コンテンツにスキップ
メインサイト ニュース コンソール

トップジャーナルの生物実験は再現できない?操作標準の統一が登場!コンパイル成功率98.6%

· 量子位
国内AI

AIがバイオ製造に入ってきたとき、本当に足りないのは、もっと賢い脳ではなく、デジタル世界と物理世界をつなぐインターフェースだ。

田晏林 発 凹非寺
量子位 | 公众号 QbitAI

いまのAIは、確かにますます「万能研究員」らしくなってきている。

コードを書く、図を描く、動画を生成する――そんなのはもう基本操作だ。

それどころか、科学研究にまで関わり始めている。論文を読み、仮説を立て、実験データを分析し、さらには科学者の次の実験計画まで手伝う。

だが問題は、AIを本当に生物実験室に放り込んだら、状況はまったく違ってくるかもしれないということだ。

Image 3

というのも、生物実験室では、ピペットを操作する、温度を記録する、培養皿を移す……といった一見単純な動作にすら、非常に高い精度が求められる。

単位を1つ書き間違える、パラメータが少しずれる、手順の順番が逆になる――それだけで実験結果はたちまち無効になりかねない。

AIは科学者のために実験を設計できても、実際に実験を実行するのは難しい。問題はどこにあるのか?

AIの頭が悪いから? いや、違う。

少し前、Anthropic史上「最強」と呼ばれたモデル Claude Fable 5 が公開されたものの、リスクの問題で緊急停止となった。

Image 4

高い推論能力は、研究価値と安全上のリスクを同時に抱える。 これこそが、AIが研究領域に入る際の最大の悩ましさだ。

ときには「どうすべきか」を教えてくれる。しかし大抵の場合、それが本当に「実験で何が起きているのか」を理解しているとは限らない。

やはり、いくら脳が強くても、AIが理解できる統一されたバイオ実験言語がなければ話にならない。

ここ2年ほどでAI4Scienceは大きな注目を集めているが、本当に産業の中核工程に入り込んだ事例は多くない。

生物学が産業にもっと価値をもたらすには、実験室の作業をエンジニアリング可能にし、再現可能にする必要がある。

最近、世界の生物論文アーカイブ bioRxiv に掲載された研究が、業界に新たな可能性を示した。

Image 5

この論文では主に2つのことが紹介されている。

  • AIは生物実験を理解しづらい? ならば、統一されていて理解しやすい生物学プロトコル言語――Biology Protocol Language (BPL) を開発しよう。
  • 従来の生物実験向けプログラミング言語は敷居が高く、研究者が自力でコードを書いて操作するのが難しい? ならば、コード自動生成ツール BPL-COGEN にすべて任せればいい。

著者の所属を確認すると、全員がBota Biosciences(恩和科技)に所属していた。これは中国のバイオ製造企業だ。

やっぱり、専門的なことは専門家に任せるのがいちばんだ。(doge)

なぜAIはなかなかバイオ製造に入れないのか?

信じがたいかもしれないが、もうAIが当たり前の時代になっても、多くのトップ生物科学者はいまだに実験台の前に縛られている。

ピペットと培養皿の間で、彼らは毎日、手作業に膨大な時間を費やしている。

これらの装置は現代バイオ製造の最も重要な生産力を形作る一方で、最大の効率ボトルネックにもなっている。

理由は単純で、生物実験は本質的に標準化しにくいからだ。

Image 6

△AI生成

同じ実験でも、実験者が違えば操作習慣が違う。同じ装置でも、メーカーが違えばインターフェースの形式が違う。同じ実験記録でも、チームが違えばデータ構造がまったく違う。

その結果、実験室で最も貴重な経験の多くが、人の頭の中に蓄積されたままになってしまう。

A研究室で成功した実験が、別の場所では再現できないこともある。

データは蓄積しにくく、工程は複製しにくく、自動化は閉ループ化しにくい。

業界全体は長くDBTL(Design-Build-Test-Learn:設計・構築・テスト・学習)サイクルに依存してきた。

だがこの連鎖もまた、人間の経験に大きく依存している。

現段階では、生物学分野ではなお自然言語テキストで実験計画が書かれている。

たとえば、「試薬を5ミリリットル加え、37度でしばらく培養し、軽く混ぜる」といった具合だ。

Image 7

△AI生成

人間にとっては問題のない記述だが、機械にとってはほとんど何も言っていないのと同じだ。

5ミリリットルはどこに加えるのか? どれくらい培養するのか? 「軽く」とはどの程度なのか?

