AI4S不缺故事，缺的是如何创造真实的商业价值 | Linear Voice
“发现”很多时候不是最难的部分。
当AI for Science从概念逐渐走向落地，"产业能力"已成为整个行业不可回避的考验尺度。所有的科学问题最终都要回到真实世界里被验证——要进入发酵罐、进入工厂、进入供应链、进入客户的生产流程。
但其中的核心问题是，AI4S的商业化路径究竟长什么样？ 从第一个实验室结果，到第一笔持续复购的订单，这中间需要跨越哪些真实的障碍，又需要做出哪些取舍？
近期，在世界人工智能大会Future Tech联合线性资本、上海交大工研院主办的活动中，线性资本合伙人曾颖哲，与线性被投企业贻如生物创始人苏睿、深度原理COO张露阳等分享了他们如何用AI压缩试错成本、积累数据飞轮、在真实产业场景中找到AI4S领域的商业立足点。
过去很长一段时间里，人们讨论AI4S，更多是在讨论它能否"发现新东西"。 比如AlphaFold预测蛋白结构，比如大模型筛选新材料，再比如用AI找到一种此前从未被注意到的分子组合。
但对于真正做产业的人来说，"发现"很多时候不是最难的部分。
真正的困难还有：一个分子被发现之后，如何稳定地在20吨级发酵罐里量产？一项实验室里的结果，又如何跨越工艺、设备与真实场景中的约束，最终变成客户愿意持续买单的产品？
在生物制造领域，这种复杂性尤其明显。今天，AI已经可以在分子层面做大量预测，但当一个菌株真正进入工业发酵体系后，变量会急剧膨胀：压差、溶氧、流加速度、搅拌桨设计，甚至一些难以完全解释的微观变化，都可能导致整个发酵过程失败。
过去，这些问题高度依赖经验工程师的"手感"与长期试错。而今天，AI4S开始改变这一部分。
当对AI for Science的考验，从"模型能力"扩大到"产业能力"，那些科学问题最终都要回到真实世界里被验证——要进入发酵罐、进入工厂、进入供应链、进入客户的生产流程。一个核心问题是，AI4S的商业化路径究竟长什么样？从第一个实验室结果，到第一笔持续复购的订单，这中间需要跨越哪些真实的障碍，又需要做出哪些取舍？
而在这个过程中，**中国完整的制造体系、工业场景与工程化能力，也正在成为全球AI4S竞争中一个越来越重要、也越来越难被复制的优势。**以下是这场对话的部分精彩内容：
苏睿@贻如生物
贻如生物成立于2021年，是一家生物制造企业，主要用微生物生产弹性体材料。我们最早创业的时候，AI相关的概念还没有那么多，但因为我们本身在做生物制造，自从ChatGPT出现之后，也在逐渐探索如何在传统行业中用AI进行全流程赋能。
今天主要分享的，是我们对AI的一些理解，以及在生产制造领域、尤其是从实验室扩大到工厂规模这个环节中，弯道超车的一些机会与探索。
发酵放大在合成生物学中是一个公认的极高难点，像AlphaFold这类工具，解决的更多是分子层面的问题。因为DNA本身就是一种语言，翻译成蛋白质后，后面整个过程依然属于语言系统。这在行业内其实是相对容易的。但是在生物制造领域，情况就完全不同了。
在生物制造中，最难的事情从来不是发现某一个值钱的产物。 比如我们目前关注的选品，后备库里可能已经有60多种，涵盖各种材料和分子，它们都很值得做。但最核心的痛点，在于如何将其真正做到工业化的规模。
举个简单的案例，我们从最初的生物弹性凝聚分子开始，一直做到最终20吨级发酵罐的量产，整整用了将近四年的时间。这中间我们放弃过无数种方案。
这里面最大的问题在于：**生物本身就是一个高度复杂的"玄学题"。**我们经常调侃说，今天可能因为"没拜某一个神"，发酵池就宣告失败。因为它的变量太多了，你永远无法预知生物体在10^12到10^13这种极高密度下，到底会发生怎样的连锁反应。
用现有的技术手段，比如控制pH值、溶氧或精细化控制流加等，虽然可以解决一部分问题，但当规模扩大到20吨以上的发酵罐时，就会出现更高维度的挑战。
一个经典的案例是，酵母可能承受不了液位的压差，或者搅拌桨的设计导致线速度过大，直接把细胞或细菌"打死"了。
