Benchling 推出 Science Foundries,用 AI 智能体团队管理完整研发流程
Benchling’s Science Foundries put teams of AI agents in charge of whole R&D workflows
Benchling 推出 Science Foundries,让 AI 智能体与科学家组队端到端运行研发流程。团队选定目标后可配置哪些步骤由智能体执行、哪些需科学家批准,智能体负责执行监控并在步骤间传递结果。客户即日起可从蛋白生产等单一流程开始搭建 Foundry,旗下一个制药团队已用设计、克隆、实验室和分析四个智能体做抗体研发。
随着今天推出的 Science Foundries,这家研发软件公司从帮助科学家完成单个任务,转向借助 AI 智能体团队管理完整的科学流程。此次发布建立在 Benchling 全年推出的一系列产品之上。
Benchling 今天推出了 Science Foundries,一种让 AI 智能体与科学家协同工作、端到端运行研发流程的方式。团队先选定一个目标,例如生产蛋白质、优化候选化合物或改进制造流程,然后决定哪些步骤由智能体执行,以及哪些环节需要科学家批准。
配置完成后,智能体负责执行和监控工作,将结果从一个步骤传递到下一个步骤,并把关键决策交由科学家处理。科学家和智能体基于相同的科学数据和上下文开展工作。
旗舰案例来自一个制药团队,他们以高通量方式设计、生产和测试抗体。该团队原本已有设计模型、负责合成构建体的 CRO,以及用于生产和检测的实验室自动化设备。问题在于如何把它们连接起来:科学家需要手动将数据从一个步骤搬运到下一个步骤。其 Foundry 现在将工作拆分给四个智能体:
- 一个设计智能体使用科学模型生成并评估序列。
- 一个克隆智能体起草组装策略,并向 CRO 下单。
- 一个实验室智能体向工作单元发送指令、采集数据并运行 QC。
- 一个分析智能体解读结果并更新训练数据集。
Benchling 强调了两项好处。第一是步骤之间的速度:晚上 11 点完成的检测,科学家到达时就已完成分析。第二是能够开展更多实验。智能体可以针对同一目标并行运行多种设计策略,而过去团队一次只能测试一种。
Benchling 联合创始人兼总裁 Ashu Singhal 表示:
Benchling 客户从今天起可以配置 Science Foundries。每次合作都从一个对组织重要的流程开始,例如蛋白质生产、筛选、检测开发、方法开发或体内研究。随后 Benchling AI 构建第一个 Foundry。该公司还在为治疗领域、临床前和工艺开发团队开发 Foundry。公告未提及定价。

六个月,一个方向
单看 Science Foundries,在 AI 研发领域产品密集发布的一年里,它似乎只是又一次智能体发布。但放在 Benchling 过去六个月的背景下,它更像是某个计划的下一步。Benchling 将这条主线描述为让湿实验室与干实验室更加紧密地结合,而其春季和夏季的发布正是逐项实现这一点。
最初的几篇涉及实体工作。5月初,Benchling 增加了直接下单功能,让科学家无需离开实验记录本即可将设计发送给 Twist Bioscience 和 Adaptyv,Ginkgo Bioworks 将于今年晚些时候接入。结果以结构化数据形式返回,并与原始设计相关联。三周后的5月28日,Benchling Automation将同样的理念带入实验室内部。这一与硬件无关的层将运行任务发送至工作单元和仪器,从其中200多台设备读取数据,并将分析结果返回记录本。它上线时支持 HighRes、Automata、Ginkgo、Celltrio、Opentrons 和 Hamilton。这两次发布合在一起,覆盖了当今克隆与实验室智能体所做的大部分工作:向 CRO 下单、向工作单元派发任务以及采集数据。
其间出现了一个提醒,说明这些数据为何重要。5月10日,Benchling 发布了一篇与 Prime Medicine 的客户案例,该公司正将 PM359——一种用于慢性肉芽肿病的先导编辑干细胞疗法——推向 BLA。为此,Prime 必须验证35项产品专属检测方法。在效力检测方面,Benchling 的 AI Scientist 挖掘了50多项过往实验,将每个数据点映射到 ICH Q2(R2) 要求,设计了后续研究并起草了验证报告。Benchling 称,数月的工作缩短到了数天。这之所以可能,是因为 Prime 自2022年以来一直在 Benchling 中记录每一项实验。
