一组原子服务（atomic services），并以自然语言描述，供 agent 理解和调用。 通过这种方式，AutoDNA 能够协调 20 余类仪器，完成超过 11000 步硬件操作，并达到微米级的位置精度和微升级的液体操作精度。 对于不同仪器之间的接口兼容问题，AI agent 与仪器之间需要建立行业标准接口。 除了硬件接口，如何保证生成的操作代码可靠执行，也是自主实验室需要解决的问题。

实验室数字孪生 的价值在于，可以让 agent 在真实执行之前，先通过模拟环境测试和改进实验计划。 在解决单次实验的执行问题之后，AutoDNA 还进一步考虑了多实验并行运行时的资源管理。 面对多个用户、多个实验方案同时提交的情况，系统能够根据仪器资源的实时可用状态进行动态调度，协调不同任务的执行顺序。 由此，模型决策、实验设计、硬件控制和资源调度被纳入同一个端到端框架。 研究团队通过以下代表性应用，验证了 AutoDNA 在不同生物实验场景中的能力。

在核酸检测中，AutoDNA 使用商业荧光等温检测试剂盒检测非洲猪瘟病毒。 在酶促从头 DNA 合成中，AutoDNA 展示了自主多目标优化能力。 在 DNA 数据存储应用中，AutoDNA 完成了端到端的数据存储循环。 在癌症检测应用中，AutoDNA 进一步展示了处理临床样本的能力。 尽管 AutoDNA 展示了较高程度的实验自主性，但其能力边界仍然需要客观看待。 实验任务的选择和物理平台的配置仍由人完成 。 实验开始前，操作人员需要准备试剂和实验设备； 在长时间运行期间，还需要补充物资、清理废弃物。

此外，目前适合完全自动化的实验仍主要是相对标准化的检测。 涉及动物模型等更复杂的实验，仍超出现有自动化系统的能力范围。 可靠性也是进一步推广需要解决的问题。 在 AutoDNA 的实验过程中，研究团队记录了 14 次硬件错误，其中 8 次由系统自动恢复，另外 6 次仍需要人工介入。