曖昧な表現のひとつひとつが、実行時の解釈のズレにつながる。

一方で、ソフトウェア工学や半導体設計のような分野では、こうした問題は何十年も前に解決されている。

プログラマーは「だいたい動かしてみる」なんて書かないし、半導体エンジニアも「たぶんこうつなぐ」なんて書かない。

彼らが使うのは、標準化され、コンパイル可能で、検証可能な記述言語だ。そうでなければ、システムは安定して動かない。

バイオ製造に長く欠けていたのは、まさにこうした言語だった。

過去20年、学界も手をこまねいていたわけではない。

BioCoder、Autoprotocol、Antha、LabOP などの標準化フォーマットが次々と登場した。

だが、表現力が不足していたり、特定装置に縛られていたり、使い勝手が高すぎたりした。

Image 8

最も重要なのは、2つの大きな難題がずっと解決されていなかったことだ。

1つ目は、自動生成能力が不十分で、方案の汎用性が低いこと。関連スクリプトや設定ファイルを研究者が手で書く必要があり、開発期間が長引くこと。

2つ目は、十分に高い実行精度を保証できないことだ。

ここ数年、バイオ製造はAIを取り込みたいのにAIに足を引っ張られ、AI4Scienceはいつも最後の一歩で詰まっていた。

BPLが来た!

恩和科技のAI・Computational部門ディレクターである Alex Song は、非常に現実的な問題を指摘している。

多くのトップジャーナル論文は、Nature や Science に載っていても、他人が実験を再現するのは依然として難しい。

科学原理が公開されていないわけではない。実験プロセスに統一した表現方法がないのだ。

恩和にとって、この問題はさらに切実だった。というのも、同社はもともとAI駆動のバイオ製造を手がけているからだ。

これまでのAIは自然言語を生成してきた。では、実験室の自動化装置とどうやってやり取りするのか? その間に「翻訳」のプロセスが必要になる。

ロボットに実験をさせて、今日はできたのに明日はできない、なんてことにはしたくないはずだ。

こうした背景のもと、恩和は BPL 言語を開発した。

もし比喩を挙げるなら、BPL に対する生物実験は、Python に対するプログラミングのようなものだ。

人が見るのはアプリケーション、端末が見るのはコード。

Image 9

同じ理屈で、研究者が見るのは実験計画、実験装置が見るのは標準化されたプロトコルコードだ。

この変換を完了して初めて、実験はエンジニアリング可能になり、再現できるようになる。

さらに重要なのは、BPLが単なる記述言語ではなく、コンパイル可能な言語でもあることだ。

プログラムを書いたことがある人なら、正式に実行する前にまずコンパイルが必要だと知っているはずだ。コンパイラは構文エラー、論理エラー、実行リスクをチェックする。

BPL も同じだ。

実験開始前に、まずソフトウェア層で実験の「シミュレーション」を1回行う。単位が正しいか、試薬が存在するか、容器容量を超えていないか、手順同士に論理矛盾がないかを確認する。

問題が見つかれば、システムはその場でエラーを返し、実験全体が失敗してからやり直すことはしない。

つまり、これまで実験室で高くついていた試行錯誤のコストを、事前にデジタル空間で解決できるということだ。

Image 10

とはいえ、言語だけあっても十分ではない。ではコードを書く問題はどうするのか? 生物学者全員にプログラマーになれと言うわけにはいかない。

BPL を基盤に、恩和はさらに BPL-COGEN を開発した。

たとえば、「PCR(臨床遺伝子増幅)実験を完了せよ」と指示するとする。

するとシステムは自動で自然言語を標準化された BPL コードに翻訳し、その後コンパイラ検査に進む。

エラーを発見—自動修復—再検査—再修復 を繰り返し、コードがコンパイルとシミュレーション検証を通過して初めて、システムは適合した指令を実験室に同期し、実体実験を開始する。

Image 11

△AI生成

全体のロジックは Claude Code や Cursor によく似ている。ただし書くのはソフトウェアコードではなく、実験コードだ。

とはいえ、BPL-COGEN は本当に信頼できるのか?

