AI进入细胞工厂，资本等的「大结果」快到了？

文 | 刘凌果

编辑 | 海若镜

10月14日，诺贝尔化学奖得主David Baker团队连发两篇《Nature》，宣布AI能从头设计蛋白酶；9月以来，Claude、Gemini 4接连宣称具备发现、设计新酶的能力。

AI4S水温沸腾，以酶为关键工具的昔日顶流“合成生物”，能否复制AI制药的升温路径，借由AI证明自己，重获资本青睐？

“直至今年，大多数企业都没从坑里爬出来。包括当年顶尖VC投的一批公司，甚至估值倒挂。”回顾上一周期，一位投资人感慨。

五年前，合成生物也曾风头无两。但此后，随着一批企业倒在中试和商业化，资本退潮，“以生物造万物”变得模糊而遥远。

进入今年，AI打开新想象，上一轮出清也让一些项目估值回落，部分投资人透露，又开始关注这一赛道。“今年肯定是有回暖的，但不是回到2021年的状态，主要基于AI和‘十五五’政策驱动。”森瑞斯创始人罗小舟告诉36氪。

“既要菌株、代谢通路设计，关键酶的研发能力，又要放大生产经验，还要选品市场规模够大。”英诺科创基金执行董事李英杰将“六边形战士”作为自己的考察标准。

10月12日至13日，2026生物制造大赛前沿技术赛道复赛在京举行。从医药中间体、色素到油脂、材料，项目各异，“AI含量”普遍升高；今年获数亿元级融资的微元合成、天鹜科技、利德健康，也无一例外将部分募资投向AI。

AI正在怎样改变合成生物，又有哪些坑，AI还没填上？

2026年了，AI能否放大研发优势？

在酶设计上，AI已开始大展拳脚。

酶是细胞中的催化工具，帮助原料转化为目标产物。设计更稳定、高效的酶，是提高产品得率重要一步。过去，研究人员主要依靠分析、经验和反复试错来“大海捞针”；AI基于对海量蛋白质序列等的学习，则能更快挑出更具潜力的候选酶，大幅缩短筛选时间。

以欣贝莱的乳果糖项目为例，CTO刘华涛介绍，团队通过AI计算平台，从三万多条酶序列中筛选、锁定了一百条进行合成，湿实验验证后，其中约二十条序列表现出催化活性。随后，通过理性设计，AI根据每轮实验数据继续设计突变体。多轮迭代后，表现最好的突变体，活性提高至原来的约5倍，稳定性提升约3倍。AI介入后，用时3个月，实现了野生型酶到工业酶的转变。

“对比盲筛，AI能使研发周期缩短大约80%，”刘华涛总结道。

光找到一种“能干”的酶还不够。在细胞将底物一步一步转化为目标产物的过程中，往往需要多种酶接力配合。如今，AI也被用于优化细胞内多种酶协作的代谢通路。

森瑞斯创始人罗小舟介绍，在角鲨烯项目中，AI综合产量、多个酶表达量等实验数据，推断哪个环节可能“拖了后腿”，再给出具体的调整建议。

不过，研发前端找到更好的酶和菌株，只是第一步。进入工厂，它们还要适应不同的设备和生产条件。

欣贝莱的达泊西汀中间体项目从实验室到工厂放大的过程中，原始工艺在匹配工厂设备的过程中就遇到了瓶颈，由于生产设备转速比较低，无法像小试那样通过高速离心进行破乳，于是，团队从工艺约束倒推，借助AI提高酶对有机溶剂的耐受性，实现非水相催化，通过工艺调整解决生产问题，最终解决乳化、分离难题。

“生产设备稍微改造一下，不止几十万、几百万元，”刘华涛说，相当于AI帮团队省去了这部分成本。

小试、中试的工艺放大，是让众多企业折戟的“死亡谷”，AI正在尝试一步一步地填上这些“天坑”。

英诺科创基金李英杰介绍，一家企业在完成百升级小试后，进入工厂百吨发酵罐，因罐体、搅拌等设备条件变化，需重新适配工艺参数。加之一次发酵要七天，失败后只能重新投料、再试，落地投产比预期略有延后。

“小罐里的培养液相对更容易搅拌均匀；但罐体放大后，不同位置的溶氧、pH和底物浓度会有所差异，导致菌株的生长环境随之变化，小试阶段没暴露的问题浮出水面。”百仑生物AI技术负责人罗洪振解释，中试及量产中，导致产量波动、得率下降的因素众多，对工艺开发而言有点像“黑箱”。

