津渡生科邓司伟：「AI+生物制造」到底是什么？全链智能已经实现

AI正在重塑生物制造的工艺边界，为从“实验室研究”向“大规模工业化”跨越装上“数字引擎”。

作者丨岑峰

当前，生物制造已进入从“实验室研究”向“大规模工业化”跨越的关键期，而AI技术的深度介入，正在为这一进程装上“数字引擎”。

那么，全链路打通的“AI+生物制造”到底是什么？可以带来哪些突破性成果？普通生物制造类企业应该如何把握，加入AI升级大潮？

近期，“第四届合成生物学及生物制造大会”在深圳光明隆重召开。AI生物大模型引领者深圳津渡生物医学科技有限公司（以下简称“津渡生科”）受邀，其联合创始人兼首席技术官邓司伟做了题为《AI驱动的生物制造：构建从发现到生产的智能闭环》的主旨演讲。

邓司伟在报告中指出，生物智造的未来在于构建一个全链路的智能闭环，即将AI的能力渗透进科学发现、实验验证、工业生产三大阶段中，实现从研发大脑到自动化工厂的全链条智能化。

在最为核心的工业生产阶段，AI正在重塑生物制造的工艺边界。邓司伟以生物发酵为例，展示了AI如何通过处理在线与离线的多源异构数据，实现超越人类经验的生产管控。借助Transformer、Mamba等前沿架构，AI不仅能精准预测补料与放量时机，更能实现前瞻性的异常预警——在所有指标尚显“正常”时，提前洞察未来的风险波动。此外，通过强化学习驱动的工艺自进化，以及多模态数据驱动的种子成熟度判断，AI正将生产工艺从“依赖专家直觉”转向“数字驱动进化”。

邓司伟认为，“AI+生物制造”本质上是专业经验的去中心化过程。它不仅将科学家从繁琐的文献研读和实验室体力劳动中解放出来，更在工业端极大地降低了生产成本与技术壁垒。在全球AI for Science竞赛升温的背景下，这种全链路的智能赋能，无疑将成为中国生物制造走向高质量发展的核心竞争力。

以下为邓司伟在“第四届合成生物学及生物制造大会”上的演讲实录，限于篇幅，AI科技评论进行了不修改原意的编辑：

演讲主题：AI驱动的生物制造：构建从发现到生产的智能闭环

演讲者：津渡生科联合创始人兼CTO邓司伟

各位专家学者，大家好。我是邓司伟，津渡生科联合创始人兼CTO。非常高兴能在这里分享AI如何赋能生物智造。作为一名长期深耕计算生物学与多组学领域的科研工作者，我今天的报告将围绕生物智造的三个核心环节展开，即构建一个从研发发现到实验验证、再到工业生产的全流程智能闭环。在这一闭环中，AI不仅是研发端发现新事物的“科技大脑”，也是实验端优化设计的驱动力，更是工业生产中实现自动化工艺与智能化操作的“超级工程师”。

在生物智造的发现阶段，科研人员面临着两大核心挑战。首先是文献情报的爆炸式增长，海量的学术论文、专利以及企业内部信息使得传统的手工检索与研读日益低效；其次是算法模型的井喷，从DNA、RNA、蛋白质建模到代谢分析和发酵模拟，各种专业模型层出不穷，如何判断模型的适用性、如何部署复杂的计算环境，往往耗费了大量的时间。针对文献检索的挑战，目前行业内的主流解决方案是检索增强生成技术（RAG）。通过将公有知识与私有知识库向量化，构建起一个精准的知识映射，AI不仅能显著降低大模型的“幻觉”现象，提供带有准确引用（Reference）的检索结果，更能打破数据孤岛，实现团队内部私有知识的高效协作与共享。

除了精准的情报检索，如何高效利用海量的模型去解决具体的科学问题，则是研发发现的另一个难点。面对跨越分子、细胞到过程控制的各种模型，科研人员很难掌握每一个模型的参数细节与使用场景。这便引出了当前AI领域的前沿趋势——科学智能体（Scientific Agent）。正如日常生活中出现的通用智能体产品，科学智能体能够理解人类的自然语言提问，并在此基础上完成任务拆解。它会自动识别子任务，从工具箱中调用最匹配的AI模型，并汇总各模型的结果，得出最终结论。科学智能体的出现，让科研人员无需从头学习每一个复杂模型的部署与参数调控，通过最自然的语言交互即可驱动前沿算法，极大地降低了科研创新的学习门槛与技术壁垒。

当科学发现完成之后，随之而来的便是严谨的实验验证环节。这是一个从假设生成、实验设计、干湿实验执行到结果分析形成报告的动态循环。在这个过程中，AI的深度介入正在重塑实验设计的范式。传统的实验流程设计高度依赖人类的经验，但在记录实验细节时，人类往往会因为惯性或疏忽而遗漏一些看似微小实则关键的操作环节。相比之下，由AI驱动的实验设计能够通过标准化与精确化规避人为错误。

AI介入实验设计的价值在于它能构建起实验与研发的底层基座。无论是“干实验”层面的计算机模拟，还是需要进入实验室操作、配置各类组分的“湿实验”，AI都能通过自动检索内外知识库来辅助提出更具潜力的科学假设，并据此生成精确的实验流程。这种从机器逻辑出发的设计方案，不仅保证了实验的可追溯性与一致性，也为后续实验结果的自动化解读与报告生成奠定了坚实基础。

在实验执行层面，AI的引入极大地解决了科研中长期存在的“信息遗漏”与“可重复性弱”的痛点。人类研究员在记录实验时，往往能理解当下操作，但随着时间推移，微小的操作细节可能被遗忘，这种人为因素导致的信息流失是实验难以完美复现的主因。而AI能够完整地记录并转化实验步骤，通过将人类的自然语言指令精确重构为机器可读的操作代码，实现对硬件设备的智能化调度。

