AI正在重塑生物制造的工藝邊界，為從“實(shí)驗(yàn)室研究”向“大規(guī)模工業(yè)化”跨越裝上“數(shù)字引擎”。

作者丨岑峰

當(dāng)前，生物制造已進(jìn)入從“實(shí)驗(yàn)室研究”向“大規(guī)模工業(yè)化”跨越的關(guān)鍵期，而AI技術(shù)的深度介入，正在為這一進(jìn)程裝上“數(shù)字引擎”。

那么，全鏈路打通的“AI+生物制造”到底是什么？可以帶來哪些突破性成果？普通生物制造類企業(yè)應(yīng)該如何把握，加入AI升級(jí)大潮？

近期，“第四屆合成生物學(xué)及生物制造大會(huì)”在深圳光明隆重召開。AI生物大模型引領(lǐng)者深圳津渡生物醫(yī)學(xué)科技有限公司（以下簡(jiǎn)稱“津渡生科”）受邀，其聯(lián)合創(chuàng)始人兼首席技術(shù)官鄧司偉做了題為《AI驅(qū)動(dòng)的生物制造：構(gòu)建從發(fā)現(xiàn)到生產(chǎn)的智能閉環(huán)》的主旨演講。

鄧司偉在報(bào)告中指出，生物智造的未來在于構(gòu)建一個(gè)全鏈路的智能閉環(huán)，即將AI的能力滲透進(jìn)科學(xué)發(fā)現(xiàn)、實(shí)驗(yàn)驗(yàn)證、工業(yè)生產(chǎn)三大階段中，實(shí)現(xiàn)從研發(fā)大腦到自動(dòng)化工廠的全鏈條智能化。

在最為核心的工業(yè)生產(chǎn)階段，AI正在重塑生物制造的工藝邊界。鄧司偉以生物發(fā)酵為例，展示了AI如何通過處理在線與離線的多源異構(gòu)數(shù)據(jù)，實(shí)現(xiàn)超越人類經(jīng)驗(yàn)的生產(chǎn)管控。借助Transformer、Mamba等前沿架構(gòu)，AI不僅能精準(zhǔn)預(yù)測(cè)補(bǔ)料與放量時(shí)機(jī)，更能實(shí)現(xiàn)前瞻性的異常預(yù)警——在所有指標(biāo)尚顯“正常”時(shí)，提前洞察未來的風(fēng)險(xiǎn)波動(dòng)。此外，通過強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的工藝自進(jìn)化，以及多模態(tài)數(shù)據(jù)驅(qū)動(dòng)的種子成熟度判斷，AI正將生產(chǎn)工藝從“依賴專家直覺”轉(zhuǎn)向“數(shù)字驅(qū)動(dòng)進(jìn)化”。

鄧司偉認(rèn)為，“AI+生物制造”本質(zhì)上是專業(yè)經(jīng)驗(yàn)的去中心化過程。它不僅將科學(xué)家從繁瑣的文獻(xiàn)研讀和實(shí)驗(yàn)室體力勞動(dòng)中解放出來，更在工業(yè)端極大地降低了生產(chǎn)成本與技術(shù)壁壘。在全球AI for Science競(jìng)賽升溫的背景下，這種全鏈路的智能賦能，無(wú)疑將成為中國(guó)生物制造走向高質(zhì)量發(fā)展的核心競(jìng)爭(zhēng)力。

以下為鄧司偉在“第四屆合成生物學(xué)及生物制造大會(huì)”上的演講實(shí)錄，限于篇幅，AI科技評(píng)論進(jìn)行了不修改原意的編輯：

演講主題：AI驅(qū)動(dòng)的生物制造：構(gòu)建從發(fā)現(xiàn)到生產(chǎn)的智能閉環(huán)

