出品｜虎嗅科技组
作者｜陈伊凡
播客整理｜刘煊琦
编辑｜苗正卿
头图｜AI生成
“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「66」篇文章，点击这段文字或扫描二维码收听“虎嗅AI 100”完整播客内容。
人类发明了塑料，却花了几十年的时间解决塑料带来的问题。
一份针对新生儿的检测报告显示，尚未出生的胎儿体内已经能检测到微塑料。这类比头发丝还细的塑料碎屑，会间接影响人体免疫系统的运作。而它们的来源，只是过去二十年里被制造出来又找不到归宿的塑料垃圾。
2000年，全球塑料年产量是2.34亿吨；到2019年，这个数字涨到4.6亿吨，同年产生的3.53亿吨塑料废弃物里，只有9%被真正回收。剩下的91%，大量未被焚烧与填埋的部分正在变成越来越细的碎片，重新进入食物链。
这不是一个新问题。
过去几十年里，行业先后试过把传统塑料混入新料回收、研发能在自然环境中自行降解的生物材料，但这些路径都没能从根源上解决问题，只要塑料持续被制造、被丢弃，微塑料就会持续产生。最理想的解法是把塑料变成一个闭环：用完之后能被拆解、还原、重新制造，而不是被填埋或焚烧。
这条路径此前一直卡在同一个地方：能做到闭环的技术，做不到便宜；便宜的技术，做不到闭环。
2019年，加州伯克利大学的一个联合团队开始尝试打开这个僵局。项目由杰·基斯林（Jay Keasling）院士领衔，同时集合了来自加州大学伯克利分校的合成生物学、材料学、计算化学、技术经济学四个实验室团队——这本身就不常见，大部分高校科研项目只专注单一学科的突破。
基斯林是国际合成生物学的先驱之一：他创办过Amyris、LS9、Lygos等多家公司，主导过青蒿素的微生物合成量产——这项技术后来把抗疟疾药物的成本压到发展中国家可以负担的水平，是这个学科最常被引用的商业化范例之一，他名下还有十几家初创公司，也担任多家公司顾问。
AI for Science这几年备受关注，一个重要原因是它有望让科研积累产生“复利“：实验数据帮助模型做出更准确的预测，预测又指引下一轮该做哪个实验，新实验跑出的数据反过来继续改善模型。这个循环一旦转起来，一次实验的价值就不会停留在当下，会延伸进此后许多轮研发。但要转起这个循环，前提是持续获得高质量、标准化、可追溯的的真实实验数据——而这类数据大多攥在全球屈指可数的几个实验室里，这意味着同一件AI for Science的事，往往只有那几个特定的实验室有资格去做。在合成生物学领域，基斯林的实验室就是这样一个角色。
更值得注意的是，早在2019年，也就是生成式AI被大众认识的三年前，基斯林团队就已经在生物制造里引入计算预测来加速材料研发的闭环，这个判断后来被证明是行业共识的先声。
王子龙是这个项目的总负责人和近期刊登于《自然·生物技术》论文的第一作者，当时是基斯林的博士后。解法从一种“可编程合成酶”开始：这类酶原本用于生产抗生素，能做到传统化学合成做不到的分子精确控制，业内一直知道它能产生不同的新型小分子结构，却始终无法工业化量产——过去二十年里，包括Amyris在内的多家公司都尝试过用它做大宗商品级生产，全部卡在产量太低这一个瓶颈上，做抗生素这种高价值、低产量产品没问题，一旦要规模化、要控制成本，就跑不动。
2021到2022年间，已经有不少投资机构主动到伯克利找王子龙，但真正的融资从2024年下半年才正式启动。
赋澈把这个产量瓶颈往前推了几个数量级——从基斯林实验室里的克级每升，到公司成立一年多之后达到规模化量产的前提条件，之所以把自己定义为“AI for Science平台”，而非一家合成生物公司，王子龙的解释是，他们发表在《自然·生物技术》上的研究，生物制造、计算预测建模、成本与碳排放优化、材料性能验证各占四分之一——从设计到生产到验证的完整闭环，天然具备平台属性，而不只是一家做单一产品的塑料公司。
