AI進入細胞工廠，資本等的「大結果」快到了？

文 | 劉凌果

編輯 | 海若鏡

10月14日，諾貝爾化學獎得主David Baker團隊連發兩篇《Nature》，宣佈AI能從頭設計蛋白酶；9月以來，Claude、Gemini 4接連宣稱具備發現、設計新酶的能力。

AI4S水温沸騰，以酶為關鍵工具的昔日頂流「合成生物」，能否複製AI製藥的升溫路徑，藉由AI證明自己，重獲資本青睞？

「直至今年，大多數企業都沒從坑里爬出來。包括當年頂尖VC投的一批公司，甚至估值倒掛。」回顧上一周期，一位投資人感慨。

五年前，合成生物也曾風頭無兩。但此后，隨着一批企業倒在中試和商業化，資本退潮，「以生物造萬物」變得模糊而遙遠。

進入今年，AI打開新想象，上一輪出清也讓一些項目估值回落，部分投資人透露，又開始關注這一賽道。「今年肯定是有回暖的，但不是回到2021年的狀態，主要基於AI和‘十五五’政策驅動。」森瑞斯創始人羅小舟告訴36氪。

「既要菌株、代謝通路設計，關鍵酶的研發能力，又要放大生產經驗，還要選品市場規模夠大。」英諾科創基金執行董事李英傑將「六邊形戰士」作為自己的考察標準。

10月12日至13日，2026生物製造大賽前沿技術賽道複賽在京舉行。從醫藥中間體、色素到油脂、材料，項目各異，「AI含量」普遍升高；今年獲數億元級融資的微元合成、天鶩科技、利德健康，也無一例外將部分募資投向AI。

AI正在怎樣改變合成生物，又有哪些坑，AI還沒填上？

2026年了，AI能否放大研發優勢？

在酶設計上，AI已開始大展拳腳。

酶是細胞中的催化工具，幫助原料轉化為目標產物。設計更穩定、高效的酶，是提高產品得率重要一步。過去，研究人員主要依靠分析、經驗和反覆試錯來「大海撈針」；AI基於對海量蛋白質序列等的學習，則能更快挑出更具潛力的候選酶，大幅縮短篩選時間。

以欣貝萊的乳果糖項目為例，CTO劉華濤介紹，團隊通過AI計算平臺，從三萬多條酶序列中篩選、鎖定了一百條進行合成，濕實驗驗證后，其中約二十條序列表現出催化活性。隨后，通過理性設計，AI根據每輪實驗數據繼續設計突變體。多輪迭代后，表現最好的突變體，活性提高至原來的約5倍，穩定性提升約3倍。AI介入后，用時3個月，實現了野生型酶到工業酶的轉變。

「對比盲篩，AI能使研發周期縮短大約80%，」劉華濤總結道。

光找到一種「能干」的酶還不夠。在細胞將底物一步一步轉化為目標產物的過程中，往往需要多種酶接力配合。如今，AI也被用於優化細胞內多種酶協作的代謝通路。

森瑞斯創始人羅小舟介紹，在角鯊烯項目中，AI綜合產量、多個酶表達量等實驗數據，推斷哪個環節可能「拖了后腿」，再給出具體的調整建議。

不過，研發前端找到更好的酶和菌株，只是第一步。進入工廠，它們還要適應不同的設備和生產條件。

欣貝萊的達泊西汀中間體項目從實驗室到工廠放大的過程中，原始工藝在匹配工廠設備的過程中就遇到了瓶頸，由於生產設備轉速比較低，無法像小試那樣通過高速離心進行破乳，於是，團隊從工藝約束倒推，藉助AI提高酶對有機溶劑的耐受性，實現非水相催化，通過工藝調整解決生產問題，最終解決乳化、分離難題。

「生產設備稍微改造一下，不止幾十萬、幾百萬元，」劉華濤説，相當於AI幫團隊省去了這部分成本。

小試、中試的工藝放大，是讓眾多企業折戟的「死亡谷」，AI正在嘗試一步一步地填上這些「天坑」。

英諾科創基金李英傑介紹，一家企業在完成百升級小試后，進入工廠百噸發酵罐，因罐體、攪拌等設備條件變化，需重新適配工藝參數。加之一次發酵要七天，失敗后只能重新投料、再試，落地投產比預期略有延后。

「小罐里的培養液相對更容易攪拌均勻；但罐體放大后，不同位置的溶氧、pH和底物濃度會有所差異，導致菌株的生長環境隨之變化，小試階段沒暴露的問題浮出水面。」百侖生物AI技術負責人羅洪振解釋，中試及量產中，導致產量波動、得率下降的因素眾多，對工藝開發而言有點像「黑箱」。

