AutoDNA 用多智能体打通实验与仪器控制

AutoDNA（思源一号）要解决的，是让 AI 设计出的分子生物学实验真正被仪器执行，并根据结果继续调整方案。据 IT之家 11 月 8 日报道，上海交大团队通过模型、实验与仪器协同设计，实现了自主分子生物学实验操作，成果发表于《自然》（Nature）。

对程序员来说，值得看的不是「多智能体又多了一个应用」，而是它如何连接任务规划、设备接口和物理执行。报道给出了架构思路，但没有提供足够的量化数据来判断自主程度和实际收益。

为什么接入 AI，还不算自主实验室

据报道，已有 AI 自主科学实验室通常先由专家配置仪器、规定流程、设定优化规则，再让 AI 参与文献检索、方案生成或数据分析。这能提高局部效率，但环节之间仍可能依赖人工衔接。

分子生物学实验尤其难处理：步骤多，仪器各异，执行时序、环境稳定性和操作精度都有要求。方案在文字上合理，不代表设备能够按要求完成。

AutoDNA 的选择是让模型、实验流程和仪器一起设计。研究由上海交通大学计算机学院 IPADS 实验室陈海波、王肇国团队，与化学化工学院、变革性分子前沿科学中心樊春海、王飞团队合作，依托张江高等研究院 DNA 存储研究中心开展。

这里的关键，是把实验结果接回下一轮决策，形成可以持续运行的闭环。

多智能体负责规划，统一接口负责连接仪器

AutoDNA 将复杂任务拆成文献检索、试剂选择、方案设计、代码生成、硬件执行、结果分析和迭代优化等环节，再根据实验进展组织专业智能体协作。

这套分工服务于「设计、实验、优化」全过程。上一轮实验产生结果后，系统可以据此调整后续方案，而不是只生成一份静态实验计划。

但模型理解方案，还需要知道设备能做什么。为此，团队将仪器能力封装成「原子服务」，通过自然语言说明和统一代码接口，描述每台设备的能力及调用方式。

可以把它理解为设备能力的接口层：模型面对的是可组合的操作，不必直接处理所有型号仪器的底层差异。系统由此能够生成、检查和修正跨设备控制代码，把实验设计转成仪器动作。

报道没有展示具体 API、代码示例或接口约束，因此目前能借鉴的是这种分层思路，尚不能据此复现设备接入。

为什么执行可靠性不能只交给模型

物理实验有一条软件任务容易忽略的边界：代码能够运行，不代表操作精度、时间窗口和设备状态都符合要求。

AutoDNA 将高精度自动化硬件与实验执行、调度系统结合。硬件提供微米级定位和微升级液体处理能力；系统负责程序检查、仪器状态跟踪及资源调度，让多个实验任务在时序和操作约束下运行。

模型提出怎么做，执行系统还要保证设备能够按约束完成。

平台集成了基于 OpenHarmony 操作系统的控制终端，并展示了核酸检测、酶促 DNA 合成、癌症检测等场景的应用验证。不过，报道没有说明 OpenHarmony 具体承担哪些控制职责，也没有披露各场景的详细测试结果。

我的判断

我认可它把接口抽象、状态跟踪和资源调度放进整体架构。跨设备任务能否稳定完成，往往取决于这些连接环节。相比让模型生成一长段控制代码，明确设备能力、执行约束和结果反馈，更有利于检查问题。

但「AI 原生」这个名称本身不能证明收益。报道没有给出与固定流程自动化的对照，也没有披露实验成功率、人工介入频次、执行耗时或成本。应用验证说明团队展示了相关场景，不能据此判断它已能普遍替代人工实验。

多智能体是否优于单个模型配合工作流，原文同样没有对照数据。对于步骤稳定、分支有限的任务，固定工作流通常更容易检查；对于需要根据实验结果不断修改方案的任务，动态规划才更有发挥空间。这是架构上的取舍，不能仅凭智能体数量下结论。

能拿来做什么

• 在日常 AI 编程中处理跨工具任务时，可以先把工具能力整理成清晰的说明和统一接口，让模型知道每项操作需要什么输入、会返回什么结果。
• 用 Node 编排多步骤自动化任务时，可以借鉴程序检查、状态跟踪和资源调度的分工，在执行层落实约束，避免只靠提示词要求模型遵守规则。
• 评估多智能体方案时，先确认任务是否需要根据执行结果反复调整计划，再与固定工作流比较完成率和人工介入情况；AutoDNA 的报道尚未提供这类对照，自己的项目需要补上。