AI带来的变化，和改造酶类似，让“黑箱”变得可预测，提前排雷、减少试错。“最近工厂发生一件让现场人员觉得很‘amazing’的事，我把生产批报交给AI分析，它判断一个阀门可能存在问题，工作人员起初不信，实际检查后，发现偏差确实达到约10%。”罗小舟说。

类似的变化，也发生在蓝晶微生物的一个中试项目中。蓝晶微生物首席科学家饶驰通介绍，项目连续运行五六个批次，产量始终不稳定，工艺人员多次调试也没能解决。经AI分析后，大约在一周内锁定了原因，调整后产量才稳定下来。

不过，目前AI更多用于预测风险、排查堵点，尚不能替代“老师傅”作出决策。何时补料、怎样调整搅拌和通气，仍需负责人员判断；出现染菌、设备偏差等异常，具体操作仍得由“老师傅”接手。

这背后既有数据限制，也有决策责任。AI掌握的信息主要来自传感器，范围相对受限；未被记录的异常，难以成为它的学习材料，因此缺少处置经验。另外，如果发生误判，可能导致整批物料报废，因此当下决策结果仍需由人把关。

AI还没填上的坑：谁来买？

事实上，相较技术端的提升，受访企业和投资人认为，行业近几年更显著的变化，是选品更紧贴真实市场需求。目前，这也是AI帮助最少、但对公司业绩影响最大的环节。

对品类真实市场需求的错判，是过去几年许多合成生物企业“最痛的领悟”。

美国生物塑料先驱企业Danimer Scientific曾投入巨资推进PHA产业化，2022年将年产能扩至5500万磅，希望以可降解材料切入吸管、餐具、食品包装等一次性塑料市场。但随后由于订单不足，产能严重闲置，导致单位生产成本居高不下；叠加星巴克调整订单及债务压力，公司2024年前三季度营收同比下降26%，净亏损约7180万美元，最终于2025年3月申请破产保护。

原本市场需求明确的产品，在集中扩产后，也会因供给过剩而降价。

用于无糖饮料、烘焙食品等的代糖赤藓糖醇，在2021年前后因需求激增、利润走高，吸引三元生物、诸城东晓、保龄宝等企业集中扩产。到2023年5月，国内年产能已达38万吨，远超全球实际需求，价格从每吨4万元一度跌至9500元，部分新增产能随后停产或转产。

公司能生产什么，与客户愿意买什么，有时是两道错位的题目。

“有时网上都在提某产品的痛点，但真正与客户交流后会发现，这些痛点只是浮于表面，与真实需求天差地别。”罗小舟认为，合成生物公司应尽早接触市场、摸清市场，提前核算客户可接受的成本、产品形态等。

经过上一轮“市场教育”，目前企业的选品逻辑主要向两条路线收敛：一是沿着明确的下游需求提前布局产品；二是切入已有市场，以更低成本替代现有供应方式。

医药中间体便是第一条路线的代表之一。“从我们投资的企业来看，早年很多团队集中攻坚黄酮类、复杂萜类（如紫杉醇等）、多肽（GLP‑1）、氨基酸衍生物（麦角硫因、5‑HTP）这类结构复杂产物。后来发现做基础生化原料、医药单体、食品与饲料类功能原料，这些品类开发效率更高、落地更快，也更贴近真实市场需求。”华大松禾生科基金管理合伙人曾晓玉指出。

生物农药也是类似逻辑。围绕植物病原菌、病虫害等具体问题开发多肽产品，需求场景比较清晰。同时，生物农药具有较高的监管门槛，开发成本和周期又低于人用药；产品一旦跑通，合规资质、客户等也能进一步构成壁垒。

对于通过成本优势替代化学合成、植物提取等现有供应方式的第二条路线，李英杰表示，芳香族化合物、甘草酸、生物基橡胶等产品有相对明确的市场，无需重新培育需求；但价格要降至现有水平的50%-80%，才可能推动客户更换供应方式，仅便宜10%，替代动力可能仍不足。

