来源：多乐游戏斗地主送6金币 发布时间：2025-11-14 18:13:28
多乐游戏下载:
此刻，生物制造正掀起一场深刻重塑全球产业格局的浪潮。中国，凭借强大的创新动能与战略雄心，在这场关乎未来的竞争中奋勇争先。为清晰记录这一历史性进程，我们特别策划
：他们既是前沿领域的科学家与拓荒者，以智慧点亮合成生物学、基因编辑等关键技术；也是勇于探索的企业家与管理者，将实验室的突破转化为产业变革；同时包括洞悉趋势的投资人与政策制定者，为产业生态注入关键资源与方向指引。他们是技术攻坚的中坚，产业落地的推手，生态繁荣的塑造者。
本系列旨在深度呈现这些关键人物的远见、突破与实践，剖析中国生物制造从技术追赶到创新引领的跃迁路径，揭示其驱动产业升级、保障民生健康、实现绿色发展的巨大潜力。
我们相信，这“100人”的故事与洞见，不仅是对当下成就的致敬，更是洞见中国未来生物经济版图的重要坐标
“基于AI大模型，我们设计的酶在PH值高达14（即1摩尔/升氢氧化钠溶液）的极端强碱环境下仍能稳定发挥作用，这直接突破了传统经验的认知边界，基于原有的经验和思维基本不可能实现。”
“借助AI大模型就能‘大力出奇迹’，尽管其具体机制尚难以完全解释清楚，但从结果导向来看，我们不仅做到了，而且已经实现了产业化生产。”
近日，上海交通大学特聘教授、天鹜科技首席科学家洪亮接受动脉网专访时表示。
在洪亮看来，国家层面正大力促进AI产业发展，这一趋势并非简单的政策认可，而是一项深远的战略选择，而在这一战略布局中，生物制造作为典型的AI应用领域正备受关注。
“中国作为制造业大国，正经历从传统化工制造向生物制造范式变革的过程，但在变革中面临诸多技术瓶颈，人工智能的介入恰逢其时，不仅极大程度地提升效率、减少相关成本，而且实现了传统技术难以突破的工艺创新。”
“这正是当前AI与生物制造融合非常关注的核心原因——一方面生物制造本身正在推动制造业体系从依赖土地资源和化工设备向可持续模式转型；另一方面，人工智能作为关键技术方法，正有效破解生物制造技术体系中的核心难题，一同推动制造业向绿色、高效方向演进。但与此同时，AI在生物制造领域的落地应用，必须克服成本、成功率和知识产权这三座大山。”洪亮表示。
天鹜科技创立于2021年，专注于AI蛋白质设计，致力于使用通用人工智能技术，为生物医药、合成生物学等众多领域提供AI蛋白质整体解决方案。2025年8月，在工信部发布的《AI在生物制造领域典型应用案例（第一批）》中，天鹜科技的蛋白质工程大模型AIACCLBIO®成功入选； 2025年11月进博会期间，拜耳健康消费品与天鹜科技签署战略合作协议，持续探索智能蛋白分子设计、生物制造创新在消化道和皮肤健康领域的应用。
中国凭借全球领先的大型发酵技术，已成为生物制造领域的重要力量。国内已有企业已应用5万升至10万升的超大规模发酵罐，规模或达国际同类设备的十倍以上，凸显了我国在生物制造环节的突出产能优势。
然而，在洪亮看来，生物制造业仍面临“大而不强”的挑战，由于产业大多分布在于制造环节，在核心产品研制与知识产权布局方面相对薄弱，特别是酶等底盘元件的设计与改造方面，导致产业利润空间受限。
对此，人工智能技术正从两个维度推动产业变革：一方面通过优化生产的全部过程实现降本增效，另一方面借助AI设计、开发具有自主知识产权的新型酶或其他化合物，助力我国生物制造从“生产优势”向“创新优势”转型升级。
动脉网在调研访谈中了解到，不少生物制造企业确实看好人工智能技术，但是对产业化应用存疑，因此倾向于保持观望态度，但是洪亮表示，AI在生物制造领域已然浮现了很多产业化应用案例。
“我们与国内某创新药企合作，借助AI大模型的能力，成功突破纳米抗体耐碱性提升的关键技术；将纳米抗体的耐碱能力提升四倍，常规使用的寿命从两个月延长至超过半年。该项目已于2024年5月实现产业化落地，每年为合作企业节省成本超千万元。”
通过机器学习，能轻松实现对发酵罐的温度、投料、配比及pH值等关键工艺参数进行实时优化与精准调控，进而在不改变核心菌种与原料的前提下，有效提升目标产物的最终产量。由于该路径依赖于成熟的工业大数据分析范式，技术门槛相对可控，已成功从传统制造业迁移至生物化工领域，因此被产业界视为当前具有普及前景的AI落地场景。
不论是“定向进化”还是“挖酶”，AI发挥作用都需要基于海量规模的蛋白质序列数据。