论文发表后，已有不少客户主动找来。一些企业长期测试各类生物材料，却始终找不到适合自身应用的产品，这项研究为它们提供了新的选项。
不过，研究成果与工业化之间的距离需要逐步缩小：论文中的材料性能验证采用了化学合成的单体，这些结果支持平台的技术可行性，大规模生物制造仍需进一步验证。
时机的判断，王子龙给出的理由分别指向需求、政策和技术，但需求和政策这两层此前很多年里都已经存在，真正新的变量出现在技术端：可编程合成酶的产量，终于追上了工业化门槛所需要的数量级——这是过去二十年里，众多公司始终没能跨过的坎。三层条件叠加出现在同一个时间点，才是现在和过去二十年真正的区别。
AI在其中承担的角色相当具体：脱胎于《自然·生物技术》上的研究，赋澈拥有的是自己的、聚焦单一场景的小模型，目前团队投入研发的分子，100%来自AI的性能预测，不再靠随机试错。王子龙提到一个具体的转折：团队最初以为可编程合成酶产出的小分子结构变化，不会显著影响材料性能。
计算模型的预测结果推翻了这个假设。这也是“数据飞轮”这个说法的由来：赋澈的核心资产并不是某一个分子，是持续生成高质量、可迭代数据的平台化能力，AI在这里把原本靠运气的试错，变成有方向的必然。
至于合成生物学这个领域接下来的走向，基斯林教给王子龙的判断可以概括为两句话：要选有真实商业价值驱动的产品，否则公司长不大；同时要具备平台化能力，否则很容易被局限在单一产品里走不远。行业里技术没问题、最终却做不成的公司，大多不是死在技术上，而是死在资金和资源分配的优先级上。
在王子龙自己的观察里，这个领域下一步的分水岭在于数据本身——真实实验数据的稀缺，是当前几乎所有AI for Science项目共同面对的瓶颈，这类数据的积累会经历一个先慢后快的过程，大概三到五年后会出现一次拐点。
这也是赋澈生物试图把一项科研成果延伸为一家公司的原因。它要解决的是如何从分子设计开始，同时考虑材料的制造、使用和再生。
在发表于《自然·生物技术》的研究中，创始团队把计算筛选、可编程合成酶制造、聚合物性能验证、解聚条件预测以及技术经济分析连接在同一框架中，对这套平台进行了系统性验证。
赋澈正在此基础上建立两个相互连接的闭环：一是让目标材料在使用后拆回单体并重新制造；二是将分子设计、发酵生产、材料性能和解聚实验产生的数据逐步用于模型训练，指导下一轮候选材料设计。
以下为虎嗅精选的访谈，经过不改变原意的编辑：
起源：基斯林实验室和一个“没人认为能做成”的酶
虎嗅：用最简单通俗的话说，赋澈生物在做什么，解决了什么问题？
王子龙：赋澈生物是在教导微生物制造一组可以被设计出来的小分子，再将这些小分子做成高性能的材料。这类材料在完成使用使命后，能在低成本条件下被拆分为原始分子重新制造，回收过程中性能不会下降，无需焚烧处理，可实现长期循环再利用。
虎嗅：在伯克利工作期间，基斯林教授给您留下最深的印象是什么？
王子龙：基斯林教授是国际合成生物学先驱，生物制造领域的从业者大多了解他的工作，他一直用管理公司的方式管理实验室，博士和博士后每个月只有45分钟和他单独开会的时间，这让我学会了在有限时间内统筹处理技术、商业、宣传等多维度事务的能力。创业初期他给我分享的最重要经验是一定要找好合伙人，没有合适的合伙人宁可不找。我很幸运，我们公司的CTO就是之前和我在他实验室一起做生物塑料开发项目的博士后，我们共事了四五年，有深厚的互信基础，搭配非常顺畅。
商业化：从实验室，到跨过“死亡谷”
虎嗅：这套“可编程合成酶”是什么时候被发现的？为什么过去一直没有被大规模工业化？
王子龙：可编程合成酶属于聚酮合酶的一种，这类酶在自然界被发现已超过20年，原本用于生产抗生素，它可以完成非常复杂且精确的合成，可保证只产出单一物质，对下游纯化有很大便利性，还能实现传统化学合成很难做到的分子手性控制、分子取代基控制。