論文では、生成された方案の精度を定量化するため、チームは『Nature Protocols』から30本の代表的な実験プロトコルを選び、分子生物学、細胞培養、生化学分析など複数の分野をカバーした。

ここで重要なのは次の一歩だ。恩和はBenchmarkベンチマークデータセットを構築した。

これがこれまでにない新しいポイントだ。

この Benchmark は、大規模モデルによる評価 + コンパイラによる客観的検証を組み合わせ、内容の一致度、方案の有効性、実験の完全性の3つの観点から実験を採点する。

結果はかなり優秀だった。同じ実験コードを10回再生成しても、**98.3%**の結果が完全一致した。

総合スコアは95.1点に達し、方案の有効性スコアは98.7点と非常に高かった。

恩和チームは「ドライ実験」だけにとどまらず、同時に2つのウェット実験でも検証を行った。

Image 12

  1. 同じ BPL コードを、ひとつは人手作業向けのマニュアルに、もうひとつは自動ピペッティング装置の実行スクリプトに変換。

両システムでのシーケンス解析、蛍光検出の結果に有意差はなかった。

  1. 液体クロマトグラフィー実験では、元の32分の分析フローが、2.1分の超高効率プロトコルへと自動変換された。

5種類の脂溶性物質はすべてベースライン分離を達成し、分離順序も元の方法と完全に一致した。

なお、Benchmark ベンチマークテストでは、コンパイラが累計343件の問題を検出しており、単位不一致、容器の過積載、試薬未定義などが含まれていた。

モデルの初回生成コードのコンパイル通過率は82.3%で、最大3回の自動修復後には**全体通過率98.6%**に達し、修復不能な問題はわずか1.4%だった。

「AI科学者」始動

研究が産業を牽引し、産業が研究を再び押し上げる。

底層技術がそろったら、次に考えるべきはいかに効率よく産業化へ落とし込むかだ。

BPL 言語を基盤に、恩和科技はバイオ製造分野向けとして世界初の Physical AI プラットフォーム:SAION AI を発表した。

その位置づけは明確で、AI科学者である。

多くの人が思い描く AI科学者は、文献検索や実験提案の段階にとどまりがちだが、SAION AI の能力はもっと広い。研究の全閉ループをカバーする。

たとえば、既存の研究者が高効率の酵素産生菌株を開発したいとする。

SAION AI に「食品発酵に使える高活性プロテアーゼ産生菌株を開発し、発酵コストを30%削減せよ」と入力するだけでよい。

するとシステムは自動で文献を検索し、技術ルートを分析し、重要な技術ポイントを抽出し、各操作手順まで細かく書き込まれた実験計画を生成する。

その後、この計画は恩和独自の BPL 言語を通じて、恩和の「生物鋳造工場」に直接送られ、自動化装置がプラスミド設計、菌株構築、培養・検査など、すべてのウェット実験工程を標準化して実行する。全工程で人手による介入は不要だ。

実験が終わると、すべてのデータは自動的に SAION AI に戻る。モデルはそのデータを分析し、次の実験設計をさらに最適化して、完全な閉ループを形成する。

Image 13

△AI生成

実験を標準化された形で記述できるようになって初めて、AIははじめて本当にバイオ製造を理解できる。

アーキテクチャの観点では、SAION AI は3層で構成される。

  • 認知層:科学的課題の理解と実験計画の生成を担当。
  • 制御層:BPL のコンパイル、検証、タスクオーケストレーションを担当。
  • 実行層:実際の実験装置を動かして操作を完了させる。