演講者：津渡生科聯(lián)合創(chuàng)始人兼CTO鄧司偉

各位專家學(xué)者，大家好。我是鄧司偉，津渡生科聯(lián)合創(chuàng)始人兼CTO。非常高興能在這里分享AI如何賦能生物智造。作為一名長(zhǎng)期深耕計(jì)算生物學(xué)與多組學(xué)領(lǐng)域的科研工作者，我今天的報(bào)告將圍繞生物智造的三個(gè)核心環(huán)節(jié)展開，即構(gòu)建一個(gè)從研發(fā)發(fā)現(xiàn)到實(shí)驗(yàn)驗(yàn)證、再到工業(yè)生產(chǎn)的全流程智能閉環(huán)。在這一閉環(huán)中，AI不僅是研發(fā)端發(fā)現(xiàn)新事物的“科技大腦”，也是實(shí)驗(yàn)端優(yōu)化設(shè)計(jì)的驅(qū)動(dòng)力，更是工業(yè)生產(chǎn)中實(shí)現(xiàn)自動(dòng)化工藝與智能化操作的“超級(jí)工程師”。

在生物智造的發(fā)現(xiàn)階段，科研人員面臨著兩大核心挑戰(zhàn)。首先是文獻(xiàn)情報(bào)的爆炸式增長(zhǎng)，海量的學(xué)術(shù)論文、專利以及企業(yè)內(nèi)部信息使得傳統(tǒng)的手工檢索與研讀日益低效；其次是算法模型的井噴，從DNA、RNA、蛋白質(zhì)建模到代謝分析和發(fā)酵模擬，各種專業(yè)模型層出不窮，如何判斷模型的適用性、如何部署復(fù)雜的計(jì)算環(huán)境，往往耗費(fèi)了大量的時(shí)間。針對(duì)文獻(xiàn)檢索的挑戰(zhàn)，目前行業(yè)內(nèi)的主流解決方案是檢索增強(qiáng)生成技術(shù)（RAG）。通過將公有知識(shí)與私有知識(shí)庫(kù)向量化，構(gòu)建起一個(gè)精準(zhǔn)的知識(shí)映射，AI不僅能顯著降低大模型的“幻覺”現(xiàn)象，提供帶有準(zhǔn)確引用（Reference）的檢索結(jié)果，更能打破數(shù)據(jù)孤島，實(shí)現(xiàn)團(tuán)隊(duì)內(nèi)部私有知識(shí)的高效協(xié)作與共享。

除了精準(zhǔn)的情報(bào)檢索，如何高效利用海量的模型去解決具體的科學(xué)問題，則是研發(fā)發(fā)現(xiàn)的另一個(gè)難點(diǎn)。面對(duì)跨越分子、細(xì)胞到過程控制的各種模型，科研人員很難掌握每一個(gè)模型的參數(shù)細(xì)節(jié)與使用場(chǎng)景。這便引出了當(dāng)前AI領(lǐng)域的前沿趨勢(shì)——科學(xué)智能體（Scientific Agent）。正如日常生活中出現(xiàn)的通用智能體產(chǎn)品，科學(xué)智能體能夠理解人類的自然語(yǔ)言提問，并在此基礎(chǔ)上完成任務(wù)拆解。它會(huì)自動(dòng)識(shí)別子任務(wù)，從工具箱中調(diào)用最匹配的AI模型，并匯總各模型的結(jié)果，得出最終結(jié)論?？茖W(xué)智能體的出現(xiàn)，讓科研人員無(wú)需從頭學(xué)習(xí)每一個(gè)復(fù)雜模型的部署與參數(shù)調(diào)控，通過最自然的語(yǔ)言交互即可驅(qū)動(dòng)前沿算法，極大地降低了科研創(chuàng)新的學(xué)習(xí)門檻與技術(shù)壁壘。

當(dāng)科學(xué)發(fā)現(xiàn)完成之后，隨之而來的便是嚴(yán)謹(jǐn)?shù)膶?shí)驗(yàn)驗(yàn)證環(huán)節(jié)。這是一個(gè)從假設(shè)生成、實(shí)驗(yàn)設(shè)計(jì)、干濕實(shí)驗(yàn)執(zhí)行到結(jié)果分析形成報(bào)告的動(dòng)態(tài)循環(huán)。在這個(gè)過程中，AI的深度介入正在重塑實(shí)驗(yàn)設(shè)計(jì)的范式。傳統(tǒng)的實(shí)驗(yàn)流程設(shè)計(jì)高度依賴人類的經(jīng)驗(yàn)，但在記錄實(shí)驗(yàn)細(xì)節(jié)時(shí)，人類往往會(huì)因?yàn)閼T性或疏忽而遺漏一些看似微小實(shí)則關(guān)鍵的操作環(huán)節(jié)。相比之下，由AI驅(qū)動(dòng)的實(shí)驗(yàn)設(shè)計(jì)能夠通過標(biāo)準(zhǔn)化與精確化規(guī)避人為錯(cuò)誤。

