给自动化生物实验室用的厂商中立编译器——把 SOP 编成设备可执行 run，检测半路失败时还能自动拉起恢复流程。

1. 现在已经有商业化发布的栈把实验方案设计、设备执行和湿实验反馈连了起来，买方终于能想象在 SOP 编写者和仪器 runtime 之间再放一层软件。
2. 实验方案推理的基准成绩已经逼近人工专家，这让买方更敢把它用在边界清晰的 assay 编译工作流里。
3. 失败步骤可以再生成，说明恢复逻辑能被产品化，而不是每次出事后都靠稀缺的自动化工程师手工重做。
4. 这次发布强调的是物理执行，不是给科学家再做一个通用 copilot——这说明市场正往能真正控制异构湿实验工作的软件迁移。

催化因素。 2026 年 7 月这次经核验的发布，第一次把带湿实验反馈和失败再生成的闭环 protocol-to-device 栈摆到台面上，让厂商中立的执行编译器开始可信。

产品先做成压在实验室现有硬件之上的实验方案编译器。科学家上传 SOP 或结构化实验方案后，系统先拆成试剂、时间、耗材和测量步骤，再按已安装设备及其约束逐一映射。执行前，它会先把缺液、耗材不兼容、时序不安全和仪器资源冲突等高概率失败点跑一遍模拟，把问题抛给人工审核。执行中，系统持续吃设备日志和 assay 输出，发现偏差后给出已批准的恢复或重跑指令，不再逼工程师从零排查。每一次被验证过的 run，都会沉淀成下一次 assay 迁移、客户项目和站点 rollout 可复用的执行 IP。

差异化。 这不是又一个泛化的 AI scientist，也不是单一厂商的 lab OS。切口是厂商中立的执行编译器，加上一层失败回放/恢复层，压在实验室现有设备之上，在信任最关键的地方保留人工审批。护城河会随着设备适配器、实验方案归一化能力，以及一套越来越厚的已验证恢复路径库一起变深——这些东西，竞争对手靠静态 SOP 很难倒推出来。

待完成任务

flowchart LR
  Buyer[Head of Lab Automation] --> Pain[Scientists write SOPs but engineers hand-translate device runs]
  Pain --> Product[Protocol compiler and failure replay layer]
  Product --> Outcome[Faster assay launch and fewer failed runs]

高管要点

• 痛点是真实的：实验室已经买了机器人，但实验方案到设备的翻译和失败 run 的恢复，至今还锁在少数自动化工程师的脑子和脚本里。
• 机会落在两层之间：一边是厂商专有编排，一边是更上层的信息化平台或云实验室；而 mixed fleet 里的厂商中立 SOP 编译加恢复，还没有清晰的现有厂商真正拿住。
• 最好的早期买方，是那些手里只有一小支自动化团队，却要反复跑 qPCR、ELISA 或细胞工作流，并且常被 assay 迁移 deadline 追着跑的 mixed-fleet 团队。
• 这类产品能不能被采用，关键不在模型新不新，而在信任、审计性和落地深度；人工审阅和版本化恢复逻辑只是入场券。
• 技术势头强于公开买方证据，所以接下来最该做的是围绕 setup 时间、重跑率，以及预算究竟谁说了算，去找共创客户做 discovery。

市场定义

给自动化生物实验室用的厂商中立执行软件：把科学家写的实验方案编成设备可执行 run，在 mixed workcell 里盯偏差并给出恢复建议。最初的切口，是合成生物学 CRO、生物铸造平台和转化核心实验室里的重复性 qPCR、ELISA 和细胞活性工作流。

用户与买方

主要用户是负责 workcell 搭建、排障和迁移的实验室自动化工程师与 assay 开发负责人。真正掏钱的一般是实验室自动化负责人、平台运营负责人或核心设施主任，因为慢上线和重跑的成本最终都落在他们头上。

购买触发点

• 当新 assay family、第二站点或新 workcell 逼着团队把同一套实验方案穿过多台仪器和多层软件重跑一遍时，购买触发点就到了。 [12][13][14][18]
• 当 throughput 目标爬升快过人手扩张时，团队会更需要“放手运行”的时间，也更需要减少移液机器人、培养箱、洗板机和酶标仪之间的人工交接。 [14][15][29][27]
• 只要工作流碰到转化研究或验证环境，自动化逻辑一变或 run 一偏，实验室就会立刻需要审计性和电子记录控制。 [17][21][30][31][32][33]

支付意愿

付费意愿是站得住的，因为买方已经在为几层昂贵的相邻软件买单：编排软件、验证过的信息化平台、云实验室接入和工作流调度。只要这层编译器能在不换硬件的前提下，实打实减少工程师 setup 时间和重跑，它就能嵌进 workcell 预算科目里。 [40][26][27][16][20]

