上海交大AI原生實驗室成果登Nature

外掛式架構的局限

近年大語言模型與自動化硬件結合，使數據分析、實驗決策等環節可交由模型處理，但既有平台多採用以人為中心的附加式架構，AI被限定於彼此分離的特定任務，儀器配置、流程定義與優化規則仍靠人工設定，難以對整個實驗過程形成全局理解，在多儀器、多目標的工程場景中尤為受限。

多agent協同設計

AutoDNA採用多agent架構，文獻檢索、試劑管理、流程設計、代碼生成、硬件控制與假設提出分別由不同agent負責，中央Planner agent統一調度。用戶以自然語言提出請求後，系統完成從檢索、選試劑、設計實驗到執行與分析的流程，並依據實驗反饋調整方案，探索多目標優化。

硬件方面引入面向AI的抽象層：系統解析儀器說明書，把設備功能抽象為以自然語言描述的原子服務，例如移液器對應試劑轉移與混合兩項服務。代碼agent據此自主生成控制代碼並檢測修正錯誤，硬件agent則統籌不同儀器協同運行，達到微米級定位與微升級液體操作精度。

模擬環境先行驗證

為確保操作代碼可靠執行，系統先在模擬環境運行生成的儀器代碼，跟蹤液體體積、核查器具位置與儀器設置；文中提及一例：模擬環境發現樣本容器尚未放入儀器，代碼已嘗試讀取熒光值，從而在真實實驗前攔截錯誤。面對多實驗並行，系統亦按儀器實時可用狀態動態調度，必要時改用同功能替代設備並調整代碼。

四類代表性應用

在酶促從頭DNA合成中，系統同時優化產率與反應時間，多輪迭代後平均單步產率達97.8%，與人工專家已發表結果相當，並發流程時間縮至約三分之一。DNA數據存儲應用中，平台完成78條DNA鏈的合成與測序，準確還原原始數字內容，全程約203.5小時，累計11382步硬件操作。

核酸檢測方面，系統以商業熒光等溫試劑盒檢測非洲豬瘟病毒，流程與人工對照一致。癌症檢測方面，平台接收一份序列未知的結直腸癌組織樣本，自主完成測序、突變識別、引物設計、合成與驗證五個階段，識別出KRAS G13D突變並以自主合成引物完成驗證。

邊界與專家評論

斯坦福大學生物醫學數據科學副教授James Zou在同期評論中指出，AI可能數分鐘內設計出有潛力的生物活性分子，但實驗驗證仍需數周甚至數月；此項工作展示了AI系統如何開始縮小提出實驗與實際執行實驗之間的差距。

邊界方面，實驗任務選擇與平台配置仍由人完成，實驗前須備妥試劑與設備，長時間運行期間亦需人工補充物資、清理廢棄物；現階段適合自動化的仍以標準化檢測為主。可靠性方面，團隊記錄14次硬件錯誤，8次由系統自動恢復，6次需人工介入，大語言模型本身的隨機性亦可能影響可重複性。