相关实验室针对这套酶体系的研究已经超过20年，业内一直知道它可以产生不同分子结构、完成化学合成难以实现的操作，但普遍认为它无法工业化量产——因为它要完成高精度复杂分子合成，效率不高，很难满足大宗商品生产对低成本、高产量的要求。此前美国的Amyris等公司都尝试过用聚酮合酶进行小分子生产，但都遇到了产量瓶颈，在生产抗生素这类对成本不敏感的产品时没有问题，一旦需要控制成本、大量生产就无法突破产量限制。
我们此前在基斯林实验室时实现了核心突破，将它的产量从微克提升到克级每升，看到了量产可能性；公司成立经过一年多发展，目前已经在低成本工业培养基里实现产量几个数量级的翻倍，达到了规模化量产的前提条件。
虎嗅：商业化过程中，最难跨过的坎是什么？
王子龙：商业化过程中一直存在挑战，首先是技术层面，生物制造公司存在经典的“死亡谷“问题，即能否实现大规模制造生产，这和实验室学术层面的小型发酵优化不同，需要非常工程化的优化经验。
我们邀请了基斯林实验室校友Howard Chou博士加入团队，他曾是凯赛生物前董事、技术高管，2012年加入凯赛生物后从最小型发酵做起，离职时凯赛生物主打产品产能已达到十万吨级以上甚至二十万吨级，他的经验大大提升了我们跨过量产制造死亡谷的可能性。
其次是商业层面，核心要解决谁为技术价值买单的问题，需要找到真实的强商业需求，不能凭空创造需求。公司成立前我走访了中美两地大量塑料相关制造业，得到了有价值的反馈：塑料产业对闭环有很高需求，传统闭环主要依靠补贴完成，而我们的技术可以在无补贴的情况下让循环再利用有利可图。
我们当前瞄准已经搭建了闭环体系的企业作为合作目标，比如惠普有官方打印机墨盒回收计划，目前已回收接近10亿个墨盒，这类企业有明确的强需求，我们的技术可以把原本需要花钱的环节变成可以省钱、越用越便宜的环节。
虎嗅：这件事为什么是现在做，并且现在能做成？过去有没有人尝试解决过这个问题？
王子龙：行业内一直有相关尝试。塑料是现代社会伟大发明之一，但应用普及后才逐渐暴露出难处理的问题，行业先后探索出传统塑料混合新料回收、生物可降解材料自然降解等路径。
当前推进这件事有三方面背景：一是塑料需求逐年攀升，2000年全球塑料年产量为2.34亿吨，2019年达4.6亿吨，同年产生3.53亿吨塑料废弃物，但最终仅9%被真正回收，微塑料污染问题凸显，甚至在未出生婴儿体内检测到微塑料，会间接影响人体免疫系统；二是政策约束趋严，欧盟出台包装和包装废弃物法规，要求2030年包装具备可回收性、提升再生塑料比例，同时要求销售者承担自身产品末端处理责任，我国也有生物基材料相关补贴与支持政策；三是技术已完成突破，过往基于聚酮合酶的可编程合成酶工程化难度大、产量有限，目前我们已将产量拉高到较高水平，可实现从生产单个分子到生产一组具备不同材料学性能分子的跨越。
虎嗅：合成生物学能做的事很多，大宗化学品、香料香精都可以，为什么最先选塑料？
王子龙：我们公司从成立第一天就不是一家只能做单一塑料产品的公司。我们拥有可编程合成酶的生物平台，本身就可以产生不同的分子，其中一大类可以做聚合物如塑料，还有部分可以做香精香料这类更高附加价值的产品，我们选择做塑料主要有几方面原因：第一是原始科研项目给了我们很好的起点，我们搭建了从生物制造到材料验证到计算预测最终形成闭环的平台，目前还找不到同类型公司；第二是当前塑料领域存在微塑料污染问题，同时有政策需求，市场需求强烈；第三是我们的可编程合成酶技术结合AI for Science平台后，可以作为数据引擎提供大量高质量、有逻辑关联的内在数据，且我们的材料本身具备可逆特性，能为塑料提供良好的循环再利用方案。
虎嗅：过去大公司有钱有团队，为什么找不到替代材料？为什么没想着直接把现有塑料材料替换掉？
王子龙：原始科技创新多来自高校，完成技术从无到有的创造性突破，产业端更擅长技术从有到有的逐级放大，原始创新环节组建匹配的跨学科团队难度极高。