过去解决这些问题，纯粹依靠传统工程师的经验和直觉，他们就像"老法师"一样去控制里面的工业细节，这是无法通过现有的普通模型去模拟的。
为此，我们开发了一套针对特定菌株的系统，能够模拟从5升研发规模一直到20吨最大工业规模的发酵表现。 我们通过各种算法进行复合建模，因为AI中的Agent具备极强的自主性，它可以自己写出上百个数学模型复合在里面。通过这种建模，系统最终会形成一种近似可预测的规律。
所以我们认为，利用AI来挖掘并加速发酵放大规模的规律，是非常有意义的。
再举个简单的例子，以前我们要做20吨规模的放大，可能要连续试错7到8批才能摸索出规律。在工业级发酵中，做一批实验的试错成本是非常高昂的。
但如果引入AI，我们可以在200升的微小体系上进行模拟。做一次实验可能只要几千块钱，却能模拟出大体系的过程，从而精准指导我们未来的实际发酵生产。这是第一个部分，也就是通过真实的降本增效来提高研发效率。
第二个逻辑在于，它会形成一个新的生物企业商业闭环。**我们一直在思考，**未来AI企业真正值钱的资产在哪里？我们认为是在于垂直工业场景的数据。
现在我们每次完成发酵后，系统内置的自适应模块就会把新产生的数据输入进去，让模型持续学习。随着数据的积累，模型的预测就会越来越稳定。在生物这种高度复杂的领域，这种特定场景的AI加持具有极高的商业价值，能够实打实地赋能很多应用场景。
张露阳@深度原理
深度原理成立于2024年，主要通过Deep Learning结合第一性原理计算来解锁新材料和科学发现。在成为深度原理COO前，我也曾在地平线工作。
我自己是学半导体出身，在这个领域有摩尔定律。摩尔定律意味着算力的增速是非常快的。但是反观药物和材料的发现，其研发效率却越来越低。
我们当时就发现，这里面其实蕴含着一个很好的机会：可以用一个呈指数增长的算力，去弥补一个研发效率正在日益降低的行业。
所以我们从一开始就瞄准了这个方向。对于材料而言，整个化学空间有10^60种不同的可能排列，导致它的数据其实非常稀疏，想直接用一个大模型解决所有问题是不现实的。因此我们坚定地认为，做的事情一定要能落地、能解决具体问题。
基于这个思路，我们做了两个产品：一个叫Agent Mira™ ，一个叫SciClaw，分别面向不同的用户。Agent Mira™ 更多面向企业端；SciClaw则面向专业个人用户，帮助个人提升科研操作效率。
在过去的两年时间里，我们已经积累了很多客户。他们在AI算力基础、新能源、美妆研发等方向，都通过我们的产品（包括Agent和特定模型）做出了非常多的成果。
同时，我们也基本上跑通了商业闭环。最开始，我们可能只是帮客户解决某一个具体的小问题，属于项目服务模式；现在，我们已经逐渐转向了面向企业的部署订阅模式，以及潜在的、基于工具做出成果后的价值信任合作模式。所以在这两年里公司的商业化进展还是非常顺利的。
整个过程就是前沿研究、技术开发与商业化的不断迭代。
苏睿@贻如生物
其实这和刚才讲的AI也是嵌套在一起的。商业上有两种路径：一种是卖服务，比如早期一些AI生物公司以服务为主；另一种是卖产品，我们一直觉得还是要卖产品，因为如果一个东西真的有价值，做完整的商业闭环更重要。
但我们在这个过程中发现了一个最大的问题：涉及的工业环节太多了。从生物培养、基因改造，到发酵参数确定，到工业化规模放大，再到后道的皮革制成品，包括注塑、吹塑等工艺，复杂度极高。
所以我们选择降低复杂度，核心逻辑就是：皮革制造工艺那部分我们不管，别人爱怎么做怎么做，我们就专注做原料。
今天来看，这一步发挥了巨大作用。最近订单暴涨，有一个很重要的原因是由于地缘局势影响，中国台湾、日本等地原油供应出现问题，大量塑料制品，特别是作为替代品的高档橡胶弹性体，价格飙涨。更严峻的是断供，不是贵的问题，是根本买不到。
在这个背景下，我们做成原料之后，反而能非常顺畅地切入市场，直接供应给中国台湾、日本客户，拿过去就可以生产。聚焦度更高，供应灵活性也更强。
说回AI的商业化逻辑，我们现在其实也在考虑两条路。一条是把AI能力用在企业内部，持续挖掘新的东西。比如我们研发主管最近用AI挖出了一个新的分子代谢通路，非常有价值。但我们现在弹性体这块市场还没有做到上限，所以当前不适合立刻投入。