品类动态

增长信号 8.4% CAGR

验证信号

• ProtoPilot 直接说明，带湿实验反馈和失败再生成的实验方案到设备生成，已经是个可信的产品面。
• NIST 和 NSF 正在把自治、可编程实验室当成严肃的基础设施趋势，而不是一时新奇。
• CoreMarketplace 和 biofoundry 的例子说明，确实存在一批自动化密集型实验室，可以充当共创客户。
• Benchling、Biosero、HighRes 等编排产品的发布，说明买方已经理解相邻类别；只是“编译器”这道精确切口仍然空着。

监管与技术约束

• 只要执行软件碰到转化或验证工作流，就必须支持审计轨迹、受控变更和可长期留存的电子记录。
• 开放标准会有帮助，但真实部署仍然需要为异构仪器、调度器和数据输出做适配器工作。
• Assay 自动化不只是移液；真实工作流要把处理器、培养箱、洗板机、酶标仪和分析系统串起来。
• 即便闭环生成能力更强了，人工审批仍然是恢复逻辑和重跑决策里的现实控制点。

竞争不是空白，而是分散。Biosero、Thermo/Tecan 等自动化厂商占住设备编排；Benchling 正把中立硬件自动化和科研记录往前推；Emerald Cloud Lab 卖的是整套远程云实验室替代方案；Opentrons 则把统一到单一技术栈的成本打下来。因此，新创业公司必须赢在厂商中立的编译和恢复，而不是泛泛而谈自动化。

为什么现有厂商不会默认胜出

• 厂商专有自动化软件. Thermo / Tecan 这一类工作流软件在调度和控制集成系统上很强，但当实验室需要跨 mixed fleet 做中立翻译，并保留可供人审核的恢复逻辑时，它们并不会天然胜出。
• 科研信息化平台. Benchling 这一类平台正越来越多地把仪器和记录连起来，但它们对问题的定义仍更偏记录中心的自动化与分析，而不是 SOP 到设备的编译加运行时恢复。
• 云实验室. Emerald Cloud Lab 证明了远程自动化执行有真实需求，但它本质上是用供应商自营实验室做替代，而不是压在客户现有设备之上的控制层。
• 单一硬件栈生态. Opentrons 及类似平台，一旦实验室统一到单一技术栈，实验方案编写会容易得多；但 mixed-fleet 实验室仍然需要跨设备抽象、适配器和异常处理。
• 内部脚本与服务. 手工集成依然常见，因为实验室总能退回到工程师、顾问和一条条工作流单独搭建；但这些痛点来源也说明，这条路很难规模化。

混合设备编队的生物实验室，移液机器人、培养箱和酶标仪早就买齐了；真正卡住上线的，还是把科学家写的 SOP 翻成设备可执行 run，以及在 assay 失败时把流程救回来。我们先盯 50–300 人的合成生物学 CRO 和转化核心实验室，因为新客户 assay、新 workcell 和第二站点迁移，都会逼团队在 deadline 下把同一套实验方案跑在一堆异构仪器上。产品不是去替换实验室现有的编排栈，而是做一层厂商中立的执行编译器：吃进 SOP，映射到受支持的设备和耗材，先模拟最可能出错的环节，再吐出一份可供人审核的 run 计划和批准过的恢复步骤。第一步验证节点很窄，也很容易证伪：先把某一类重复性 assay 从 SOP 交接到首个验证通过自动化 run 的时间压下来，再在同一工作流上把失败 run 的恢复时间打下去。研究支持的需求不小，但也绝非无限：TAM 约 $412.5M，滩头 SAM 约 $148.5M；在高触达共创客户打法下，第 3 年 SOM 大致 $5.0M。公司要赢，前提只有一个——设备适配器、验证过的实验方案映射和已批准的恢复历史，最终能滚成一套厂商原生工具和内部脚本都没法在混合设备环境里复制的执行 IP。真正可能推翻这套计划的，不是模型新不新，而是这类痛点是否高频且真握着预算，足以支撑软件，而不是被当成一单单定制集成服务。研究还没能独立验证客户采用情况、生产环境错误率，以及一次可信发布之外的广泛设备覆盖，所以这份计划刻意把范围收窄、把人放在审批环里，也把融资规模压在 pre-seed。

问题

• 混合机器人 workcell 的实验室，每上一条新的 qPCR、ELISA 或细胞活性 SOP，往往还得花上几天把它翻成各家厂商脚本；于是 2–5 个自动化工程师卡住了 assay 上线、迁移和排障。
• 一旦 run 失败，设备日志、耗材假设和恢复逻辑散落在不同工具和不同工程师手里，转化工作流里就会反复重跑、烧掉样本，审计性也很弱。

解决方案

• 先把科学家写的 SOP 编译成某一类 assay 所需的受支持设备图、耗材计划和执行顺序；run 开始前，先对时序、耗材、体积和仪器资源冲突做一轮模拟检查。
• 执行过程中持续吃设备日志和 assay 输出，把偏差拉出来，给出人工可审核的恢复路径，并把版本化执行记录存下来，供后续 assay 迁移和站点 rollout 复用。

