需求是一句话，像对同事说的那样：读一下写进这段DNA里的内容，告诉我是什么。
接下来不是有人走向实验台。规划智能体把需求拆成任务，试剂智能体核对库存，代码智能体写仪器指令，硬件智能体执行，分析智能体读结果并把修正意见发回去。整个写入与读取周期，系统执行了一万一千三百八十二次硬件操作，原始文本零误差恢复。
论文十一月四日发表在《自然》。
关键要点
- 上海交通大学陈海波、王肇国团队，联合樊春海、王飞团队，发布AI原生自主实验室 AutoDNA（思源一号）。
- 系统自主编排二十余类仪器，单个项目累计执行超过一万一千步硬件操作；人工只负责补试剂、换耗材和维护设备。
- 架构是“一个规划器加六个专业智能体”，再加一层把仪器能力封装成可调用“原子服务”的硬件抽象。
- 论文报告：酶促DNA合成单步产率九成七点八；并行协议吞吐提升三点二倍；在未知序列的结直肠癌样本中检出一例 KRAS G13D 突变。
- 《自然》把它做成首页头条，并请斯坦福的 James Zou 写了同期评述。
外挂式的问题
自主实验室并不新鲜。化学与材料领域跑了多年闭环：机器人分液、分析仪读数、优化器挑下一个条件。
这些系统有一个共同假设：人决定有哪些仪器、流程是什么、算法能调哪些旋钮。AI 被“外挂”在一个本来不是为它设计的流程上。
实验简单、仪器单一，这套办法够用。分子生物学不行：一个协议可能碰到二十台设备，温度和时序按分钟计，下一步取决于上一步测到了什么。
把仪器变成可调用的服务
解法对做过操作系统的人来说很熟：加一层抽象。
AutoDNA 把每台仪器的能力——移液、孵育、热循环、磁分离、测序——写成模型能读的说明，再加统一代码接口。模型不需要知道两台液体处理工作站指令不同，只需要知道这台能往指定孔里转移二十微升。
抽象之上是规划栈：中央规划器拆解需求，文献、试剂、方案、代码、硬件、假设六个智能体分工并在结果不对时改方案。抽象之下是微米级定位、微升级移液的硬件，以及跟踪仪器状态、守住时序约束的调度系统。控制终端跑在 OpenHarmony 上。
四个演示，一个是临床的
酶促DNA合成中，系统同时优化产率与耗时，单步产率达到九成七点八，团队称与专家手工优化相当。
并行调度中，它合并兼容操作、复用资源，吞吐提升三点二倍。
DNA存储中，它把一段文本编码、合成、保存、纳米孔测序、解码，完整还原原始信息。
第四个演示临床医生会更在意：给一个序列未知的结直肠癌样本，AutoDNA 自主完成测序、突变识别、引物设计与验证，设计出的第一组引物就确认了临床已检出的 KRAS G13D。结果不大，意义不小——它不只是执行协议，而是闭合了一个诊断回路。
这是一个系统研究的成果
论文的贡献是系统式的：抽象层、调度器、故障处理、多用户资源管理。生物学是负载。
它没有证明什么
AutoDNA 不是通用科学家。它不决定研究哪个病，假设智能体也只在人划定的协议空间里活动。九成七点八是单步合成产率，不是端到端成功率；“零误差”指的是一段短信息在存储周期里的还原。
诚实的总结：一篇论文，一个可信的架构，四个有说服力的演示，一间实验室，一支团队自己的仪器。
没人回答的成本问题
这样的系统是重资产：二十台仪器、机械臂、环境控制，还要一个维护驱动的软件团队。论文报的是能力，不是每次实验的成本。
自主实验室的经济性不在单个协议多快，而在利用率：能否整夜跑、并行跑、不必有操作员在场。论文没有回答开机率与维护负担。
诚实的局限
主要来源是二〇二六年十一月四日发表于《自然》的论文（文章编号 s41586-026-11228-6）、上海交大官方发布和科学网的报道；我读的是摘要、机构通稿和转载图表，没有读完整方法部分与补充代码。一万一千三百八十二步特指DNA存储读写周期，“超过一万一千步”描述的是整个项目，两者不能混用。九成七点八产率、三点二倍吞吐与 KRAS 结果均为作者在自有平台上的报告，未经独立重复。“零误差”只针对一段短编码信息。人工干预是“有限”而非“为零”：补试剂、换耗材、维护设备仍需人。仪器数量未做独立核验。
普通人现在能做什么
- 先读方法再读通稿：自主实验室真正的问题是仪器覆盖、故障处理和开机率，不是演示数量。
- 如果你在管实验室，数一数有多少协议能被写成可调用的仪器服务——决定上限的是这个数，不是模型。
- 把单步产率当单步产率看，向对方要“每个完成实验”的端到端成功率。