当 Anthropic 开始下场做生物

锦程在采访中给出了一个判断：这波 AI for Science 公司，大部分在下半场面临挑战。他过去做投资时，看过几乎所有叫得上名字的 AI for Bio 公司，也和大量 AI native 团队深度交流过。这波浪潮里真正做扎实技术的团队也不少，但行业对"什么是可持续的商业闭环"，整体还在摸索期。

"这些技术火很正常，也应该火。"这波 AI for Science 和几年前的合成生物学热潮有着相似的周期和规律，热潮褪去最终能跑出来的是少数，但每次都会沉淀下真正有价值的公司和技术。

在锦程的观察里，三年后行业大概会分化成几种活法。

一种是资金储备充足、方向判断准确、股东长期支持，熬过最艰难的两三年，把商业闭环真正跑成功。另一种是方向对但融资有限，主动收缩聚焦到一两个产品，成为扎实的工具公司，但商业估值不能脱离基本面。还有一种，是借势快速起量但商业模式还在验证中的团队，他们会在下半场面临真正的考验。

锦程的关注点不只在技术、方向和人才，更在经营。很多年轻团队在公司治理、商业战略方面的沉淀远不及对技术的重视，一级市场对此的态度已经在分化。这个判断背后，是他从商业价值链上拆出来的一个分析框架：

大多数 AI for Bio 团队扎在临床前，即蛋白质设计、分子对接、靶点预测。如果沿用既往范式，IND 之前的研发流程并不会因为 AI 发生变化。

聚焦做模型的公司会同质化，最终头部通吃。

再看价值分配。药物研发的外包盘子里，大约三分之二花在临床，临床前只占三分之一。"临床前你做的事情，跟最后的结果比只占一小部分，离最后的结果也比较远，所以药企敢交给外面的人做。"临床不一样，那是药企的重要护城河：花大量资金、长时间积累起来的数据资产，也承载着药企对一款药的价值主张。MNC 只会找模型公司合作，把 AI 当工具握在自己手里，不会扔给 AI 公司去做。药企在 AI 时代最重要的壁垒，依然是商业化和临床数据。

锦程举了一位药物学家的案例：他在研发过程最终定下来的 PCC 分子，和一次偶然吃饭时在餐巾纸上画出来的结构很接近，这源于这位药物学家自身对这个靶点和相关机理的深层次理解——但这种经验无法复用到别的领域。AI for Biology 真正稀缺的输入只有两个：实验，和对靶点、机制超出寻常的深刻理解。

新工具要进研发流程也并不容易：类器官技术推了很多年，但要扩散开来，需要监管体系和药企在方法学上的认可，目前全世界用类器官作为核心临床数据做 IND 申报的药物只有个位数。至于临床阶段，不需要特别复杂的 AI，但在算法和 medical insight 上要求极高。"临床试验的推动，往往科学和市场策略都需要兼顾。"这部分更需要懂市场的人。

蓝晶怎么在 AI+生物的浪潮中活下来？

答案听起来反常识。在一个人人讲模型驱动、讲预训练与后训练、讲 scaling 的行业里，蓝晶选择把所有筹码压在"现实物理层"上。

五年前，蓝晶搭了一套系统，从硬件到软件到高通量方法学，全部自研，当时负责开发的团队涉及约 20+ 个一级学科。五年后，这套系统把高通量的生物学实验与 AI 智能体整合之后有了一个新的名字，SynBioMARS（合成生物多智能体与自动化研发系统），浩千期待它成为生物学与 AI 之间的"现实物理层"。

"我不觉得把现实物理层做得 heavy 一些在 AI 时代会是负担，"浩千说，"反而它会越来越有价值。"确实，很难想象一个大模型公司会自己搞个工厂，会去搞明白怎么用机器人高通量地养真菌、养细菌、养动物细胞、养植物细胞、养虫子。"所有这些 heavy 的东西，被 AI 重新定价之后，其实反而更值钱。"

AI 时代的商业护城河应该怎么构建？大家的看法众说纷纭；但显然，有批量生产高质量数据的能力、能够与 AI 大模型互相增益，应该是构建护城河的路径之一。

蓝晶自己怎么用 AI？浩千表示基模已经足够强了，推理能力、世界知识都很厉害，"但如果基模拥有了跟现实世界互动、进行假说验证的能力，真实世界的反馈对模型能力的提升会非常强。"

这正是蓝晶的切入点。Synbio MARS 现在有多个智能体协同：BioHub 负责文献阅读、假设生成和方案生成，方案传给 AutoBuild 和 AutoFarm 两套自动化系统执行构建筛选与发酵测试，数据回流到研发记忆基座 BlueMatrix 做本体抽象，再修正假说进入下一轮。

