2025年末，英伟达CEO黄仁勋在公开演讲中表示，人工智能技术已迈过关键“临界点”。

这句话，反映了业界对AI发展进入新阶段的普遍共识，也是对2025年生成式AI和大语言模型加速落地的最好诠释。

刚刚过去的一年，人工智能技术各行各业实现突破性进展，尤其是在生命科学领域，AI与基因测序、实验室自动化、生物制造的融合创新引发了产业范式变革。

华大智造高级副总裁杨梦对这一变化深有感触。作为华大智造AI战略布局的核心推动者，他主导了公司BT+IT融合创新，并带领团队开发出AI全栈接入的自发光半导体闪速测序仪，推动AI驱动的实验室自动化系统等创新产品落地。

2025年初，在杨梦的带领下，华大智造完成了GLI（Generative Lab Intelligence，自发光测序仪研发和实验室智能自动化）业务的战略重构，旨在帮助传统的实验室自动化用户突破“数据-算法”的互哺瓶颈，更快落地实验室软硬件和整体运行效果，加快发挥“AI+生命科学”的无限潜能。

“测序循环效率方面，AI赋能前，单次循环需2-2.5分钟，通过AI技术优化原材料设计与信号处理方案后，单次循环时间可缩短至75秒，循环时间缩短约 40%–50%；靶向引物设计上，借助 AI 可以将单次研发循环从2-3周缩短至4-5天，成本下降60%-70%，效率提升2-3倍。”杨梦在接受21世纪经济报道记者专访时透露。

“从研发周期来看，传统模式下，2-3名技术人员与1-2名博士需耗时半年完成原材料设计和验证，而在AI辅助蛋白设计+自动化表征的流程下，可把‘每轮迭代’压缩到周级，并显著缩短整体周期。”杨梦进一步补充道。

近年来，随着人工智能大语言模型的飞速发展，行业普遍认为，基因组序列与自然语言在数据结构上具有相似性。

在杨梦看来，这一观点主要是出于第一性原理的思维，即基因、蛋白质均以序列形式存在，人类细胞包含60亿个碱基，分布在23对染色体上，本质上是连续的序列结构，而大模型所学习的人类数字化文字信息，同样以序列形式呈现。两者的核心共性在于“序列”这一基础形态。

这种共性催生了早期的技术探索——“Transformer模型在自然语言编码中成功应用后，研究者开始尝试将其用于DNA序列编码，利用注意力机制捕捉序列位点间的关联关系。”但随着研究深入，学界对这一观点的边界与适用范围逐渐清晰。

Transformer 模型是一种基于自注意力机制的神经网络架构，最初在2017年由Google的论文《Attention Is All You Need》提出，彻底改变了自然语言处理（NLP）领域，并逐渐扩展到计算机视觉、语音处理等多个领域。

“生命系统具有高度复杂性与动态性，自然语言上下文表示的压缩方法并不能直接等价迁移到生命序列。”杨梦指出，两者的核心差异在于生命序列受物理化学约束与进化选择共同塑形，“自然语言大模型核心是预测下一个字符，源于人类语言的上下文关联；而DNA序列源于进化过程中的选择性突变，并非线性生成结果。计算机领域的Transformer思维可为解读生命序列提供重要支撑，但仅依靠注意力机制或Transformer模型，难以完全解码生命系统的复杂规律。”

对于深入探究生命序列内在规律的研究方向，杨梦提出三个核心路径：一是在模型构建中融入第一性原理，通过建模物理化学等底层规律，将相关约束条件与边界条件注入大模型，使其能够更精准地理解生命进化、发育、衰老等核心机制；

二是发挥智能体（Agent）的作用，通过构建智能体（尤其是多智能体协作系统）解决生命科学复杂问题，这也是AI for Science领域的研究热点；

三是坚持“干湿闭环”原则，借助机器人与自动化技术提升实验可重复性与效率，确保湿实验的可重复性与设计的合理性。这与近一年AI for Science的主流方向一致：包括美国的“创世纪”计划，以Agent编排任务、以自动化执行实验、以闭环数据持续校准模型，形成自驱动实验室的规模化生产力。“落地层面，这意味着研发组织要从‘人写方案、人做实验’变成‘人定义目标与约束、Agent拆解任务与调度、自动化执行并回传数据、人在关键节点审核与复盘’。”杨梦说道。

