事实上,此前许多实验室都积累了大量珍贵的结构化与非结构化数据,包括多年的实验记录、实验室日志以及仪器输出的结果报告等。在大模型和 AI Agent 技术出现之前,这些历史数据大多被尘封在数据库或档案室中难以利用。
而现在,通过 Bio AI Agent 能够对这些数据进行结构化和向量化的处理,进而能够实现深度挖掘与分析,无论是用于研究性报告生成,还是辅助基因诊断等专项任务都将成为可能。
它能够自动抓取 PubMed、NCBI、ClinicalTrials.gov、GTEx、TCGA、Human Protein Atlas 等数据库中的最新论文和实验数据,通过智能分析与交叉比对,快速识别出对制药企业具有潜在价值的科研成果,从而将学术界的理论探索高效转化为工业界的研发方向。
不过,目前 Bio AI Agent 有时会误解复杂的生物学概念,对于全新靶点的处理能力还不够好。所以,它的定位并不是要替代生物从业者,而是要成为它们的助手。
工业界的智能体:既不能过度自主,也不能过于简单
倪毅表示:“我们公司并非近期才转向 AI 与 CAR-T 的结合。实际上,我们最早是从实验室数字化和信息化起步,专注于实验室信息管理系统和电子实验记录本等产品。在系统运行过程中,我们积累了大量的结构化数据,并逐渐意识到可以利用这些数据进行深度分析和报告生成。”
2024 年 5 月,倪毅曾在第二十三届中国生物制品大会大会上提出 AI Agent 将赋能生命科学实验室、提升研发效率并降低成本的趋势,这早于当前 AI Agent 在各行业爆发的热潮。
因此,他和公司在这一领域的布局相对较早。关于 AI Agent 的技术路径,目前市场存在几种流派:一种是简单地将工作流设计器与大模型结合,例如完成订票等基础任务,但这更像自动化工具而非真正的智能体;另一种是以 Claude 或 GPT 等通用大模型驱动的高度自主智能体。然而,工业界应用对两者均有限制,既不能过度自主,也不能过于简单。
因此,他和团队推出了此次专为生命科学实验室设计的 Bio AI Agent。它既非简单的工作流加大模型,也非完全自主的智能体,而是通过多个专业智能体在垂直领域内进行协同赋能,确保在规范流程框架下实现灵活而高效的智能化支持。