恩和科技朱洁：物理AI驱动的生物制造，如何构建竞争壁垒

作者：MD

出品：明亮公司

8月4日，第二十届沙利文全球增长、科创与领导力峰会暨第五届新投资大会在上海开幕。大会期间，「明亮公司」与恩和科技副总裁朱洁博士进行了一次交流。

今年3月，恩和生物（ Bota ）中文简称更名为“恩和科技”。恩和科技的定位是一家Physical AI（物理AI）驱动的生物制造公司，致力于将生物技术打造为可靠、可规模化的工业生产力引擎，通过整合人工智能、合成生物学与工业化的端到端能力，Bota开启了生物制造研发与生产的新范式。

据介绍，恩和科技过去几年搭建了高通量、全流程数字化生物铸造厂Cell2Cloud，并发布全球首个面向生物制造的Physical AI平台SAION AI，成功打通从AI设计、自动化实验、中试放大到产业化生产的闭环。在恩和看来，只有AI真正进入真实的物理世界参与执行，才能形成可不断学习和迭代的生物制造体系。

恩和科技的股东阵容中包含红杉中国，经纬中国、源码资本、五源资本、夏尔巴投资、招银国际资本、美团及百度风投。

商业化方面，公司业务聚焦食品、营养和个人护理等领域。已与新和成、伊利、珀莱雅、巴斯夫、世索科等企业展开合作，并推动多个产品产业化落地。

在交流中，朱洁进一步阐述了公司在“物理AI驱动”和数据层面的竞争壁垒：生物制造中的AI不是停留在“屏幕上的模型”，而是要进入真实实验和真实生产，在数据端，真正稀缺的不是泛化数据，而是从实验室、小试、中试到规模化生产的端到端工业数据以及这些数据在持续迭代中形成的交付能力。如果说AI4S第一阶段解决的是能否提出更好的科学假设，下一阶段要解决的，就是能否在真实实验和工业生产中验证、放大并完成交付。

朱洁（来源：沙利文）

物理AI驱动的生物制造：从实验到生产的闭环是壁垒

朱洁表示，恩和科技自成立起持续建设数字化生物铸造厂，并于2022年开始系统布局AI，逐步形成面向生物制造的Physical AI体系。2023年以来大模型和AI4Science快速发展，使此前搭建的系统能力被进一步释放。她认为，生物制造的Physical AI与通用AI的差异在于，后者更多发生在虚拟世界，而Physical AI必须与真实世界产生交互。真实实验、真实工厂以及真实市场反馈，都会成为AI持续学习的数据来源。

在恩和的物理AI驱动体系中，SAION AI主要承担前端认知和实验设计功能；Biology Protocol Language（BPL），即生物标准协议语言，则作为连接AI与真实实验世界的桥梁，把AI生成的实验方案转化为实验室可执行的协议，并将SAION AI的指令下达给Cell2Cloud生物铸造厂来进行实验执行、菌株构建、发酵优化和工艺开发。实验和生产结果再反馈给前端系统，形成Design-Build-Test-Learn闭环。

来源：恩和科技

这也是朱洁所说的壁垒来源。

自研通用大模型并不是恩和科技的目标，“大模型迭代速度非常快”，朱洁表示，公司更关注的是如何把大模型能力放到生物制造场景中做深、做专。

换言之，恩和科技竞争壁垒体现在具体的研发、实验、生产放量全链条中，把模型、实验、设备、生产和产业数据连接起来，并在真实项目中持续迭代。随着更多产品完成产业化、更多生产数据回流，SAION AI的能力也会不断增强，形成数据、模型和产业交付相互强化的正向循环。

朱洁告诉「明亮公司」，生物制造项目迭代周期在SAION AI的赋能下正在缩短。过去一个项目从研发到产业化可能需要6到8年，现在部分项目的交付周期已经被压缩至6到12个月。

整体来看，对于追求极致效率的生物制造产业而言，SAION AI 试图解决的是从研发到生产之间的确定性问题。通过与 Cell2Cloud 生物铸造厂的连接，恩和科技正在构建一个由 AI 深度参与的工业体系。

合成制造的中美差异：美国技术起步早，中国更靠近应用端

围绕中美之间生物制造的核心差异，朱洁对「明亮公司」表示，美国合成生物学和相关平台公司起步更早，包括Amyris、Ginkgo等企业都在较早阶段建立了技术平台。部分美国平台型企业在连接技术、制造和商业场景时面临挑战，技术与应用端、制造端之间存在距离，很多公司长期卡在产业化放大和商业落地环节。