作为产业端的研究者与管理者，杨梦始终坚持“AI技术落地导向”，避免为“技术而技术”。他带领团队研发的全球领先自发光半导体闪速测序仪，正是AI全链条赋能的典型案例。这个闪速测序仪采用手机摄像头图像传感器替代传统激光器系统，实现成像与反应模块的小型化，显著提升便携性与成本优势，可广泛适配小型实验室、基层医院、教育等场景。

除测序仪外，团队研发的超声仪器同样融入AI技术，可通过提升图像清晰度和自主导航辅助病情诊断。

杨梦指出，不同产品线的AI应用存在核心共性：“新产品无历史包袱，拥抱AI技术的动力更强、速度更快，一方面避免陷入竞争劣势，另一方面通过技术提升效率弥补资源投入不足。”而这种共性的核心在于工作方式与思维模式的转型，“未来AI领域的核心竞争力将是企业的AI原生能力，当全行业都能以AI思维开展工作，将形成最核心的共性竞争优势。”

展望未来五年测序仪等技术演变趋势，杨梦提出测序仪将朝着“样本进，洞察出”的方向发展：“临床场景实现‘样本进，诊断出’，科研场景实现‘样本进，成果出’。”

要实现这一目标，杨梦认为，需要依托自动化工作流与任务编排技术，AI将全面赋能全流程质量控制与溯源，且在实验开展前，对关键环节做虚拟仿真与参数校验（如流程排程、关键反应条件、数据处理路径与风险点），用数字孪生把失败率前置压降。“黄仁勋曾提到‘制造前先仿真’的理念，构建工业数字孪生系统至关重要。”

谈及AI应用面临的核心挑战，杨梦将“人机协作范式转型”放在首位，“AI发展最大的障碍就是人类的认知，对AI的认知到底什么层面会决定AI将产生怎样的影响，如果仅仅把AI当成工具，其实是用不好的，必须把它变成完成任务的伙伴。不过，这必然会面临组织架构、协作模式甚至旧有生产关系的调整，阻力巨大。”

其次是技术层面的可追溯性与伦理安全问题，杨梦认为，“临床问题不允许AI’畅想’，其输出结果的可追溯性、证据链完整性至关重要；同时，DNA序列合成等场景的AI应用还需防范生物安全风险。”

以下为部分访谈实录。

AI落地实践：全链条赋能生命科学装备研发

21世纪：你带领团队研发了全球领先的自发光半导体闪速测序仪。能否介绍该产品的核心技术壁垒？相较于传统测序技术，其具备哪些不可替代的优势？

杨梦：该测序仪的核心优势在于便捷性与小型化。我们采用手机摄像头中的图像传感器替代传统复杂的激光器系统，使成像与反应模块的尺寸缩减至图像传感器级别，显著提升了产品的便携性。其次，产品初始成本较低。传统测序仪多用于大型医院与科研机构，单价高达数百万至数千万元；而该产品定位为入门级工具，具备小型化、高灵活性、低成本的特点，能够广泛适配小型实验室、疾控中心、海关、区县级医院及诊所等场景。

此外，该产品在教育领域亦具有重要应用价值，可作为高校生命科学专业本科生、研究生测序课程的实训教具——大型测序仪成本高、使用门槛高，学生难以快速上手，而该产品能够为学生提供便捷的实操机会。从长远来看，基因测序向临床普及的过程中，亟需此类低成本、高灵活性的产品作为支撑。

另外，未来基因测序的普及，也需要一款入门成本低、能很好部署在医院且非常灵活的产品。自发光半导体测序仪的整个设计逻辑就是围绕易用、便捷、灵活构造的。尽管该产品体量较小，但我们通过人工智能技术实现了全链条赋能，涵盖生化原理优化、信号处理、调度仿真及实验设计等关键环节，全面提升产品性能与使用效率。