夏天转向了模型与复用。7月30日,Benchling 向所有人开放了Benchling.ai,无论是否为客户。研究人员可在一分钟内运行最新的结构预测模型,每年可免费使用价值高达1,000美元的额度,且无需销售电话;客户则可通过 Model Hub 在 Benchling 内部运行模型。正是这类模型支撑着设计智能体,而这项免费服务也兼作对尚未使用 Benchling 的研究人员的一次介绍。随后在8月10日,vibe coding登场。科学家通过提示词基于自有数据构建仪表盘和追踪器,并将其保存为智能体可复用的“Skills”。对 Foundries 而言,Skills 提供了一种重复智能体工作而非每次重建的方式。
这样看来,到夏末,Foundries 的大部分基础工作其实已经就位。今天发布的是把这些片段连成完整工作流的那一层。
来自 Benchling 自身的现实检验
Benchling 自己的研究为今天的发布提供了一个有益的平衡。8月,它发布了BenchBench-Protocol,一个基于数千项真实实验构建的基准。它测试模型能否像经验丰富的科学家那样排查并优化湿实验方案。表现最好的模型 Opus 5 得分59.2%,领先于 GPT 5.6 的47.1%和开源 Kimi K3 的45.7%。
这些模型的错误是实际操作层面的。它们的答案在纸面上听起来正确,却跳过了校准,把明显不纯的样本当作纯样本,或漏掉了可能毁掉一次实验的手法上的细微变化。正如 Singhal 所写,懂生物学和做生物学是两回事。
这一差距有助于解释为何 Foundries 让科学家把守审批关卡,也解释了为何 Prime 的故事强调 AI 是支持团队判断而非取代它。这也是一把双刃剑。Benchling 处于有利位置,了解智能体在何处失败,但作为销售该系统的公司,它不会是客户在将重大决策托付给智能体之前唯一想听到的声音。
这一切意味着什么
从记录系统到行动系统。在 Benchling 的大部分历史中,它是科学被记录下来的地方:实验记录本、注册库、LIMS。借助 Science Foundries,Benchling 希望管理实验本身,而不仅仅是记录实验。这扩大了它在研发中的角色以及潜在收入。Benchling 不再主要比拼谁更好地管理实验数据,而是可以比拼谁的客户更高效地运行实验。

护城河是数据,而不是智能体。智能体每个月都在变得更便宜、更可互换。无法被快速复制的是多年积累的结构化实验历史,比如让 Prime 的验证工作成为可能的四年记录。Benchling 认为,能否获取相关的实验上下文将决定智能体变得多有用。它已经为 1,300 多家公司持有这样的上下文。
是交换机,而不是围墙花园。技术栈中几乎每一部分都属于别人:模型来自开放联盟,合成来自 Twist 和 Adaptyv,机器人来自 HighRes 和 Hamilton,云实验室来自 Ginkgo。Benchling 将自己定位为连接这些系统并跟踪由此产生的数据的软件层。对于一家在严重依赖专业硬件的领域运营的软件公司来说,这种做法是合理的。但它的某些合作伙伴最终可能会尝试提供同样的集成层。
两个漏斗,一个策略。Benchling.ai 向任何人(无论是否为客户)免费提供模型。Foundries 让现有客户有更多理由在整个研发流程中使用 Benchling,而不仅仅用于数据管理。免费模型可以吸引新用户,而 Foundries 可能让现有客户更加依赖该平台。
Benchling 设想这样的实验室:科学家监督多个 AI 智能体与模型、机器人和外部服务提供商协作。科学家不再手动协调每一步,而是审查结果并决定接下来进行哪些实验。这在实践中是否可行,将取决于模型的可靠性、与实验室系统的集成以及对实验历史的访问。Benchling 已经在最后一项上拥有优势,这要归功于其客户在平台上积累的数据。
主题: 生物领域的 AI
来源:BiopharmaTrend · biopharmatrend.com