在她看来，生物制造并不是只有实验室研发能力就可以完成。菌株、路径设计、发酵优化只是前半段，后半段还涉及放大、设备、下游纯化、成本控制、质量稳定性和供应链配套。中国在这些环节的产业基础更完整，生产制造链条更成熟，这也是为什么中国在全球生物制造产能中占据重要位置。

朱洁认为，中美资本市场对生物制造的认知差异，本质上来自产业场景的差异。哪里离应用更近，哪里更容易创造价值，资本也更容易理解其价值。美国拥有较早的技术叙事，但中国拥有更密集的制造场景、更完整的供应链和更快的产业反馈速度。

她还提到，当前东南亚等地建设相关产能时，很多设备和产业链配套仍需要从中国采购。这意味着中国不仅具备成本优势，也具备工程化和放大能力的系统优势。对于Physical AI而言，这一点尤其关键：AI需要真实世界数据进行训练和反馈，而制造场景越丰富，数据闭环越容易形成。而大规模工业生产本身就是Physical AI最重要的数据来源，而高质量，可持续性的数据作为未来行业竞争的重要基础设施已经成为行业共识。

因此，恩和科技的判断是，生物制造未来不会只是“模型竞争”或“菌株竞争”，而是产业交付能力的竞争，谁能够持续将AI、实验室、工厂和市场连接起来，谁就能够持续积累别人难以复制的数据资产和工程经验。中国市场为Physical AI提供了更充足的真实场景，也为生物制造从研发平台走向工业生产提供了基础。

商业化与产能：先验证，再扩产

在商业化层面，朱洁强调，恩和科技并不把自己定义为“类CRO”或单纯原料供应商，而是与客户共同定义产品、提供解决方案。

目前，恩和科技重点布局个人护理、营养和食品三个垂直方向，不涉及API或药物中间体。而从选品逻辑看，公司主要看三个交集：市场是否需要、恩和科技是否具备技术壁垒、商业上是否值得做。

以与巴斯夫合作的SkinNexus Collag3n为例，III型胶原蛋白并非全新概念，但恩和科技在前期通过AI筛选了2000多个序列，并同步考虑功效、表达效率、发酵稳定性和工业化可行性。巴斯夫则进行了严格的功效验证和市场端判断。朱洁表示，这类合作不是客户给出一个明确序列后由恩和科技执行，而是双方共同定义产品，再由恩和科技完成研发和生产落地，客户负责市场推广和配方应用。

除巴斯夫外，恩和科技也与伊利、珀莱雅等企业在不同应用场景中合作。朱洁将合作方大致分为两类：一类是原料类企业，更重视供应链、共同创新和长期稳定供应；另一类是品牌类企业，更关注终端产品差异化。不同合作对应不同IP安排和商业条款。

产能方面，恩和科技已经布局两座工厂，其中，山东基地强调灵活性，适合新产品早期放大和市场爬坡；鄂尔多斯基地规模更大，规划用于市场验证后的进一步放量。据朱洁透露，目前山东工厂已成长为国家高新技术企业、山东省瞪羚企业。鄂尔多斯工厂投产后将承担包括丙酸钙等产品的规模化生产任务，并有望形成较大单体产能。

朱洁也回应了行业对合成生物公司集中建厂、产能过剩的担忧。她认为，产能过剩是行业发展中可能出现的阶段性现象，恩和科技从不盲目投产，公司建设产能更多是客户驱动，而非资本驱动：海外合成生物学企业过去二十年反复证明，实验室成果到工业放大之间存在断点，客户真正需要的是可交付的产品，而不是停留在paper或样品阶段的技术。

因此，恩和科技的产能策略并不是一次性押注大规模产线，而是通过山东和鄂尔多斯不同尺度的产能形成梯度验证，先以灵活产能服务早期需求，再根据市场反馈决定是否进入大规模生产。

“因为你永远不知道市场上面的反应会是什么样子。推出产品，你需要产市场的一个验证的基础上再做进一步的产能扩增。有很多初创企业在对市场的信心太足了，在基础上盲目投产，反而会把自己的现金流困住。”朱洁说。

对恩和科技而言，如果站在AI视角来看，工厂和产能的不断放量，也是物理AI闭环的一部分，正如前文提到的，只有进入真实生产，AI和数据才能继续迭代，生物制造也才能从技术验证走向更好的交付。未来生物制造的竞争，将不再是谁拥有更大的模型，而是谁能够持续把AI、真实实验、工业生产和市场需求连接起来，让每一次交付都成为下一次迭代与创新的起点。