洪亮表示，天鹜科技的AI蛋白质设计大模型基于全球最大数据集进行预训练，该数据集拥有超过90亿条蛋白质序列，既包括公共数据库，也包括各种极端环境下的私有数据：温度范围从零下到130摄氏度，压强从1到上千个大气压，pH值从1.0到11，盐度从0到60%。这些都是自然界真实存在的蛋白质序列，其环境适应性已得到自然验证，与AI生成的全新蛋白质相比，它们具有更高的可靠性。
“目前，基于这一庞大的蛋白质序列数据集，我们的AI蛋白质设计大模型能够直接从序列推断蛋白质的功能特性，这一预测能力可以直接指导蛋白质设计：我们不再盲目地构建成千上万个变体，而是由AI生成最大有可能实现功能最优化的少量关键设计，后续仅需100次左右的关键试验就可以完成有效校准。”
据洪亮介绍，该方法的核心逻辑在于：蛋白质结构更像一个中间信息，而功能才是最终目标。传统路径依赖“序列→结构→功能”的复杂推导，而他们通过构建“序列”直达“功能”的预测模型，使得AI能快速完成初筛，大幅缩小实验验证数量与范围。
由此看来，在AI与生物制造深层次地融合的浪潮中，一种以“AI预测指导设计+少量实验验证”为核心的新研发范式正在崭露头角，这种范式的创新在于可能会彻底改变新蛋白质产品的功能定义与验证场所。
洪亮表示，传统的研发路径是在实验室做高通量筛选，选出候选分子后再放到复杂工业环境中测试，一旦失败就必须返回实验室重新开始，过程冗长且迭代成本高。
而新范式则跳过了这一循环：研发初始即基于AI大模型对海量数据的理解进行初步设计，随后直接将少量候选样本置于真实的工业环境，如特定的温度、酸碱度或成分复杂的生物反应液中进行功能测试。“只需几十个精准的场景化实验，就能将蛋白质的功能精准地定位并优化出来。这极大地压缩了从实验室到产业化的路径。”
虽然AI有望颠覆传统的研发范式，而且已有案例证明其产业化落地能力，但是洪亮认为，在当前生物制造产业环境中，仍有三大难题不得不面对，这也是许多企业对AI仍持观望态度的主要原因。
首先，当前生物制造领域的企业，尤其是国内企业，正普遍面临利润率偏低的现实。
许多本土生物制造企业习惯于采取成本压降策略参与市场之间的竞争，与此同时，AI初创公司在巨大的盈利压力下，若将高昂的研发成本通过提高服务费来弥补，客户往往难以接受——毕竟在本就利润有限的生物制造领域，控制成本是生存的底线。因此，“节约”成为双方共同的选择，但也从某些特定的程度上限制了高质量技术服务在生物制造领域的应用与发展。
其次，AI在生物制造源头创新的成功率并非100%，部分企业曾有过失败经历，这影响了它们后续尝试的信心。
据分析，很多AI企业的相对优势并非源于技术本身的绝对成熟，而是得益于其在学术研究与企业合作中持续进行的大规模试错，这一过程需依靠不断尝试与熟练度的提升来降低失误概率、提升成功几率，本质上是一条“熟能生巧”的路径。
“当然，这一现象并不是只存在于生物制造领域，许多其他AI企业的项目成功率往往更低，这也导致部分企业在投入后未能获得预期回报，甚至有可能产生‘交智商税’的感受。必须承认的是，即便是最先进的技术与方法，目前仍很难保证百分之百的成功，这正是整个行业在现阶段所面临的共同挑战。”
最后，也是最核心的一点，对于生物制造企业而言，保护自身产品的核心机密至关重要，这必然的联系到企业的生存命脉。
生物企业的最终核心产品往往体现为特定的生物（基因）序列，这不仅是研发的核心，更是其市场竞争力的源头。更重要的是，这一序列连同其生产底盘，共同构成了企业最核心的资产，一旦将此交付出去，企业便在知识产权方面面临巨大风险。所以不能简单认为是企业“不够开放”，因为要求其公开核心序列，无异于要求其交出赖以生存的“根基”。
“因此，推动AI与生物制造的深层次地融合，需要充分理解并应对企业在成本、实效与数据安全这三个层面的需求。”洪亮强调。
虽然仍需面对三大挑战，但是洪亮认为， 未来的科研与产业创新，必将构建于“海量数据+人工智能”的基础之上，AI不仅在统计和从海量数据中发现规律方面拥有无可比拟的优势，更能与自动化设备结合，形成较为强大的生产力。
“面对数以百万计的文献和专利，人类研究者已难以独自应对。AI大模型能够为我们总结前人的知识与教训，让我们既能站在巨人的肩膀上，又能避开前人走过的弯路。我们不必过分纠结于AI为何能做出某个设计，更重要的是用实验去验证其输出的结果。只要结果有效可靠就行，实践出真知。”
洪亮向动脉网表示，面对AI在生物制造领域展现出的超越传统经验的“高维”能力，科研界与产业界都应“顺应趋势”，积极拥抱这一历史性机遇。“当AI设计出的蛋白质能够在1摩尔/升浓度的氢氧化钠中浸泡五天而完好无损时，这个结果本身已经强于任何雄辩。”
上一篇:江苏省公共资源交易网
相关推荐