21世纪：AI在临床与科研场景中的应用逻辑、智能体设计是否存在差异化？是否需要针对性开发不同的产品形态？

杨梦：当前两者的差异化尚未完全显现，但未来必然会形成明确的分野。基因测序在临床场景中的应用属于分子诊断范畴，其智能体设计与AI应用逻辑与科研场景存在约束条件不同。科研场景下的智能体需追求“覆盖面与探索效率”，支撑研究者覆盖更多研究假设、处理更大规模样本；而临床场景对智能体的核心要求是“稳定、合规、可追溯与一次成功”，需适配多样化的复杂工况。

复杂工况主要源于临床样本的多样性，如血液及各类生物样本的异质性。科研场景中，研究者可通过多次尝试优化样本适配性；而临床场景要求“一次成功”，需达到血常规检测般的便捷性与稳定性，不允许反复试错。因此，质量控制是临床场景的核心关键。

基于此，AI在临床测序场景中的核心应用方向为全流程质量控制与智能报告输出，这两点在科研场景中并非核心诉求——科研场景通常允许更高比例的人工介入与多轮迭代，容错空间更大；而临床场景中则要求流程一次通过、质控自动化、证据链闭环。若样本检测出现问题，无法随意召回患者重新采样。因此，智能驱动的全流程质控、可追溯体系，以及针对不同工况样本的适配性优化，是临床测序产品的核心设计要点，也是我们未来的重点研发方向。

21世纪：站在当前发展节点，随着 AI 技术的发展，你如何预判未来五年测序仪、实验室自动化等领域的演变趋势？

杨梦：我认为测序仪未来将朝着“样本进，洞察出”的方向发展——临床场景实现“样本进，诊断出”，科研场景实现“样本进，成果出”。这一目标的实现，需依托自动化工作流与任务编排技术，AI将全面赋能全流程质量控制与溯源，且在实验开展前完成虚拟仿真验证。这与黄仁勋提出的“制造前先仿真”（simulate it before manufacture it）理念一致，未来测序领域将形成“测序前先仿真”（simulate it before sequence it）的技术范式。构建围绕测序过程的数字孪生系统至关重要，通过学习海量样本的测序经验，AI可精准预判样本偏差并优化报告输出逻辑。因此，我对测序技术的终极展望是实现“血常规级”的便捷性。但测序技术的信息复杂度远超血常规，必须依托AI技术才能实现“样本进，洞察出”的目标。

我分管的华大智造的智能实验室自动化业务线，是AI for Science领域的核心基础设施，该业务线的核心目标是替代传统手工实验流程，解决我亲身经历过的——本科阶段曾面临的重复性实验痛点。未来，我相信GLI业务线将实现模块化、柔性化定制，通过标准化实验模块的快速拼接，像搭建乐高积木一样适配多样化的复杂生物工作流，大幅降低实验开展门槛。

AI原生能力将成生命科学装备竞争分水岭

21世纪：从时间中看，AI赋能更多体现在研发过程中的技术优化，还是配套软件的智能化升级？

杨梦：两者均有体现。例如，我们利用人工智能技术设计了产品核心原材料（试剂盒），实现了研发过程的AI辅助优化。在信号处理环节，该产品采用独特的技术路径——DNA含ATCG四种碱基，传统测序技术需通过四通道解码，而我们开发的AI算法可实现单循环四通道信号同步解码，结合边缘计算技术提升处理效率，使AI技术深度融入产品核心模块。

此外，我们通过配套软件的智能化升级，提升用户使用体验。例如，用户基于该产品开发靶向测序panel时，可借助我们提供的AI工具实现快速迭代与应用落地。综上，AI技术已全面渗透于产品研发、核心模块设计、用户服务及未来规划等全流程。作为产业公司，我们的核心原则是“AI技术落地导向”，避免为“技术而技术”，只有将AI深度融入产品与业务流程，才能体现其商业价值，获得资源投入支持。