那我们是否可以把整个"工艺包"打包，把管线卖给其他公司？但卖给谁是个问题，因为国内生物制造领域能接盘的玩家并不多。
换个角度想，**生物制造有没有可能走成类似新药的商业模式，把工艺包作为资产来授权转让？**这是我目前还在探索和思考的方向。
张露阳@深度原理
我觉得我们的想法从一开始就很简单，就是不停地跑，不停地触达真实问题，遇到问题解决问题，不过多纠结于过程本身。
我们公司定了两个方向：**第一，解锁新材料；第二，解锁的材料必须能工业化。**同时我们的技术路线也是基于机器学习，本身在早期筛选阶段就考虑了后续工业放大的可能性，这个基调和我们想解决的问题是匹配的。
在服务不同客户的过程中，我们也意识到，面对不同阶段的客户，他们有不同的需求，有人需要一个结果，有人需要一个"铲子"。
我们当时也犹豫过，我们到底是一家"铲子"公司，还是一家卖材料管线的公司？最后我们决定不按部就班地按照传统的产研分工来限制自己。只要能解决客户在不同阶段的具体问题，那就是好的商业模式。
因此，深度原理现在是一家"既自己做产品研发，同时也在某些特定领域自己做材料配方"的公司。
这两个业务之间形成了正向循环，如果自己做出来的平台连自己都不愿意用，那说明产品不行；如果用自己的平台做出了好的材料结果，那自然证明产品是好的。在这种模式下，我们形成了很强的动量。
我们的方法是先设立一个大目标，同时用持续的小目标作为信号，不断做选择和校正。
苏睿@贻如生物
我们从校园创业开始已经5年了，已经完成了一个相对完整的产业闭环，有收入、有订单也有规模，并且还在持续增长。这是第一个产品带来的基础。
AI对我们而言，是在中国制造业基础之上持续优化叠加的。这也解释了为什么美国那么多公司做生物基皮革、生物基弹性体都没有做成，最终还是要由我们这些中国企业来吃掉这个市场，拼的根本还是工业化基础。
所以我认为，长远来看，中国AI for Science最有价值的场景，一定在中国最强的工业垂直领域。
比如我们所在的发酵领域，中国占全球产能约70%；皮革产量占全球接近80%。在这两个强势领域里，AI4S有极大空间去进一步拉大与其他地区的差距。中国有非常好的土壤，这是毋庸置疑的。
第二点，回应之前提到的周期问题：我创业这些年，当时还流行元宇宙和Web3，现在回头来看，很多事情都变了。
我跟我们的投资人一直说，别急。因为跟其他公司相比，我们最大的优势在于：第一个产品已经在跑了，第二个产品可以慢慢抗周期地去推进。在中国创业，大部分行业估值翻番的速度可能没有硅谷那么极致，反而能让你沉下来，找真实场景、真实需求，创造真实价值。
最后大家都要回答同一个问题：**如何创造真实的商业价值？**这是底层逻辑。
所以我们始终在问团队几个问题：AI到底提高了多少效率？到底发现了什么新的东西？价值评估到底怎么做？这是我们持续探讨的事情。
张露阳@深度原理
我从两个层面来说，我一直觉得做事要知行合一。
**第一，**人最重要。中国有最好的科学家和最好的工程师。我个人在美国工作了很长时间，有一天我想清楚了：干嘛待在一个不那么欢迎我们的地方，工作也不开心。回到中国，工作起来反而非常开心。人开心了，事情会做得更好。
第二，更重要的是，AI4S在中国能够形成闭环。这不是说"有企业会买你的东西"这么简单。
举个例子，假设我们做一个冷却液配方，当然可以通过机器学习筛选，定好规格就开始做。但我们的起点不是这样。除了实验室端，我们还会把这个规格的东西放到一系列服务器仿真里跑完，同时和我们的下游伙伴，包括数据中心、芯片公司一起协作，在做之前就能拿到最终应用场景的规划数据。
这就使得我们做出来的配方，从诞生之初就是一个集"科学配方最优解、终端应用最优解、工艺放大最优解"于一体的共优化结果。
**从这个角度看，中国具备最完整的数据生态。**在美国，你根本拿不到这套东西，美国可能还要把东西送到中国来验证。这不只是商业上的资源，而是一套从科学到工程技术的完整体系优势。