AI帶來的變化，和改造酶類似，讓「黑箱」變得可預測，提前排雷、減少試錯。「最近工廠發生一件讓現場人員覺得很‘amazing’的事，我把生產批報交給AI分析，它判斷一個閥門可能存在問題，工作人員起初不信，實際檢查后，發現偏差確實達到約10%。」羅小舟説。

類似的變化，也發生在藍晶微生物的一箇中試項目中。藍晶微生物首席科學家饒馳通介紹，項目連續運行五六個批次，產量始終不穩定，工藝人員多次調試也沒能解決。經AI分析后，大約在一周內鎖定了原因，調整后產量才穩定下來。

不過，目前AI更多用於預測風險、排查堵點，尚不能替代「老師傅」作出決策。何時補料、怎樣調整攪拌和通氣，仍需負責人員判斷；出現染菌、設備偏差等異常，具體操作仍得由「老師傅」接手。

這背后既有數據限制，也有決策責任。AI掌握的信息主要來自傳感器，範圍相對受限；未被記錄的異常，難以成為它的學習材料，因此缺少處置經驗。另外，如果發生誤判，可能導致整批物料報廢，因此當下決策結果仍需由人把關。

AI還沒填上的坑：誰來買？

事實上，相較技術端的提升，受訪企業和投資人認為，行業近幾年更顯著的變化，是選品更緊貼真實市場需求。目前，這也是AI幫助最少、但對公司業績影響最大的環節。

對品類真實市場需求的錯判，是過去幾年許多合成生物企業「最痛的領悟」。

美國生物塑料先驅企業Danimer Scientific曾投入巨資推進PHA產業化，2022年將年產能擴至5500萬磅，希望以可降解材料切入吸管、餐具、食品包裝等一次性塑料市場。但隨后由於訂單不足，產能嚴重閒置，導致單位生產成本居高不下；疊加星巴克調整訂單及債務壓力，公司2024年前三季度營收同比下降26%，淨虧損約7180萬美元，最終於2025年3月申請破產保護。

原本市場需求明確的產品，在集中擴產后，也會因供給過剩而降價。

用於無糖飲料、烘焙食品等的代糖赤蘚糖醇，在2021年前后因需求激增、利潤走高，吸引三元生物、諸城東曉、保齡寶等企業集中擴產。到2023年5月，國內年產能已達38萬噸，遠超全球實際需求，價格從每噸4萬元一度跌至9500元，部分新增產能隨后停產或轉產。

公司能生產什麼，與客户願意買什麼，有時是兩道錯位的題目。

「有時網上都在提某產品的痛點，但真正與客户交流后會發現，這些痛點只是浮於表面，與真實需求天差地別。」羅小舟認為，合成生物公司應儘早接觸市場、摸清市場，提前核算客户可接受的成本、產品形態等。

經過上一輪「市場教育」，目前企業的選品邏輯主要向兩條路線收斂：一是沿着明確的下游需求提前佈局產品；二是切入已有市場，以更低成本替代現有供應方式。

醫藥中間體便是第一條路線的代表之一。「從我們投資的企業來看，早年很多團隊集中攻堅黃酮類、複雜萜類（如紫杉醇等）、多肽（GLP‑1）、氨基酸衍生物（麥角硫因、5‑HTP）這類結構複雜產物。后來發現做基礎生化原料、醫藥單體、食品與飼料類功能原料，這些品類開發效率更高、落地更快，也更貼近真實市場需求。」華大松禾生科基金管理合夥人曾曉玉指出。

生物農藥也是類似邏輯。圍繞植物病原菌、病蟲害等具體問題開發多肽產品，需求場景比較清晰。同時，生物農藥具有較高的監管門檻，開發成本和周期又低於人用藥；產品一旦跑通，合規資質、客户等也能進一步構成壁壘。

對於通過成本優勢替代化學合成、植物提取等現有供應方式的第二條路線，李英傑表示，芳香族化合物、甘草酸、生物基橡膠等產品有相對明確的市場，無需重新培育需求；但價格要降至現有水平的50%-80%，纔可能推動客户更換供應方式，僅便宜10%，替代動力可能仍不足。