AI介入實(shí)驗(yàn)設(shè)計(jì)的價(jià)值在于它能構(gòu)建起實(shí)驗(yàn)與研發(fā)的底層基座。無(wú)論是“干實(shí)驗(yàn)”層面的計(jì)算機(jī)模擬，還是需要進(jìn)入實(shí)驗(yàn)室操作、配置各類組分的“濕實(shí)驗(yàn)”，AI都能通過自動(dòng)檢索內(nèi)外知識(shí)庫(kù)來輔助提出更具潛力的科學(xué)假設(shè)，并據(jù)此生成精確的實(shí)驗(yàn)流程。這種從機(jī)器邏輯出發(fā)的設(shè)計(jì)方案，不僅保證了實(shí)驗(yàn)的可追溯性與一致性，也為后續(xù)實(shí)驗(yàn)結(jié)果的自動(dòng)化解讀與報(bào)告生成奠定了堅(jiān)實(shí)基礎(chǔ)。

在實(shí)驗(yàn)執(zhí)行層面，AI的引入極大地解決了科研中長(zhǎng)期存在的“信息遺漏”與“可重復(fù)性弱”的痛點(diǎn)。人類研究員在記錄實(shí)驗(yàn)時(shí)，往往能理解當(dāng)下操作，但隨著時(shí)間推移，微小的操作細(xì)節(jié)可能被遺忘，這種人為因素導(dǎo)致的信息流失是實(shí)驗(yàn)難以完美復(fù)現(xiàn)的主因。而AI能夠完整地記錄并轉(zhuǎn)化實(shí)驗(yàn)步驟，通過將人類的自然語(yǔ)言指令精確重構(gòu)為機(jī)器可讀的操作代碼，實(shí)現(xiàn)對(duì)硬件設(shè)備的智能化調(diào)度。

然而，在追求實(shí)驗(yàn)自動(dòng)化的過程中，我們必須正視大模型的“幻覺”問題。實(shí)驗(yàn)科學(xué)是一門嚴(yán)謹(jǐn)?shù)膶W(xué)科，哪怕是一個(gè)小數(shù)點(diǎn)、一個(gè)單位或者一個(gè)步驟順序的錯(cuò)誤，都會(huì)引發(fā)連鎖反應(yīng)，導(dǎo)致嚴(yán)重的實(shí)驗(yàn)事故。因此，在設(shè)計(jì)科學(xué)智能體時(shí)，不能僅僅追求其生成的方案“看起來合理”，而必須通過針對(duì)性的完善機(jī)制來破除幻覺。這包括對(duì)海量實(shí)驗(yàn)流程數(shù)據(jù)的精準(zhǔn)采集、對(duì)步驟排序與邏輯糾錯(cuò)的深度強(qiáng)化設(shè)計(jì)，以及引入更高維度的專業(yè)指標(biāo)對(duì)模型產(chǎn)出進(jìn)行嚴(yán)苛評(píng)估。目前，我們的平臺(tái)已經(jīng)可以實(shí)現(xiàn)從真人自然語(yǔ)言輸入，到自動(dòng)生成思考路徑與實(shí)驗(yàn)方案的全過程閉環(huán)。

在實(shí)驗(yàn)方案生成后，下一步便是通過自動(dòng)化系統(tǒng)進(jìn)行執(zhí)行。這種軟件與硬件一體化的打通，依托于物聯(lián)網(wǎng)系統(tǒng)、各類分析儀器以及機(jī)械臂、傳送帶等硬件設(shè)施的協(xié)同調(diào)度。無(wú)論是國(guó)內(nèi)還是國(guó)外的自動(dòng)化實(shí)驗(yàn)供應(yīng)商，都在致力于構(gòu)建這種“無(wú)人實(shí)驗(yàn)室”或“黑燈實(shí)驗(yàn)室（Lights-out Lab）”，并配合數(shù)據(jù)分析智能體，實(shí)現(xiàn)實(shí)驗(yàn)結(jié)束后的自動(dòng)化解讀。

