假设你要做一道复杂的菜。厨房里有二十多种设备，每台机器的操作方式不同；原料要按顺序转移，前一步的结果还会影响后一步。难点不只是让某台机器自动搅拌，而是让整间厨房配合起来。
分子生物学实验也有类似问题。自动化设备早已能混合、加热或转移样品，但一个完整实验往往要跨越多台仪器和许多步骤，仍需研究人员从中衔接。上海交通大学团队发表在《Nature》的 AutoDNA，试图把这个“总调度”也交给 AI：让系统设计、执行并协调多步核酸实验，只把补充试剂、耗材和维护硬件等工作留给人。
这里的“湿实验室”（wet lab），指真正处理样品、试剂和仪器的实验环境，与只在电脑上分析数据的“干实验”相对。也就是说，AI 的决定不再停留在屏幕里，而会变成现实中的生物操作。
它不只控制一台机器
传统实验室自动化常解决一个局部任务。问题在于，机械臂会移动样品，不等于整个实验能够自行运转。不同仪器要交换数据，步骤要正确衔接，多个流程还可能争用同一设备。
AutoDNA 的思路，是从一开始就围绕 AI 共同设计模型、实验和仪器，而不是在既有自动化系统上追加一个 AI 模块。这里的 AI 智能体不只回答问题，还会围绕目标拆分任务、调用设备并继续行动。它更像实验室的调度员，而不是某台仪器的新按钮。
据论文摘要，AutoDNA 能编排超过 20 种仪器，执行 DNA 合成、转录、扩增和测序等核心操作。DNA“写入”通常指合成或组装指定序列，“读取”则是通过测序确定碱基排列。两者连起来，才形成设计、制造和检验的基本闭环。
团队称，系统在单个项目中完成了超过 11,000 个操作步骤。不过，这个精确数字目前主要来自研发团队论文；《Nature》的新闻报道只确认了“数千次操作”。
四个任务，检验整条链路
论文用四项代表性应用展示系统能力，而不是只让它重复一套固定动作。
第一项是酶促 DNA 合成。论文称，AutoDNA 的合成产率达到了专家优化方案的水平。第二项是并发执行实验协议，也就是同时安排多套流程。团队报告执行速度提高到原来的 3.2 倍。这两项结果都来自研发团队，材料中没有独立复现或外部评测。
第三项更直观：把数字内容编码进由 A、C、G、T 四种碱基构成的 DNA，再测序读取。AutoDNA 完成了端到端的数据存储流程，并精确恢复原始内容。所谓“端到端”，重点不只是某一步成功，而是写入、处理、读取和还原能够连成一条完整链路。
第四项涉及临床突变检测。系统识别并验证了样本中临床检测到的 KRAS G13D 突变。《Nature》的新闻报道确认它完成了癌症相关突变检测；具体突变型号的核心依据仍是论文。
真正的进展，是把局部自动化接起来
AutoDNA 值得关注，不只是因为机器人能操作仪器。实验室自动化真正棘手的地方，一直是把不同设备、数据和步骤接成完整流程。此次工作把 AI 从分析数据的软件助手，推进到协调现实仪器的执行层。
它也展示了一种更明确的分工：人提出实验方向并维护运行条件，AI 负责拆解和编排大量步骤，机器人和仪器执行具体操作。对步骤繁多、设备各异的核酸实验来说，这种全局协调能力，比单台设备更聪明更重要。
不过，标题里的“一句话指挥湿实验室”目前更适合作为方向，而不是已经验证的产品能力。现有材料支持的是“较少人工输入”和自主编排，并没有证明用户只说一句自然语言，系统就能稳定完成任意实验。
局限与未知
- 这不是完全无人实验室。补充试剂与耗材、维护硬件仍需人工处理。
- 四项示范覆盖 DNA 合成、并发协议、数据存储和突变检测，但不能由此推断 AutoDNA 可以执行任意生物实验。
- 论文摘要没有披露系统如何处理失败步骤、设备异常或更开放的实验目标；11,000 步、3.2 倍提速和专家级合成产率等精确效果，也仍待独立复现。