Image 14

全体の流れは、絶えず進化する科学の脳のようだ。 これこそが Physical AI の最も本質的な特徴である。

なぜ例として菌株工学を挙げるのか? バイオ製造において、これは最も中核的で基礎的な要素のひとつだからだ。

生物部品とともに、バイオ製造のコア資産を構成しており、ほぼすべての工業化生産が避けて通れない出発点となる。

従来のやり方では、単一の研究開発プロジェクトで年間およそ500株の菌株実験しかこなせなかった。

しかし SAION AI が加わると、効率は一気に跳ね上がる。

この24時間稼働の「AI科学者」は、単一プロジェクトで同時に30万組の実験を実行でき、1日あたりの仕事量で従来の1年分をあっさり超える。

背後のチーム

2019年、恩和科技は杭州で設立された。

多くのAIスタートアップとは違い、彼らは最初からモデルだけに全賭けすることはせず、Physical AI に駆動される**「生物鋳造工場」Cell2Cloud** を並行して整備した。

このシステムは、菌株工学、プロセス開発から大規模生産までの全工程をカバーしている。当初は実験室自動化の問題を解決しているように見えたが、今ではむしろ Physical AI 時代を見越した先行投資のように見える。

なぜなら、AIに本当に不足しているのは、パラメータではなくデータだからだ。特に、生物製造のような物理的制約が極めて強い業界では、高品質な実験データはモデルそのものよりも手に入りにくい。

Cell2Cloud は千万級の実験データを継続的に生み出し、同時に百万級の文献・特許知識と接続することで、業界でも希少なデータフライホイールを構築している。

後に誕生した BPL 言語や、SAION AI の背後にある認知能力は、いずれもこの基盤の上に成り立っている。

ある意味、多くの会社が AI を訓練しているのに対し、恩和はAI科学者の訓練場を作っていると言える。

この仕組みを牽引しているのが、恩和科技の創業者兼CEO、崔好だ。

Image 15

崔好はカナダ・トロント大学を卒業後、ハーバード医学院とMITの共同育成による医工学・医用物理の博士号を取得し、2025年の世界経済フォーラム「Global Young Leader」に選ばれた。

博士課程では、『Science』『Nature Nanotechnology』『PNAS』などの国際トップジャーナルに第一著者/コア著者として複数の論文を発表し、合成生物学と自動化実験に関する複数の発明特許も保有している。

起業後は、チームを率いて BPL、Cell2Cloud、SAION AI という3つの中核能力を構築した。

一見すると3つの技術だが、本質的には同じ目標を指している。AIを「紙の上の推論」から、7×24時間自律的にウェット実験を遂行できるAI科学者へと変えることだ。

この路線は、かなり早い段階から産業界と資本市場に評価されてきた。

2021年、恩和科技は1億ドルのシリーズB資金調達を完了し、投資家には紅杉中国、五源、源码、百度、美団、BASF、経緯などの有力機関投資家や産業資本が名を連ねた。

Image 16

現在、恩和は技術力を食品、栄養健康、パーソナルケアなどの分野向けの大規模ソリューションへと変換し、新和成、SYENSQO、伊利、BASF、珀莱雅、百雀羚などの企業と協業している。

BPL が解決するのが「AIはいかに実験を理解するか」だとすれば、恩和が証明したいのは、さらに大きな別のことだ。

Physical AI はロボット業界の未来であるだけでなく、バイオ製造の生産方式そのものを再構築しつつある、ということだ。

One more thing

どの産業も規模化へ向かうとき、避けて通れないことがある。経験を標準に変え、知識を機械が理解できるルールに変えることだ。

半導体産業はその最たる例だ。

EDA(Electronic Design Automation) が登場する以前、チップ設計はエンジニアの経験に強く依存し、検証コストが高く、試行錯誤の周期も長かった。

EDA の価値は、単に効率を上げたことではない。チップ設計を、記述可能で、検証可能で、シミュレーション可能なデジタル資産へと初めて変えたことにある。

ある意味、EDA がなければ今日の半導体産業は存在しなかった。

そして今、バイオ製造も同じような段階にある。

Cell2Cloud が Physical AI の身体だとすれば、SAION AI は Physical AI の脳、そして BPL はその両者をつなぐ神経系だ。

この視点から見ると、BPL の意味はもはや単なる実験効率の向上にとどまらない。

それはむしろ、バイオ製造分野における「EDA」であり、未来の産業に向けた基盤インフラそのものなのだ。

#国内AI#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/06/440630.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →