2025年末，英偉達CEO黃仁勳在公開演講中表示，人工智能技術已邁過關鍵“臨界點”。

這句話，反映了業界對AI發展進入新階段的普遍共識，也是對2025年生成式AI和大語言模型加速落地的最好詮釋。

剛剛過去的一年，人工智能技術各行各業實現突破性進展，尤其是在生命科學領域，AI與基因測序、實驗室自動化
、生物製造的融合創新引發了產業範式變革。

華大智造高級副總裁楊夢對這一變化深有感觸。作為華大智造AI戰略布局的核心推動者，他主導了公司BT+IT融合創新
，並帶領團隊開發出AI全棧接入的自發光半導體閃速測序儀，推動AI驅動的實驗室自動化係統等創新產品落地。

2025年初，在楊夢的帶領下，華大智造完成了GLI（Generative Lab Intelligence
，自發光測序儀研發和實驗室智能自動化）業務的戰略重構


，旨在幫助傳統的實驗室自動化用戶突破“數據-算法”的互哺瓶頸
，更快落地實驗室軟硬件和整體運行效果，加快發揮“AI+生命科學”的無限潛能。

“測序循環效率方麵，AI賦能前
，單次循環需2-2.5分鍾
，通過AI技術優化原材料設計與信號處理方案後，單次循環時間可縮短至75秒
，循環時間縮短約 40%–50%；靶向引物設計上，借助 AI 可以將單次研發循環從2-3周縮短至4-5天，成本下降60%-70%，效率提升2-3倍。”楊夢在接受21世紀經濟報道記者專訪時透露。

“從研發周期來看，傳統模式下，2-3名技術人員與1-2名博士需耗時半年完成原材料設計和驗證
，而在AI輔助蛋白設計+自動化表征的流程下，可把‘每輪迭代’壓縮到周級
，並顯著縮短整體周期。”楊夢進一步補充道。

近年來，隨著人工智能大語言模型的飛速發展，行業普遍認為，基因組序列與自然語言在數據結構上具有相似性。

在楊夢看來
，這一觀點主要是出於第一性原理的思維，即基因、蛋白質均以序列形式存在，人類細胞包含60億個堿基，分布在23對染色體上
，本質上是連續的序列結構，而大模型所學習的人類數字化文字信息，同樣以序列形式呈現。兩者的核心共性在於“序列”這一基礎形態。

這種共性催生了早期的技術探索——“Transformer模型在自然語言編碼中成功應用後
，研究者開始嚐試將其用於DNA序列編碼，利用注意力機製捕捉序列位點間的關聯關係。”但隨著研究深入，學界對這一觀點的邊界與適用範圍逐漸清晰。

Transformer 模型是一種基於自注意力機製的神經網絡架構，最初在2017年由Google的論文《Attention Is All You Need》提出
，徹底改變了自然語言處理（NLP）領域，並逐漸擴展到計算機視覺、語音處理等多個領域。

“生命係統具有高度複雜性與動態性，自然語言上下文表示的壓縮方法並不能直接等價遷移到生命序列。”楊夢指出，兩者的核心差異在於生命序列受物理化學約束與進化選擇共同塑形

，“自然語言大模型核心是預測下一個字符
，源於人類語言的上下文關聯；而DNA序列源於進化過程中的選擇性突變，並非線性生成結果。計算機領域的Transformer思維可為解讀生命序列提供重要支撐，但僅依靠注意力機製或Transformer模型
，難以完全解碼生命係統的複雜規律。”

對於深入探究生命序列內在規律的研究方向，楊夢提出三個核心路徑：一(yi)是(shi)在(zai)模(mo)型(xing)構(gou)建(jian)中(zhong)融(rong)入(ru)第(di)一(yi)性(xing)原(yuan)理(li)


，通(tong)過(guo)建(jian)模(mo)物(wu)理(li)化(hua)學(xue)等(deng)底(di)層(ceng)規(gui)律(lv)，將(jiang)相(xiang)關(guan)約(yue)束(shu)條(tiao)件(jian)與(yu)邊(bian)界(jie)條(tiao)件(jian)注(zhu)入(ru)大(da)模(mo)型(xing)

，使(shi)其(qi)能(neng)夠(gou)更(geng)精(jing)準(zhun)地(di)理(li)解(jie)生(sheng)命(ming)進(jin)化(hua)、發育、衰老等核心機製；

二是發揮智能體（Agent）的作用，通過構建智能體（尤其是多智能體協作係統）解決生命科學複雜問題，這也是AI for Science領域的研究熱點；

三是堅持“幹濕閉環”原則
，借助機器人與自動化技術提升實驗可重複性與效率，確保濕實驗的可重複性與設計的合理性。這與近一年AI for Science的主流方向一致：包括美國的“創世紀”計劃，以Agent編排任務、以自動化執行實驗
、以閉環數據持續校準模型
，形成自驅動實驗室的規模化生產力。“落地層麵，這意味著研發組織要從‘人寫方案、人做實驗’變成‘人定義目標與約束、Agent拆解任務與調度
、自動化執行並回傳數據
、人在關鍵節點審核與複盤’。”楊夢說道。

作為產業端的研究者與管理者，楊夢始終堅持“AI技術落地導向”，避免為“技術而技術”。他帶領團隊研發的全球領先自發光半導體閃速測序儀
，正是AIquanliantiaofunengdedianxinganli。zhegeshansucexuyicaiyongshoujishexiangtoutuxiangchuanganqitidaichuantongjiguangqixitong，shixianchengxiangyufanyingmokuaidexiaoxinghua，xianzhutishengbianxiexingyuchengbenyoushi，keguangfanshipeixiaoxingshiyanshi、基層醫院、教育等場景。

除測序儀外
，團隊研發的超聲儀器同樣融入AI技術，可通過提升圖像清晰度和自主導航輔助病情診斷。

楊夢指出，不同產品線的AI應用存在核心共性：“新產品無曆史包袱，擁抱AI技術的動力更強、速度更快，一方麵避免陷入競爭劣勢，另一方麵通過技術提升效率彌補資源投入不足。”而這種共性的核心在於工作方式與思維模式的轉型，“未來AI領域的核心競爭力將是企業的AI原生能力
，當全行業都能以AI思維開展工作，將形成最核心的共性競爭優勢。”

展望未來五年測序儀等技術演變趨勢，楊夢提出測序儀將朝著“樣本進，洞察出”的方向發展：“臨床場景實現‘樣本進，診斷出’
，科研場景實現‘樣本進
，成果出’。”

要實現這一目標，楊夢認為，需要依托自動化工作流與任務編排技術
，AI將全麵賦能全流程質量控製與溯源，且在實驗開展前，對關鍵環節做虛擬仿真與參數校驗（如流程排程
、關鍵反應條件、數據處理路徑與風險點），用數字孿生把失敗率前置壓降。“黃仁勳曾提到‘製造前先仿真’的理念
，構建工業數字孿生係統至關重要。”

談及AI應用麵臨的核心挑戰，楊夢將“人機協作範式轉型”放在首位，“AI發展最大的障礙就是人類的認知
，對AI的認知到底什麼層麵會決定AI將產生怎樣的影響
，如果僅僅把AI當成工具，其實是用不好的，必須把它變成完成任務的夥伴。不過，這必然會麵臨組織架構、協作模式甚至舊有生產關係的調整
，阻力巨大。”

其次是技術層麵的可追溯性與倫理安全問題，楊夢認為
，“臨床問題不允許AI’暢想’
，其輸出結果的可追溯性、證據鏈完整性至關重要；同時
，DNA序列合成等場景的AI應用還需防範生物安全風險。”

以下為部分訪談實錄。

AI落地實踐：全鏈條賦能生命科學裝備研發

21世紀：你(ni)帶(dai)領(ling)團(tuan)隊(dui)研(yan)發(fa)了(le)全(quan)球(qiu)領(ling)先(xian)的(de)自(zi)發(fa)光(guang)半(ban)導(dao)體(ti)閃(shan)速(su)測(ce)序(xu)儀(yi)。能(neng)否(fou)介(jie)紹(shao)該(gai)產(chan)品(pin)的(de)核(he)心(xin)技(ji)術(shu)壁(bi)壘(lei)？相(xiang)較(jiao)於(yu)傳(chuan)統(tong)測(ce)序(xu)技(ji)術(shu)
，其(qi)具(ju)備(bei)哪(na)些(xie)不(bu)可(ke)替(ti)代(dai)的(de)優(you)勢(shi)
？

楊夢：該gai測ce序xu儀yi的de核he心xin優you勢shi在zai於yu便bian捷jie性xing與yu小xiao型xing化hua。我wo們men采cai用yong手shou機ji攝she像xiang頭tou中zhong的de圖tu像xiang傳chuan感gan器qi替ti代dai傳chuan統tong複fu雜za的de激ji光guang器qi係xi統tong，使shi成cheng像xiang與yu反fan應ying模mo塊kuai的de尺chi寸cun縮suo減jian至zhi圖tu像xiang傳chuan感gan器qi級ji別bie，顯xian著zhu提ti升sheng了le產chan品pin的de便bian攜xie性xing。其qi次ci
，產chan品pin初chu始shi成cheng本ben較jiao低di。傳chuan統tong測ce序xu儀yi多duo用yong於yu大da型xing醫yi院yuan與yu科ke研yan機ji構gou，單dan價jia高gao達da數shu百bai萬wan至zhi數shu千qian萬wan元yuan；而該產品定位為入門級工具
，具備小型化

、高靈活性
、低成本的特點，能夠廣泛適配小型實驗室、疾控中心、海關、區縣級醫院及診所等場景。

此外，該產品在教育領域亦具有重要應用價值
，可作為高校生命科學專業本科生
、研究生測序課程的實訓教具——大型測序儀成本高、使(shi)用(yong)門(men)檻(kan)高(gao)
，學(xue)生(sheng)難(nan)以(yi)快(kuai)速(su)上(shang)手(shou)，而(er)該(gai)產(chan)品(pin)能(neng)夠(gou)為(wei)學(xue)生(sheng)提(ti)供(gong)便(bian)捷(jie)的(de)實(shi)操(cao)機(ji)會(hui)。從(cong)長(chang)遠(yuan)來(lai)看(kan)，基(ji)因(yin)測(ce)序(xu)向(xiang)臨(lin)床(chuang)普(pu)及(ji)的(de)過(guo)程(cheng)中(zhong)，亟(ji)需(xu)此(ci)類(lei)低(di)成(cheng)本(ben)、高靈活性的產品作為支撐。

另外，未來基因測序的普及，也需要一款入門成本低、能很好部署在醫院且非常靈活的產品。自發光半導體測序儀的整個設計邏輯就是圍繞易用、便捷、靈活構造的。盡管該產品體量較小
，但我們通過人工智能技術實現了全鏈條賦能，涵蓋生化原理優化、信號處理
、調度仿真及實驗設計等關鍵環節，全麵提升產品性能與使用效率。

21世紀：AI在臨床與科研場景中的應用邏輯、智能體設計是否存在差異化？是否需要針對性開發不同的產品形態
？

楊夢：當前兩者的差異化尚未完全顯現，但未來必然會形成明確的分野。基因測序在臨床場景中的應用屬於分子診斷範疇，其智能體設計與AI應用邏輯與科研場景存在約束條件不同。科研場景下的智能體需追求“覆蓋麵與探索效率”

，支撐研究者覆蓋更多研究假設、處理更大規模樣本
；而臨床場景對智能體的核心要求是“穩定、合規、可追溯與一次成功”，需適配多樣化的複雜工況。

複雜工況主要源於臨床樣本的多樣性，如血液及各類生物樣本的異質性。科研場景中，研究者可通過多次嚐試優化樣本適配性；而臨床場景要求“一次成功”
，需達到血常規檢測般的便捷性與穩定性，不允許反複試錯。因此，質量控製是臨床場景的核心關鍵。

基於此，AI在臨床測序場景中的核心應用方向為全流程質量控製與智能報告輸出
，這兩點在科研場景中並非核心訴求——科研場景通常允許更高比例的人工介入與多輪迭代
，容錯空間更大
；而臨床場景中則要求流程一次通過、質控自動化、證據鏈閉環。若樣本檢測出現問題，無法隨意召回患者重新采樣。因此
，智能驅動的全流程質控、可追溯體係，以及針對不同工況樣本的適配性優化
，是臨床測序產品的核心設計要點

，也是我們未來的重點研發方向。

21世紀：站在當前發展節點
，隨著 AI 技術的發展，你如何預判未來五年測序儀
、實驗室自動化等領域的演變趨勢？

楊夢：我認為測序儀未來將朝著“樣本進
，洞察出”的方向發展——臨床場景實現“樣本進，診斷出”
，科研場景實現“樣本進，成果出”。這一目標的實現，需依托自動化工作流與任務編排技術，AI將全麵賦能全流程質量控製與溯源，且在實驗開展前完成虛擬仿真驗證。這與黃仁勳提出的“製造前先仿真”（simulate it before manufacture it）理念一致，未來測序領域將形成“測序前先仿真”（simulate it before sequence it）的技術範式。構建圍繞測序過程的數字孿生係統至關重要
，通過學習海量樣本的測序經驗，AI可精準預判樣本偏差並優化報告輸出邏輯。因此，我對測序技術的終極展望是實現“血常規級”的便捷性。但測序技術的信息複雜度遠超血常規，必須依托AI技術才能實現“樣本進，洞察出”的目標。

我分管的華大智造的智能實驗室自動化業務線，是AI for Science領域的核心基礎設施，該業務線的核心目標是替代傳統手工實驗流程
，解決我親身經曆過的——本科階段曾麵臨的重複性實驗痛點。未來
，我相信GLI業務線將實現模塊化
、柔性化定製，通過標準化實驗模塊的快速拚接，像搭建樂高積木一樣適配多樣化的複雜生物工作流，大幅降低實驗開展門檻。

AI原生能力將成生命科學裝備競爭分水嶺

21世紀：從時間中看，AI賦能更多體現在研發過程中的技術優化，還是配套軟件的智能化升級？

楊夢：兩者均有體現。例如，我們利用人工智能技術設計了產品核心原材料（試劑盒）
，實現了研發過程的AI輔助優化。在信號處理環節
，該產品采用獨特的技術路徑——DNA含ATCG四種堿基，傳統測序技術需通過四通道解碼，而我們開發的AI算法可實現單循環四通道信號同步解碼，結合邊緣計算技術提升處理效率，使AI技術深度融入產品核心模塊。

此外，我們通過配套軟件的智能化升級，提升用戶使用體驗。例如
，用戶基於該產品開發靶向測序panel時，可借助我們提供的AI工具實現快速迭代與應用落地。綜上
，AI技術已全麵滲透於產品研發
、核心模塊設計、用戶服務及未來規劃等全流程。作為產業公司，我們的核心原則是“AI技術落地導向”，避免為“技術而技術”
，隻有將AI深度融入產品與業務流程，才能體現其商業價值，獲得資源投入支持。

21世紀：在生命科學領域，未來AI應用存在哪些難點問題？怎麼解決？

楊夢：難點和挑戰肯定非常多。第一點還是我剛剛提到的AI時代的協作方式與組織機製，以及對AI原生組織
、AI原生的理解。人類社會走到今天，如果僅僅把AI當成一個工具，其實是用不好AI的，必須把AI變成完成一件事的夥伴。當組織從上到下都能理解這件事的時候，才算是真正完成AI轉型。但問題是，當你把AI從‘助手’升級為‘可托付任務的Agent夥伴，必然麵臨組織架構、分工流程、協作模式的調整，甚至舊有格局和生產關係的調整
，這些是AI真正進入每個領域的巨大困難。

第di二er點dian，從cong技ji術shu模mo型xing角jiao度du來lai看kan
，還hai有you很hen多duo工gong作zuo要yao做zuo。當dang前qian很hen多duo生sheng成cheng式shi模mo型xing的de輸shu出chu具ju有you概gai率lv性xing，若ruo缺que少shao邊bian界jie約yue束shu與yu驗yan證zheng機ji製zhi，就jiu可ke能neng出chu現xian不bu符fu合he事shi實shi的de內nei容rong。因yin此ci在zai臨lin床chuang與yu嚴yan肅su科ke研yan中zhong，必bi須xu通tong過guo可ke追zhui溯su流liu程cheng
、證據鏈、評估與監控來把幻覺風險壓到可控範圍。這既可以通過模型本身的知識注入解決，也可以通過我之前說的在上麵做Agent架構，包括做一些對齊的後訓練或者微調來解決。

另外還有AI的安全倫理問題
，比如在我們領域
，不能讓每個實驗室都能隨意合成一段DNA序列，這段序列會不會造成不可逆的生物安全影響？這些AI安全倫理也是很大的挑戰。

工程生物學時代

，跨學科人才成核心競爭力

21世紀：你擁有生物學
、基因組學
、人工智能與自動化技術的跨學科背景
，這種跨學科背景是如何形成的
？

楊夢：核心原因在於我本科接受的是生命科學訓練，期間需開展大量濕實驗，這類訓練耗費了大量精力用於重複性、冗餘的手工操作，在早期生命科學培養體係中，存在大量技術性操作，如質粒提取
、克隆構建、pingbantubudeng，dancileigongzuonanyichongfenkaifawodesibiannengli，yewufaweishendusikaoyuliuchongzushijian
，lingwaijisuanjijiligongkezhishiderongru
，youqishigongchenghuasiweideyingyongjiaoweiqianque。houlaitongguocanjiaiGEM比賽， 我(wo)有(you)幸(xing)師(shi)從(cong)中(zhong)國(guo)合(he)成(cheng)生(sheng)物(wu)學(xue)領(ling)域(yu)的(de)元(yuan)英(ying)進(jin)院(yuan)士(shi)，開(kai)始(shi)接(jie)觸(chu)在(zai)生(sheng)命(ming)科(ke)學(xue)研(yan)究(jiu)中(zhong)引(yin)入(ru)計(ji)算(suan)工(gong)具(ju)與(yu)工(gong)程(cheng)工(gong)具(ju)
，即(ji)通(tong)過(guo)自(zi)動(dong)化(hua)技(ji)術(shu)和(he)計(ji)算(suan)機(ji)輔(fu)助(zhu)仿(fang)真(zhen)模(mo)擬(ni)角(jiao)度(du)提(ti)升(sheng)研(yan)究(jiu)效(xiao)率(lv)。