在選品上，AI目前能力仍十分有限，主要用於擴大選品搜索範圍。例如，有的企業通過AI梳理海量文獻，從中尋找自然界已存在、卻尚未量產的「潛力股」。

另一方面，AI帶來的研發提速，也讓企業更傾向於避開容易開發的產品。比如，原本三個月能完成的產品，即使提效十倍，也僅將周期縮短至約九天，競爭者同樣容易追趕；如果是過去需三年以上才能完成的複雜產品，研發周期縮短至三個月，AI創造的時間差可能才真正有價值。

基於這一判斷，羅小舟表示，森瑞斯基本不做合成路徑少於10步的產品。

資本還在等什麼？

當前，AI已嵌入酶、細胞代謝通路、發酵工藝等環節的優化，研發端顯著提速；但經過上一階段的教育，已經投資過合成生物的投資人們，不再願意只為「技術」買單。

多位生物背景的投資人表示，很多團隊都在配置AI能力，但AI還沒有轉化為估值溢價，也不足以讓他們加速出手。

他們要看技術落到商業的全鏈：AI+乾溼實驗閉環是否跑通；研發提速能否傳到生產端，變成更低的單位成本；成本下降后，又能否換來訂單。

換言之，小試、中試數據，營收和利潤，這些更硬的業績才能左右投資人手里的籌碼。

「行業競爭的重心，已經從誰能設計出更好的菌株，轉向誰能把 DBTL循環壓縮到極致。這是這波 AI 浪潮帶來的底層工具與研發範式革新，也會讓我們從投資的角度來重構這個行業的評估框架。」曾曉玉提到。多位投資人也表達了相似看法：乾溼實驗閉環，構建出更高效的DBTL（設計-構建-測試-學習）循環，是合成生物最為關鍵的一環。

從Anthropic自建濕實驗室，到OpenAI與Ginkgo Bioworks聯手搭建自主實驗閉環，當大量真實數據在7×24小時的循環中不斷產生、迴流，模型也將根據實驗反饋持續迭代，進一步提高產品得率、穩定性，以及在中試、生產端等提前預判並排除更多風險因素。

而無效試錯的減少，終將逐步顯現在成本、業績曲線上。當下，越來越多的合成生物企業嘗試讓AI接管實驗室。誰能率先衝線，便有可能在風再起時，拿到「大結果」。

要讓DBTL真正轉起來，繞不開算法、算力和數據三大基本要素。其中，算法各家多基於開源蛋白質大模型繼續開發；算力需求因任務而異，單酶預測相對有限。

最難速成，也最可能拉開企業AI能力差距的，目前在數據。

首先數據稀缺。羅小舟介紹，許多具體生物任務只有萬級或十萬級數據，百萬級都不常見；即使基因組序列達到數十億、上百億條，沒有對應的實驗標註，意義也非常有限。

同時，越往生產端，數據越難得。一種菌株從孔板篩選、500毫升小試，走到百升級中試和工廠生產，每上一個臺階，培養條件隨之改變，原有數據無法直接套用；規模越大，單次實驗消耗的原料、設備和時間也越多，批次數據很難快速積累；此外，數據還受限於硬件「視野」，傳感器無法檢測的變量，AI自然也無從習得。

企業只能先「盤活」已有數據。今年，藍晶微生物把智能體接入原有自動化研發平臺的過程中，饒馳通表示，投入最大的並非智能體開發，而是歷史數據的整理。「至少過去四五年，自動化平臺採集的實驗數據、發酵批報和文檔，都要重新分類、歸納和標籤化，以此構建本地數據庫。這項工作花了很大精力。」但成果也相對顯著，當前，藍晶的發酵過程預測模型已使用幾十個維度、數百個批次的數據，可以預測2小時、4小時后的變化。

為持續獲得新數據，各家都在打通AI與自動化實驗室，讓「大腦」能直接調動「手腳」。

據瞭解，眼下仍有兩處斷點：一是AI給出的方向性建議，無法直接落到每一步的具體執行；二是成形的實驗方案也不能直接轉化為機器設備指令，例如從哪個孔取樣、取多少，再向哪個孔加樣等具體動作，仍需人來充當「翻譯」。

主要是因為，一項實驗意圖要變成濕實驗中的真實操作，需依次經過方案設計、SOP（標準操作流程）、設備代碼、物理執行和結果反饋等多層轉換。每往下走一層，都要將上一步的語言進一步拆解、細化，直到機器能夠準確執行。

換言之，AI能提供一份精美、詳盡的菜譜，但如何讓鍋、鏟和爐灶能自己讀懂、理解菜譜，並自動完成烹飪，仍有難度。

AI無疑讓合成生物跑得更快了，但場邊的資本仍在觀望，誰會是率先將速度兑現的那一個？