为什么我们会赢

• 品类空档很具体：现有编排工具管的是设备，信息化平台管的是记录，但还没有哪个被点名的竞争对手真正占住“厂商中立的 SOP-to-device 编译 + 运行时恢复”这层。
• 每一次成功验证的编译，都会沉淀实验方案到设备的映射、约束数据和已批准的恢复历史；这些东西一多，OEM 软件和内部脚本就越来越难在异构 workcell 上复刻。
• 滩头市场的痛点和硬交付 deadline 直接挂钩，人又稀缺，所以一个窄工作流产品比泛化的 AI scientist 平台更容易先证明 ROI。

里程碑

flowchart LR
  Wedge[Mixed-fleet assay beachhead] --> MVP[Protocol compiler MVP]
  MVP --> Proof[Setup-time and recovery proof]
  Proof --> Expansion[Recovery library, compliance, multi-site rollout]

创始团队

实验路线图

风险评估

必须成立的条件

• 目标滩头实验室从 SOP 交接到首个验证通过自动化 run，平均要花掉 40+ 小时的自动化工程师时间。
• 滩头市场里，至少 25% 的重大重跑或上线延误，源头是产品能解决的执行与集成问题，而不只是 assay 科学本身。
• 不换硬件的前提下，一组很窄的适配器就能覆盖首批共创客户里 60%+ 的相关 qPCR、ELISA 和细胞活性体量。
• 经济买方会在付费试点后，愿意为按 workcell 计费的软件单列预算，而不是把问题继续按项目型服务处理。
• 只要 setup 时间和恢复指标改善足够明显，至少一半的付费试点能在 6 个月内转成年度生产合同。

待尽调问题

• 被点名的目标实验室，SOP 到首个 run 的基线 setup 时间和重跑率到底是多少，又是怎么量出来的？
• 首批 10 个目标账户最常见的是哪些仪器家族，适配器重合度到底有多少能复用？
• 第一张合同究竟是谁来签，预算又是从哪条科目里挪出来？
• 恢复建议里，有多少能靠遥测标准化出来，又有多少仍得靠服务团队手工编码？
• Benchling、Biosero 或 OEM 工作流软件，凭什么不能补出足够多的编译和恢复能力，把这道切口抹平？

模型合理性

• 收入引擎. 基准情景下，3 个付费共创客户会转成持续付费客户，公司在 Y2 末做到 8 家付费实验室，再在 Q4Y3 前把客户基数扩到 15 家，从而把 Y3 收入推到 $3.6M。
• 必须跑顺的环节. 只有适配器复用足够成立，onboarding 才能保持产品化，毛利率也才能从试点期一路抬到 Y3 的低 70% 区间。
• 模型会在哪崩. 如果试点转量产晚一个季度，且毛利率始终上不去 68%，下行情景会在下一轮融资前把现金烧穿。
• 下一轮融资 proof. 下一次融资要讲的故事，是第 18 个月前拿下 2–3 份已转化量产合同并测出 ROI，到 Q4Y2 左右把付费实验室数做到约 8 家。

情景

敏感性

flowchart LR
  Accounts["Target accounts"] --> Pilots["Paid pilots"]
  Pilots --> Contracts["Production customers"]
  Contracts --> Workcells["Covered workcells"]
  Workcells --> Subscription["Subscription revenue"]
  Pilots --> Onboarding["Pilot and onboarding fees"]
  Onboarding --> Revenue["Total revenue"]
  Subscription --> Revenue
  Revenue --> GrossProfit["Gross profit"]
  GrossProfit --> Cash["Ending cash"]

警示项: 模型相当依赖 Y1 的 3 个共创客户按时转化；哪怕少转成 1 个，Q4Y2 的验证节点都会明显后移。 · 只有到 Y2 后段适配器复用被证明成立，毛利率才能真正碰到 BP 目标；否则交付看起来更像集成服务，而不是软件。 · Q4Y3 的退出 ARR 已接近研究里的 $5.0M SOM，但 Y3 确认收入更低，因为新增客户是在全年里逐步落进来的。 · Rule of 40 看起来异常漂亮，本质上是因为公司还站在很小的收入基数上；续约质量和 onboarding 复用比 headline ratio 更重要。 · 现金滚动用 EBITDA 近似现金；如果采购延迟更长，或应收波动更大，模型里的现金底部会被进一步压缩。

• 设备集成摊子越铺越大. 在产品市场契合被证明之前，支持异构实验室硬件就可能先把团队拖进无底洞。 缓解措施: 先围住一类 assay，再围住共创客户实验室里最常见的 workcell 组合，只做一组很窄的适配器。
• 验证与信任门槛. 如果拿不出已编译 run 既安全又可复现的证据，实验室不会轻易让软件影响湿实验执行。 缓解措施: 先把人放在环里，用模拟检查、run diff 和可审计审批打底，再一点点放大自动化权限。
• 独立证据太薄. 当前市场信号几乎全压在 1 则已核验公告上，真实买方紧迫度和采用速度都可能被高估。 缓解措施: 优先去找已经在为这类痛点配人头的客户，用付费试点硬测 setup 时间和失败 run 指标；如果预算权不强，就尽快砍掉这条切口。