合(he)成(cheng)生(sheng)物(wu)學(xue)本(ben)身(shen)便(bian)隸(li)屬(shu)於(yu)工(gong)程(cheng)學(xue)科(ke)範(fan)疇(chou)。進(jin)入(ru)工(gong)程(cheng)領(ling)域(yu)後(hou)
，除(chu)基(ji)礎(chu)化(hua)學(xue)工(gong)程(cheng)知(zhi)識(shi)外(wai)，對(dui)生(sheng)命(ming)係(xi)統(tong)與(yu)工(gong)程(cheng)技(ji)術(shu)的(de)融(rong)合(he)理(li)解(jie)，還(hai)需(xu)依(yi)托(tuo)計(ji)算(suan)機(ji)仿(fang)真(zhen)模(mo)擬(ni)技(ji)術(shu)，博(bo)士(shi)階(jie)段(duan)進(jin)一(yi)步(bu)係(xi)統(tong)學(xue)習(xi)了(le)計(ji)算(suan)機(ji)相(xiang)關(guan)專(zhuan)業(ye)知(zhi)識(shi)。

21世紀：在人工智能與其他產業結合日益緊密的當前，跨學科融合麵臨哪些難點和挑戰？

楊夢：英偉達創始人黃仁勳曾提出
，行業已正式進入工程生物學時代。人工智能等技術在提升生命科學研究效率
、增強結果可重複性等方麵的基礎條件已具備。現階段是推動計算技術、自動化技術與生命科學深度融合的關鍵時期。

但這一融合過程麵臨顯著挑戰：人工智能、計算機領域與生命科學領域的研究者在問題拆解方式、數據與實驗閉環方法
、工(gong)具(ju)鏈(lian)與(yu)工(gong)程(cheng)習(xi)慣(guan)上(shang)差(cha)異(yi)明(ming)顯(xian)。生(sheng)命(ming)科(ke)學(xue)研(yan)究(jiu)者(zhe)的(de)傳(chuan)統(tong)訓(xun)練(lian)體(ti)係(xi)中(zhong)，缺(que)乏(fa)以(yi)計(ji)算(suan)思(si)維(wei)驅(qu)動(dong)數(shu)據(ju)采(cai)集(ji)與(yu)研(yan)究(jiu)設(she)計(ji)的(de)相(xiang)關(guan)培(pei)養(yang)。而(er)計(ji)算(suan)機(ji)領(ling)域(yu)研(yan)究(jiu)者(zhe)則(ze)難(nan)以(yi)充(chong)分(fen)理(li)解(jie)生(sheng)命(ming)係(xi)統(tong)的(de)複(fu)雜(za)性(xing)，以(yi)及(ji)實(shi)驗(yan)驗(yan)證(zheng)在(zai)生(sheng)命(ming)科(ke)學(xue)研(yan)究(jiu)中(zhong)的(de)核(he)心(xin)價(jia)值(zhi)，尤(you)其(qi)對(dui)生(sheng)物(wu)化(hua)學(xue)過(guo)程(cheng)的(de)複(fu)雜(za)性(xing)和(he)不(bu)確(que)定(ding)性(xing)理(li)解(jie)存(cun)在(zai)差(cha)異(yi)。

buguo，zaidangqianjishubeijingxia，zhezhongxuekebileiyijubeidapodetiaojian。damoxingdezhishifugaifanweiyinenggouhangaiboshishengjieduanqianliangsanniandehexinzhishitixi，zheweijisuanjilingyuyanjiuzhelijieshengmingkexuetigonglezhongyaozhicheng，wuxuzaishouxianyujichugainianyuzhuanyeshuyuderenzhibilei。yinci，weilaidefazhanfangxiangyingshituidongshengmingkexueyanjiuzhezhudongyunyongjisuangongjuyujisuansiweikaizhanyanjiu
，tongshizhulijisuanjilingyuyanjiuzhejiezhudamoxingkuaisuzhangwoshengmingkexuedezhuanyezhishiyushuyu
，shixiankuaxueketuanduideshenduxiezuo，congerjifakuaxuekechuangxinhuoli。