遥操作示教
采集人类专家示教轨迹、双臂协作状态、末端工具、设备交互和视觉上下文。
为什么现在
AI4S 的瓶颈，正在从“想出实验”转向“执行实验”。
通用模型正在提供越来越强的感知与动作能力，但生命科学仍需要协议、设备适配、安全边界、QC 和执行证据。Phyraxis 正在建设连接基础模型与真实实验室的领域执行层，让每一次动作、参数、异常和结果都能够被验证和积累。
Phyraxis 闭环
一个持续改进的科学闭环
AI 预测与设计，Runtime 编译并校验，机器人执行，数据与证据回流，模型离线评估与优化。
- AI 预测 / 设计 模型、文献与科学工具
- Runtime 编译 结构化工作流与安全校验
- 机器人执行 感知、动作与设备协同
- 数据与证据 参数、图像、QC 与回放
- 模型优化 离线训练、评估与版本化
平台架构
一套执行系统，连接两层智能。
通用 Physical AI 提供动作能力；Scientific AI 提供科学推理；Phyraxis Runtime 负责把二者落到生命科学协议、设备、安全、QC 与证据链。
Physical AI｜当前核心产品化方向
感知与动作能力：具身机器人执行实验；具体设备需适配、校准与受控验证
Scientific AI｜上层路线
当前主要连接外部科学模型与知识工具，逐步建设实验推理能力
Phyraxis Runtime｜开发中
科学意图、协议编译、设备适配、校验、编排、执行与证据链
确定性安全底座
状态机、运动控制、权限、互锁、人工确认与版本管理
混合智能架构
学习智能之上，必须有确定性安全底座。
模仿学习用于获得基础操作能力，VLA 与强化学习属于逐步验证的路线图；生产执行由状态机、安全门、人工确认和版本化管理约束。
多模态日志
同步记录双臂关节、相机画面、流程步骤、设备状态、异常和质量标签。
仿真到真机
先在仿真中检查布局、碰撞和动作状态，再进入真实硬件执行。
动作库
沉淀移液、抓取、开盖、按键、视觉校验等可复用动作原语。
可验证执行
让实验流程进入真实动作，而不是停留在文字。
实验流程被拆解为开盖、抓取、放置、移液、视觉检测、日志记录等动作状态，在仿真和真实硬件之间逐步验证。
当前仅完成受控场景最小闭环验证；开盖、完整设备交互、视觉检测及完整基因组子流程仍在开发或合作验证准备中。
当前进展
最小真实执行闭环已经跑通。
这是产品起点，不等同于完整自主实验室。当前正在进入 Runtime MVP 与基因组关键子流程 Design Partner 联合验证准备阶段。
已完成组建
已完成最小采集
已完成最小验证
已完成闭环验证
合作验证准备中
寻找首批联合验证伙伴
当前尚未形成系统化成功率与重复次数评测，后续将以明确任务、验收标准和受控条件推进合作验证。
应用场景
第一场景聚焦基因组测序 Workflow。
DNA 样本提取
选择可量化验收的关键操作，形成稳定子流程。
文库构建
液体处理、孵育、耗材和仪器协同，以及全过程证据记录。
上机测序与数据关联
设备交互、运行状态回传以及样本—动作—结果关联。
基因编辑与 RNA
规划方向：在首个 Workflow 验证后逐步迁移。
抗体、细胞与蛋白
规划方向：按场景重新定义安全边界和验收标准。
药物与微生物表征
长期路线：基于可迁移执行能力逐步扩展。
差异化
长期壁垒来自 Runtime、设备适配、科学协议与执行证据。
从科学意图开始不是先写脚本，而是先理解实验目标。
流程可执行化把流程转化为机器人可以执行的动作原语。
执行可验证每一步都有状态、日志、视觉反馈和质量评价。
流程可进化基于执行结果持续改版流程和动作库。
战略定位
基础模型负责“怎么动”，Phyraxis Runtime 负责“为什么动、如何证明动对了”。
科学协议将 Scientific Intent 编译为可审阅、可回滚的 Workflow。
硬件适配机器人、液体工作站、相机和仪器通过能力接口接入，逐一校准验证。
安全与 QC状态机、权限、互锁、人工确认与质量评价共同约束真实执行。
执行证据动作—设备—异常—QC—结果形成可追溯数据资产。
Phyraxis AI
寻找首批 Design Partner 与落地伙伴。
共同选择一个可验收的基因组关键子流程，启动 RUO 联合验证；同时寻求研发场地、GPU 算力和产业生态支持。Phyraxis 不重复建设通用机器人基础模型，而是把基础模型能力转化为可验收的生命科学执行。