從全球視野來看，AI for Science已成為大國(guó)博弈的前沿。近期，美國(guó)提出了“創(chuàng)世紀(jì)計(jì)劃（Science Genesis Project）”，吸引了谷歌、微軟等科技巨頭參與，旨在常規(guī)人工智能之外，對(duì)科學(xué)智能進(jìn)行戰(zhàn)略規(guī)劃；隨后歐洲、英國(guó)也相繼發(fā)布政府報(bào)告跟進(jìn)這一進(jìn)程。在這一浪潮下，涌現(xiàn)出了如FutureHouse等典型的科學(xué)AI機(jī)構(gòu)，其下設(shè)的研發(fā)力量正專注于將AI深度融入科學(xué)研究。

當(dāng)視角轉(zhuǎn)向生產(chǎn)制造環(huán)節(jié)，如何利用AI賦能生物制造的規(guī)?；a(chǎn)出，則體現(xiàn)為“AI設(shè)計(jì)工程師”角色的構(gòu)建。以國(guó)內(nèi)極具代表性的生物發(fā)酵工藝為例，生產(chǎn)過程中涉及兩類核心數(shù)據(jù)：一類是由DCS系統(tǒng)和各類探頭自動(dòng)采集的在線檢測(cè)數(shù)據(jù)，另一類則是需要從發(fā)酵罐中取樣化驗(yàn)、通常存在兩三小時(shí)滯后的離線數(shù)據(jù)。將這些具有天然時(shí)間序列屬性的數(shù)據(jù)輸入AI模型，是目前生物制造最契合的發(fā)展方向。

在模型架構(gòu)的演進(jìn)上，隨著從早期的RNN、LSTM到如今Transformer架構(gòu)的突破，以及Spectral、Mamba等更先進(jìn)架構(gòu)的應(yīng)用，我們對(duì)發(fā)酵過程的預(yù)測(cè)精度得到了本質(zhì)提升。這使得自動(dòng)補(bǔ)料、自動(dòng)放量、終點(diǎn)預(yù)測(cè)以及異常預(yù)測(cè)成為可能。值得注意的是，AI在異常預(yù)測(cè)方面表現(xiàn)出超越傳統(tǒng)閾值判斷的優(yōu)越性：傳統(tǒng)的檢測(cè)系統(tǒng)僅能在指標(biāo)超限時(shí)發(fā)出警報(bào)，而AI模型能夠通過對(duì)復(fù)雜參數(shù)的預(yù)判，在所有當(dāng)前指標(biāo)均顯示正常的情況下，提前預(yù)知未來可能發(fā)生的異常風(fēng)險(xiǎn)，從而實(shí)現(xiàn)真正意義上的生產(chǎn)智能化。

在生產(chǎn)環(huán)節(jié)中，除了前文提到的提前預(yù)警功能，AI還能在工藝優(yōu)化方面發(fā)揮核心作用。這主要依托于強(qiáng)化學(xué)習(xí)框架中的“決策模型”與“評(píng)判模型”。這種邏輯在軍事智能化和機(jī)器人領(lǐng)域應(yīng)用極廣，正如訓(xùn)練機(jī)器人完成行走或舞蹈等復(fù)雜動(dòng)作，決策模型會(huì)在每一個(gè)時(shí)間節(jié)點(diǎn)根據(jù)系統(tǒng)輸入的實(shí)時(shí)狀態(tài)做出判斷與操作。而評(píng)判模型的存在，則是為了衡量決策的優(yōu)劣：如果該操作最終提升了效價(jià)或產(chǎn)量，系統(tǒng)就會(huì)獲得“獎(jiǎng)勵(lì)”反饋；反之則給予“懲罰”。通過這種自動(dòng)進(jìn)化的閉環(huán)學(xué)習(xí)，AI能夠驅(qū)動(dòng)發(fā)酵工藝向著更高產(chǎn)、更穩(wěn)定的方向進(jìn)化。