这套系统的转速有硬指标：Synbio MARS 每月完成上万次设计假说的验证，相当于传统实验室 2-3 年的工作量。张浩千把功劳归给数据：Synbio MARS 的推理底座测试过 DeepSeek、Kimi、GLM、MiniMax，结果显示基模的能力已经够用于大多数问题了，核心是真实世界数据够不够高质量，人的干涉越少越好，最好端到端、本体到本体。

这套闭环最有说服力的证据，是一个作物科学的例子。

国内粮油作物和果蔬生产都严重遭受一种叫茶黄蓟马的害虫影响，而茶黄蓟马非常难养，因此实验室大规模筛选无法进行，行业一直缺少理想的解决方案。蓝晶用 Synbio MARS 构建出一个"抽象中间层"的思路：烟粉虱和蓟马在分类学上是亲戚，对烟粉虱有活性的多肽农药，大概率对蓟马也有活性。蓝晶就在实验室的 96 孔板里养烟粉虱幼虫，设计不同多肽，观察哪个孔里的幼虫不再活跃。基于这个中间层，AI 设计的多肽结构可以快速被实验验证，假设验证 3 到 4 次就收敛。原来要筛几十轮、好几年的活，现在半年内就能做完。

这套能力指向蓝晶更大的一套打法：集群式研发。现在只要画得出来，90% 的分子不计成本都能合成出来。蓝晶要做的是把世界上那些机理清晰、却没能工业化造出来的分子都做出来，50 个、60 个一起出，而且直接把成本做到工业化可及。

这套逻辑已经跑在 T6P 上。这个被称为"植物胰岛素"的分子，学术界追踪了二十年，科研级试剂曾卖到千元每克，成本高，没有商业竞争力。蓝晶用黑灯实验室把成本降低了三个数量级，让它具备了进入大田的经济可行性。目前 T6P 已在全国 25 个省市验证推广。

功能消费方向也跑出了样本。蓝晶用 Synbio MARS 从超过一万株初始菌株里筛出候选乳酸菌，最终锁定植物乳杆菌 DT88。与兰州大学公共卫生学院合作的随机双盲试验中，受试者粪便微塑料总排出变化量达到安慰剂组的 3.4 倍，成果今年发表在《Frontiers in Microbiology》。从一万株菌到一份临床批件，中间没有一步靠模型凭空生成。

讲完这些，两位嘉宾没有回避行业不确定性带来的压力。

浩千承认，蓝晶搭了"比较好的 AI 原生基础设施"，但在 AI 时代怎么定位自己，"这件事我们花了很多时间去想，也值得花更多时间。"他知道头部科技公司会往下做生物医药的自动化数据；他也知道产业链上总会有 know-how 流动。"技术不是永恒，关键是最终往哪里扎根。"

新一批 AI native 创业公司走了完全不同的路：平台免费，把用户生成的数据蒸馏模型，再把数据包卖出去。这种模式蓝晶想过，也有模型公司来找过他们。但数据公司在整个药物研发产业链里的价值分配逻辑如何演化、商业护城河怎么建立，需要严肃地想清楚。

锦程把蓝晶的焦虑总结为三层：增长、护城河、泛化。第一，企业营收什么时候能迈入下一个量级；第二，AI 能力怎么真正转化成 revenue，而不只是内部提效工具；第三，怎么把这套能力延伸到相邻领域，比如医药。

前两层靠"从生成到生产"的全链条回答，第三层，他们还在找答案。他们给自己开的药方，出人意料地朴素：带着 AI 往真实世界扎根，最终输出产品。

"我们可以阶段性地把数据能力开放出去，但最终一定要输出能在现实世界实现商业闭环的产品。"浩千说，"我们离真实世界的生产和商业越近，被技术周期波动影响的幅度就越小。"

如果基模真的读懂了生物学语言，会害怕吗？

锦程说。到那时，只靠"模型读得懂生物学"这一个卖点的公司，故事就讲不下去了，行业会迎来一轮价值重估。

蓝晶要做的，第一是参与进去；第二是认清楚，护城河来自批量产生数据的能力——要把资金和资源投入到可以建立护城河的地方。

浩千的答案更像一句自我勉励：不用跟基模比模型，基模越强，像蓝晶这种已经跑通闭环的团队，越能吃到技术红利。"对我们来说，AI 继续发展是助力，不是冲击。"

AI for Science 走到下半场，实验室、工厂、高通量方法学、十年攒下的行业 know-how——这些在 AI 爆发前夜看起来笨重的东西，正在被重新认识。当所有人都在给模型喂数据的时候，能批量产生真实世界数据的人，手里握着定价权。

这是蓝晶微生物的选择，也是它留给同行的问题：当基模越来越强，你手里还有什么是真正属于自己的？

（注：部分内容可能由 AI 生成）