然而，在追求实验自动化的过程中，我们必须正视大模型的“幻觉”问题。实验科学是一门严谨的学科，哪怕是一个小数点、一个单位或者一个步骤顺序的错误，都会引发连锁反应，导致严重的实验事故。因此，在设计科学智能体时，不能仅仅追求其生成的方案“看起来合理”，而必须通过针对性的完善机制来破除幻觉。这包括对海量实验流程数据的精准采集、对步骤排序与逻辑纠错的深度强化设计，以及引入更高维度的专业指标对模型产出进行严苛评估。目前，我们的平台已经可以实现从真人自然语言输入，到自动生成思考路径与实验方案的全过程闭环。

在实验方案生成后，下一步便是通过自动化系统进行执行。这种软件与硬件一体化的打通，依托于物联网系统、各类分析仪器以及机械臂、传送带等硬件设施的协同调度。无论是国内还是国外的自动化实验供应商，都在致力于构建这种“无人实验室”或“黑灯实验室（Lights-out Lab）”，并配合数据分析智能体，实现实验结束后的自动化解读。

从全球视野来看，AI for Science已成为大国博弈的前沿。近期，美国提出了“创世纪计划（Science Genesis Project）”，吸引了谷歌、微软等科技巨头参与，旨在常规人工智能之外，对科学智能进行战略规划；随后欧洲、英国也相继发布政府报告跟进这一进程。在这一浪潮下，涌现出了如FutureHouse等典型的科学AI机构，其下设的研发力量正专注于将AI深度融入科学研究。

当视角转向生产制造环节，如何利用AI赋能生物制造的规模化产出，则体现为“AI设计工程师”角色的构建。以国内极具代表性的生物发酵工艺为例，生产过程中涉及两类核心数据：一类是由DCS系统和各类探头自动采集的在线检测数据，另一类则是需要从发酵罐中取样化验、通常存在两三小时滞后的离线数据。将这些具有天然时间序列属性的数据输入AI模型，是目前生物制造最契合的发展方向。

在模型架构的演进上，随着从早期的RNN、LSTM到如今Transformer架构的突破，以及Spectral、Mamba等更先进架构的应用，我们对发酵过程的预测精度得到了本质提升。这使得自动补料、自动放量、终点预测以及异常预测成为可能。值得注意的是，AI在异常预测方面表现出超越传统阈值判断的优越性：传统的检测系统仅能在指标超限时发出警报，而AI模型能够通过对复杂参数的预判，在所有当前指标均显示正常的情况下，提前预知未来可能发生的异常风险，从而实现真正意义上的生产智能化。

在生产环节中，除了前文提到的提前预警功能，AI还能在工艺优化方面发挥核心作用。这主要依托于强化学习框架中的“决策模型”与“评判模型”。这种逻辑在军事智能化和机器人领域应用极广，正如训练机器人完成行走或舞蹈等复杂动作，决策模型会在每一个时间节点根据系统输入的实时状态做出判断与操作。而评判模型的存在，则是为了衡量决策的优劣：如果该操作最终提升了效价或产量，系统就会获得“奖励”反馈；反之则给予“惩罚”。通过这种自动进化的闭环学习，AI能够驱动发酵工艺向着更高产、更稳定的方向进化。

针对发酵过程中的种子成熟度判断及转种时机选择，目前的领先方案是引入“多模态”架构。这意味着系统可以同时处理多种类型的数据，将发酵液的理化参数等时间序列数据与显微镜下的细胞形态照片进行耦合。在技术实现上，我们不再沿用传统的简单特征叠加，而是采用更先进的编码架构，分别对图片信息和序列信息进行深度特征提取与联合训练。这种多模态融合的方式，构成了我们智能化系统框架的核心，配合数据管理、可视化大屏和智能应用，真正实现了生产场景的闭环赋能。

在多肽发酵等典型场景中，诱导剂的加入时机与剂量直接决定了表达效率，通过AI对诱导工艺进行持续优化，可以显著提升信息的稳定性与生产效能。另一个具有代表性的突破是在拉曼光谱与近红外光谱的在线应用上。传统的做法是针对光谱数据制作复杂的标准曲线来解析物质成分，以此实现自动化连续发酵。而现在，可以利用AI直接对光谱图进行特征编码，让模型自动识别高维或抽象的特征，绕过繁琐的建模环节，实现更高程度的自动化。这不仅能降低生产和研发成本，更能在实验室阶段便实现精准转化，极大缩短了从实验到工业化的周期。

回顾从研发发现、实验验证到工业生产的三个环节，AI在每一个阶段的提效都在重塑生物制造的生产力。在研发阶段，它解放了科学家紧跟海量文献的压力；在实验阶段，它替代了研究员在实验室长年累月的体力消耗；在生产阶段，它降低了工艺对专家经验的过度依赖。通过这种全链路的赋能，我们正在实现专业经验的去中心化，构建一个更加高效、智能的科学研究与生产体系。

最后简单介绍一下我们津渡生科。我们是一家总部位于深圳南山区，目前累计融资近亿元，是国家级“揭榜挂帅”入围单位和深圳市高新技术企业。目前我们在深圳、香港、北京、合肥均设有布局，并建立了约1000平方米的实验研发中心。我们的创始人团队为4位牛津大学的校友，背景涵盖人工智能、生物工程等。我们致力于通过AI技术驱动生物制造的未来，目前已在多个细分领域实现了技术的私有化落地与应用。今天的分享就到这里，谢谢大家。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。