市场上主流的塑料材料已经经过极大优化，产能稳定、价格极具竞争力，比如做塑料水瓶的PET塑料成本不到一美金每公斤，新材料光是成本竞争就面临极大难度，而且生产商已经为现有生产设备投入了几千万甚至几亿的资金，如果更换材料需要更换设备，会产生巨大的沉没成本。这也是我们计算模型的价值所在，我们可以通过计算模型找到符合现有生产设备指标要求的分子，比如匹配现有塑料处理的温度范围、熔融性、流动性等指标，让生产商无需更换设备。结合这些条件，我们认为不需要直接替代现有材料，可以先推出满足循环再利用需求的新产品，逐步完成市场过渡，这是更可行健康的市场发展状态。
虎嗅：行业内公认达到多少吨产能才算规模化？
王子龙：没有统一的固定数值。但对于生物材料或者塑料，千吨级是基础门槛，达到千吨级，才能保障稳定的市场供货。
百吨级属于试生产、样品供应阶段，主要面向单一企业供货和商业论证，还达不到规模化标准。未来要覆盖大规模市场，仍需要升级到千吨级，甚至万吨级。但早期高附加值、低用量场景并不需要等待这一规模。
虎嗅：量产过程中主要的卡点是什么？
王子龙：核心有两大门槛。第一是成本，不能投入100元原料，只产出1元价值的产品。第二是大规模生产的稳定性。
几万升的发酵设备，和实验室里1升、10升、100升的发酵罐，条件设置很不一样。我们下一阶段要做1000升规模的测试，确认产能、产率稳定达标后，再推进1万升到5万升的优化。很多企业小量生产很好，一到大规模就出现成本、产率失控，这就是逐级放大的“死亡谷”。
还有纯化成本。我们的可编程合成酶可以针对性地生产目标产物，产品又具备自发沉淀特性，可以通过物理过滤得到粗分产品，这些特点有助于控制成本。因为新型生物材料进入市场，仍然需要解决客户愿不愿意为成本买单的问题。
虎嗅：你们如何考量落地场景和商业价值，前期与长期的商业化路径怎么设计？
王子龙：我们从最开始就在考虑付费方和价值转换路径。早期先完成初期生产，给合作方送样，根据性能反馈优化产品，再讨论初始成本、长期循环使用收益等问题，推进商业签单。
现在有汽车制造企业联系我们。汽车里一些金属与塑料混合零部件，生产时没有充分考虑后续拆解，塑料封装后难以分离，但里面的金属和电子元器件比塑料更值钱。客户首先需要的是方便拆解，释放高价值部件。
我们已经论证了电子元器件通过我们的材料封装、释放的过程。这类场景只需要少量材料，就能支持高价值部件回收，适合早期产能有限时切入。随着产能提升，我们会更关注材料本身和循环利用的价值。
这也是我们早期优先选择已经建立闭环回收体系企业的原因。这类企业本身已经有明确的回收需求，我们希望通过新的材料技术，让原本需要持续投入成本的末端处理和循环环节变得更经济，甚至随着材料反复循环使用进一步降低成本。真正决定这条路径能否成立的，不只是材料第一次生产时的价格，而是循环再利用本身能否成为一件经济上有利可图的事情。
所以我们评估的也不只是第一次制造时每公斤材料的价格，而是材料经过拆解、回收和多轮使用后的整体系统成本。如果每一次循环都能够回收单体或高价值部件，材料的价值就不再只发生在第一次销售。
长期希望进入更广泛的市场，让用户返还材料也能获利，形成有内在动力的商业循环。
虎嗅：商业模式怎么考虑的？是早期提供定制解决方案、收咨询费或者分润，量产后再卖产品吗？
王子龙：这些都可能成为盈利模式，但顺序有区别。当前模型主要满足自身使用，商业定制需要覆盖更广的分子种类和性能维度，我们暂时还不能完全满足。按照我们的判断，大概需要三到五年，才能提供这类咨询服务。
第一笔商业收入，大概率来自材料生产制造。达到中试规模后，可以定向提供百公斤级产品；部分吨级需求，也可以通过多次中试积累。电子产品拆解这类用量较小的场景，有机会在中试阶段推进商业化。随着数据不断积累，未来也可能产生数据相关的商业收益。
AI与未来：数据飞轮，和真正稀缺的东西
虎嗅：你们说自己是“AI for Science平台“，而不是一家合成生物公司，这怎么理解？