21世纪：在生命科学领域，未来AI应用存在哪些难点问题？怎么解决？

杨梦：难点和挑战肯定非常多。第一点还是我刚刚提到的AI时代的协作方式与组织机制，以及对AI原生组织、AI原生的理解。人类社会走到今天，如果仅仅把AI当成一个工具，其实是用不好AI的，必须把AI变成完成一件事的伙伴。当组织从上到下都能理解这件事的时候，才算是真正完成AI转型。但问题是，当你把AI从‘助手’升级为‘可托付任务的Agent伙伴，必然面临组织架构、分工流程、协作模式的调整，甚至旧有格局和生产关系的调整，这些是AI真正进入每个领域的巨大困难。

第二点，从技术模型角度来看，还有很多工作要做。当前很多生成式模型的输出具有概率性，若缺少边界约束与验证机制，就可能出现不符合事实的内容。因此在临床与严肃科研中，必须通过可追溯流程、证据链、评估与监控来把幻觉风险压到可控范围。这既可以通过模型本身的知识注入解决，也可以通过我之前说的在上面做Agent架构，包括做一些对齐的后训练或者微调来解决。

另外还有AI的安全伦理问题，比如在我们领域，不能让每个实验室都能随意合成一段DNA序列，这段序列会不会造成不可逆的生物安全影响？这些AI安全伦理也是很大的挑战。

工程生物学时代，跨学科人才成核心竞争力

21世纪：你拥有生物学、基因组学、人工智能与自动化技术的跨学科背景，这种跨学科背景是如何形成的？

杨梦：核心原因在于我本科接受的是生命科学训练，期间需开展大量湿实验，这类训练耗费了大量精力用于重复性、冗余的手工操作，在早期生命科学培养体系中，存在大量技术性操作，如质粒提取、克隆构建、平板涂布等，但此类工作难以充分开发我的思辨能力，也无法为深度思考预留充足时间，另外计算机及理工科知识的融入，尤其是工程化思维的应用较为欠缺。后来通过参加iGEM比赛， 我有幸师从中国合成生物学领域的元英进院士，开始接触在生命科学研究中引入计算工具与工程工具，即通过自动化技术和计算机辅助仿真模拟角度提升研究效率。

合成生物学本身便隶属于工程学科范畴。进入工程领域后，除基础化学工程知识外，对生命系统与工程技术的融合理解，还需依托计算机仿真模拟技术，博士阶段进一步系统学习了计算机相关专业知识。

21世纪：在人工智能与其他产业结合日益紧密的当前，跨学科融合面临哪些难点和挑战？

杨梦：英伟达创始人黄仁勋曾提出，行业已正式进入工程生物学时代。人工智能等技术在提升生命科学研究效率、增强结果可重复性等方面的基础条件已具备。现阶段是推动计算技术、自动化技术与生命科学深度融合的关键时期。

但这一融合过程面临显著挑战：人工智能、计算机领域与生命科学领域的研究者在问题拆解方式、数据与实验闭环方法、工具链与工程习惯上差异明显。生命科学研究者的传统训练体系中，缺乏以计算思维驱动数据采集与研究设计的相关培养。而计算机领域研究者则难以充分理解生命系统的复杂性，以及实验验证在生命科学研究中的核心价值，尤其对生物化学过程的复杂性和不确定性理解存在差异。

不过，在当前技术背景下，这种学科壁垒已具备打破的条件。大模型的知识覆盖范围已能够涵盖博士生阶段前两三年的核心知识体系，这为计算机领域研究者理解生命科学提供了重要支撑，无需再受限于基础概念与专业术语的认知壁垒。因此，未来的发展方向应是推动生命科学研究者主动运用计算工具与计算思维开展研究，同时助力计算机领域研究者借助大模型快速掌握生命科学的专业知识与术语，实现跨学科团队的深度协作，从而激发跨学科创新活力。