恩和科技（Bota）今日宣布，入选世界经济论坛（World Economic Forum）MINDS 计划。这是恩和科技凭借在 "Physical AI 驱动生物制造 " 领域的探索成果，首次进入全球最高规格的产业 AI 实证名单。

MINDS（Meaningful, Intelligent, Novel, Deployable Solutions） 是世界经济论坛人工智能治理联盟（AI Governance Alliance）旗下的核心计划，只收录一类公司：已经把 AI 用出真实、可衡量产业成果的企业。世界经济论坛为该计划确立了 "实证胜于承诺（Proof over Promise）" 的严苛标准，这一门槛将大多数公司挡在了外面。在过往的入选名单中，汇集了西门子、联想、赛诺菲、毕马威、宁德时代、百事等全球行业巨头。

恩和入选：把 AI 推理接入真实实验台

恩和提交的方案，瞄准的是生物制造领域过去十年最难啃的瓶颈——研发循环的速度。

生物研发遵循 设计 - 构建 - 测试 - 学习 （Design-Build-Test-Learn，简称 DBTL）的逻辑。一个目标几小时想清楚的实验方案，传统模式下要花数天甚至数周。更棘手的是，实验协议用模糊的自然语言写成，自动化设备读不懂，换一个实验室就无法复现，更和本该执行它们的生物铸造厂严重脱节。

市面上已有的工具各自为政，难以从根本上解决这个问题：有的管数据，有的管序列设计，有的管文献问答。研究员完成一项实验，要在五到十个工具之间手动切换。通用大模型只能给建议，却没法真正 " 动手 "，它无法读取实验室的实时数据，也连不上自动化设备。

恩和科技的解法，不是做一个更聪明的 " 助手 "，而是把从设计到生产的整条链路打通，构建一套端到端的闭环系统。它分为认知层、控制层和执行层三层协同。其中，执行层是整个系统的核心关键。市面上的 AI 往往给完建议就停了，需要人把建议重新读一遍、手动交给设备。恩和科技采用 BPL 消除了中间环节，将 AI 的推理输出直接变成实验设备能跑的指令，实验结果自动回流，进而优化下一轮设计。

这打破了长期横在生物研发中间的那道墙：一边是 " 干实验 "，AI 在数字世界进行设计与计算；一边是 " 湿实验 "，科研人员在物理世界进行真实的生物操作。过去，两边靠人工来回搬运数据，现在被一套系统连成了闭环。这正是 AI for Science（AI4S）从论文和演示走进工业生产的样子，真正实现 AI 不只是会思考，还能在真实世界里把实验做出来。

支撑这套系统的，是恩和科技六年来在自有生物铸造厂 Cell2Cloud 的研发与生产中，一步步沉淀下来的实验数据，加上 300+ 个生物学专用工具和资深科学家提炼的领域技能。这些数据全部产生于恩和自身的研发生产闭环，覆盖从设计、构建到测试、放大的完整链路。正是这种贯穿全流程的真实数据，让 AI 的判断能够扎根在工业现实里，而不是停留在文献和纸面。

成果是可以被量化和验证的。恩和科技的系统从开始内部使用，研究方案的规划到执行时间下降 70% 以上，单个科学家的实验通量提升 2 到 3 倍。在公开的专业测评上，这套系统的表现已经超过人类专家：在 LAB-Bench 生物序列问答（600 道开放式题目）上得分 88.2%，比人类博士专家高 9.4 个百分点；在分子克隆任务上，超过人类专家 18.8 个百分点。序列设计和分子克隆，恰恰是 DBTL 循环里最常规、最耗时间，也最该被自动化的环节。

六万亿美元市场的关键因素

据预测，到 2035 年，每四件工业品里，就将有一件来自生物制造；全球合成生物市场的规模，将达到 6 万亿美元。而这个产业真正的限制因素，已经从设备和资本，转向科学知识转化成可执行实验的速度。每一个低效的 DBTL 循环都在累积代价：迭代慢，意味着一年里能学到的东西更少，昂贵的生物铸造厂闲置，基础设施的投入回报递减。谁能先把这道速度瓶颈打开，谁就掌握了未来十年生物制造的主动权。

世界经济论坛将恩和科技纳入 MINDS 计划，认可的正是这一点。恩和科技提供了以 Physical AI 驱动生物制造的中国答案，获得国际权威平台的认可。

在未来，恩和科技将继续推进 Physical AI 的产业化落地，以及生物协议语言的标准化，并通过 MINDS 平台与全球同行和学术界建立更紧密的合作。