針對(duì)發(fā)酵過程中的種子成熟度判斷及轉(zhuǎn)種時(shí)機(jī)選擇，目前的領(lǐng)先方案是引入“多模態(tài)”架構(gòu)。這意味著系統(tǒng)可以同時(shí)處理多種類型的數(shù)據(jù)，將發(fā)酵液的理化參數(shù)等時(shí)間序列數(shù)據(jù)與顯微鏡下的細(xì)胞形態(tài)照片進(jìn)行耦合。在技術(shù)實(shí)現(xiàn)上，我們不再沿用傳統(tǒng)的簡(jiǎn)單特征疊加，而是采用更先進(jìn)的編碼架構(gòu)，分別對(duì)圖片信息和序列信息進(jìn)行深度特征提取與聯(lián)合訓(xùn)練。這種多模態(tài)融合的方式，構(gòu)成了我們智能化系統(tǒng)框架的核心，配合數(shù)據(jù)管理、可視化大屏和智能應(yīng)用，真正實(shí)現(xiàn)了生產(chǎn)場(chǎng)景的閉環(huán)賦能。

在多肽發(fā)酵等典型場(chǎng)景中，誘導(dǎo)劑的加入時(shí)機(jī)與劑量直接決定了表達(dá)效率，通過AI對(duì)誘導(dǎo)工藝進(jìn)行持續(xù)優(yōu)化，可以顯著提升信息的穩(wěn)定性與生產(chǎn)效能。另一個(gè)具有代表性的突破是在拉曼光譜與近紅外光譜的在線應(yīng)用上。傳統(tǒng)的做法是針對(duì)光譜數(shù)據(jù)制作復(fù)雜的標(biāo)準(zhǔn)曲線來解析物質(zhì)成分，以此實(shí)現(xiàn)自動(dòng)化連續(xù)發(fā)酵。而現(xiàn)在，可以利用AI直接對(duì)光譜圖進(jìn)行特征編碼，讓模型自動(dòng)識(shí)別高維或抽象的特征，繞過繁瑣的建模環(huán)節(jié)，實(shí)現(xiàn)更高程度的自動(dòng)化。這不僅能降低生產(chǎn)和研發(fā)成本，更能在實(shí)驗(yàn)室階段便實(shí)現(xiàn)精準(zhǔn)轉(zhuǎn)化，極大縮短了從實(shí)驗(yàn)到工業(yè)化的周期。

回顧從研發(fā)發(fā)現(xiàn)、實(shí)驗(yàn)驗(yàn)證到工業(yè)生產(chǎn)的三個(gè)環(huán)節(jié)，AI在每一個(gè)階段的提效都在重塑生物制造的生產(chǎn)力。在研發(fā)階段，它解放了科學(xué)家緊跟海量文獻(xiàn)的壓力；在實(shí)驗(yàn)階段，它替代了研究員在實(shí)驗(yàn)室長(zhǎng)年累月的體力消耗；在生產(chǎn)階段，它降低了工藝對(duì)專家經(jīng)驗(yàn)的過度依賴。通過這種全鏈路的賦能，我們正在實(shí)現(xiàn)專業(yè)經(jīng)驗(yàn)的去中心化，構(gòu)建一個(gè)更加高效、智能的科學(xué)研究與生產(chǎn)體系。

最后簡(jiǎn)單介紹一下我們津渡生科。我們是一家總部位于深圳南山區(qū)，目前累計(jì)融資近億元，是國(guó)家級(jí)“揭榜掛帥”入圍單位和深圳市高新技術(shù)企業(yè)。目前我們?cè)谏钲凇⑾愀?、北京、合肥均設(shè)有布局，并建立了約1000平方米的實(shí)驗(yàn)研發(fā)中心。我們的創(chuàng)始人團(tuán)隊(duì)為4位牛津大學(xué)的校友，背景涵蓋人工智能、生物工程等。我們致力于通過AI技術(shù)驅(qū)動(dòng)生物制造的未來，目前已在多個(gè)細(xì)分領(lǐng)域?qū)崿F(xiàn)了技術(shù)的私有化落地與應(yīng)用。今天的分享就到這里，謝謝大家。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁(yè)、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。