在选品上，AI目前能力仍十分有限，主要用于扩大选品搜索范围。例如，有的企业通过AI梳理海量文献，从中寻找自然界已存在、却尚未量产的“潜力股”。

另一方面，AI带来的研发提速，也让企业更倾向于避开容易开发的产品。比如，原本三个月能完成的产品，即使提效十倍，也仅将周期缩短至约九天，竞争者同样容易追赶；如果是过去需三年以上才能完成的复杂产品，研发周期缩短至三个月，AI创造的时间差可能才真正有价值。

基于这一判断，罗小舟表示，森瑞斯基本不做合成路径少于10步的产品。

资本还在等什么？

当前，AI已嵌入酶、细胞代谢通路、发酵工艺等环节的优化，研发端显著提速；但经过上一阶段的教育，已经投资过合成生物的投资人们，不再愿意只为“技术”买单。

多位生物背景的投资人表示，很多团队都在配置AI能力，但AI还没有转化为估值溢价，也不足以让他们加速出手。

他们要看技术落到商业的全链：AI+干湿实验闭环是否跑通；研发提速能否传到生产端，变成更低的单位成本；成本下降后，又能否换来订单。

换言之，小试、中试数据，营收和利润，这些更硬的业绩才能左右投资人手里的筹码。

“行业竞争的重心，已经从谁能设计出更好的菌株，转向谁能把 DBTL循环压缩到极致。这是这波 AI 浪潮带来的底层工具与研发范式革新，也会让我们从投资的角度来重构这个行业的评估框架。”曾晓玉提到。多位投资人也表达了相似看法：干湿实验闭环，构建出更高效的DBTL（设计-构建-测试-学习）循环，是合成生物最为关键的一环。

从Anthropic自建湿实验室，到OpenAI与Ginkgo Bioworks联手搭建自主实验闭环，当大量真实数据在7×24小时的循环中不断产生、回流，模型也将根据实验反馈持续迭代，进一步提高产品得率、稳定性，以及在中试、生产端等提前预判并排除更多风险因素。

而无效试错的减少，终将逐步显现在成本、业绩曲线上。当下，越来越多的合成生物企业尝试让AI接管实验室。谁能率先冲线，便有可能在风再起时，拿到“大结果”。

要让DBTL真正转起来，绕不开算法、算力和数据三大基本要素。其中，算法各家多基于开源蛋白质大模型继续开发；算力需求因任务而异，单酶预测相对有限。

最难速成，也最可能拉开企业AI能力差距的，目前在数据。

首先数据稀缺。罗小舟介绍，许多具体生物任务只有万级或十万级数据，百万级都不常见；即使基因组序列达到数十亿、上百亿条，没有对应的实验标注，意义也非常有限。

同时，越往生产端，数据越难得。一种菌株从孔板筛选、500毫升小试，走到百升级中试和工厂生产，每上一个台阶，培养条件随之改变，原有数据无法直接套用；规模越大，单次实验消耗的原料、设备和时间也越多，批次数据很难快速积累；此外，数据还受限于硬件“视野”，传感器无法检测的变量，AI自然也无从习得。

企业只能先“盘活”已有数据。今年，蓝晶微生物把智能体接入原有自动化研发平台的过程中，饶驰通表示，投入最大的并非智能体开发，而是历史数据的整理。“至少过去四五年，自动化平台采集的实验数据、发酵批报和文档，都要重新分类、归纳和标签化，以此构建本地数据库。这项工作花了很大精力。”但成果也相对显著，当前，蓝晶的发酵过程预测模型已使用几十个维度、数百个批次的数据，可以预测2小时、4小时后的变化。

为持续获得新数据，各家都在打通AI与自动化实验室，让“大脑”能直接调动“手脚”。

据了解，眼下仍有两处断点：一是AI给出的方向性建议，无法直接落到每一步的具体执行；二是成形的实验方案也不能直接转化为机器设备指令，例如从哪个孔取样、取多少，再向哪个孔加样等具体动作，仍需人来充当“翻译”。

主要是因为，一项实验意图要变成湿实验中的真实操作，需依次经过方案设计、SOP（标准操作流程）、设备代码、物理执行和结果反馈等多层转换。每往下走一层，都要将上一步的语言进一步拆解、细化，直到机器能够准确执行。

换言之，AI能提供一份精美、详尽的菜谱，但如何让锅、铲和炉灶能自己读懂、理解菜谱，并自动完成烹饪，仍有难度。

AI无疑让合成生物跑得更快了，但场边的资本仍在观望，谁会是率先将速度兑现的那一个？