王子龙：从项目本身来看，发表在《自然·生物技术》的相关研究内容均匀分为四个部分：25%为生物制造部分，研究如何用可编程合成酶制备可做塑料分子的单体；25%为计算相关内容，搭建模型预测材料性能，将真实合成材料检测得到的物理参数反馈给模型；25%为材料落地的成本、碳排放优化研究，探索实现碳中和甚至负碳的路径；剩下的部分是材料性能验证。
项目天然具备计算、预测到生产制造转化的平台属性，公司产业化也采取两条腿走路的模式，一方面推进已开发高价值材料的量产与商业化，另一方面持续拓宽分子认知边界，生产制造和AI for Science在技术与商业层面是互相成就的关系。
虎嗅：作为平台，你们的数据飞轮怎么搭建？
王子龙：我们在 AI for Science 领域的核心资产，是数据生成能力。可编程合成酶能有逻辑、有规律、有结构地生成一套分子，适合用来建立供模型学习的数据库。
这里的数据不是把不同实验结果简单堆积在一起。我们希望从最小的分子结构开始，把它对应的生物制造条件、实验过程、材料性能以及最终的反馈连续关联起来。这样一个分子的结构为什么发生变化、制造结果如何变化、材料性能又发生了什么变化，都能够沿着同一条数据链追溯。随着研发逐步从手动实验走向半高通量和高通量，这条数据链产生的速度也会不断提高。
同时，对于 AI for Science 来说，仅仅预测准确还不够。模型找到一个候选分子之后，最终还必须能够把它真正制造出来并完成材料验证，否则预测很难转化为产业价值。我们的可编程合成酶平台可以制造一组结构相关的分子，因此模型、数据生成和生物制造并不是彼此割裂的体系，而可以组成一个连续的实验闭环。
目前公司的 AI 模型搭建还处于早期。当前市场模型迭代很快，我们更看重高质量数据，所以会专注发展数据引擎，实现持续、高通量的数据生成能力，再配套 AI 团队完成模型建立和优化。
虎嗅：你们的AI模型，是接入某个通用大模型，还是自己训练的一套本地的小模型？
王子龙：我们用的都是自己训练的小而精的模型，它预测精准的原因是剔除了很多复杂因素，聚焦小范围的精准预测，比如最初的模型专门用于预测材料在解聚合过程中的条件参数，针对非常具体的场景，明确涉及的参数范围，再结合实验数据不断优化模型。
这是很好的起点，后续发展过程中可以逐步拓宽模型的边界和维度。从当前公司发展来看，我们目前选取的分子100%由AI预测其具备相应性能，不会随机从分子库挑选分子做研发，否则AI模型就失去了赋能、缩短研发周期的意义。
长期来看，我们希望进一步把这个过程反过来：所需要的材料学性能，模型和数据库帮助定位更合适的候选分子，再由可编程合成酶平台完成生物制造和材料验证。新的实验结果又重新进入数据体系，帮助下一轮预测。这样 AI 给出的不只是一个数字世界里的候选结构，而是一个有机会被真正制造和验证的材料。
虎嗅：引入AI之后，有没有什么发现是你们之前完全没想到的？
王子龙：我们最惊喜的发现是，早先我们认为可编程合成酶产出的多样化小分子结构变化，对材料不会产生显著影响，但计算模型预测结果恰恰相反，这些结构变化会对材料产生显著影响，这意味着通过平台预测出的多样化小分子都有潜在不同应用价值，且可以通过计算模型完成预测。由于这些分子都来自同一个生物合成平台，可以产出多种不同性能的材料，让下游应用有广阔可能性，还能带来很高的研发容错性——如果研发出的材料性能不达标，此前走通的放大合成路径都可以复用，只要根据性能反馈（如热力学性能、韧性、拉伸性不足等）回到模型中寻找邻近合适的分子结构，快速实现分子结构跳转即可完成优化。
虎嗅：基斯林教授分享过身边技术商业化失败的案例吗？问题通常出在哪？
王子龙：他多次提到，首先要选对有足够商业价值的商品，没有商业价值驱动公司很难成长，之后还要具备平台化能力，不然很容易被局限住，合成生物制造类公司需要同时具备选品能力和平台化能力。他分享过很多技术没问题但最终失败的公司案例，大多问题出在资金和资源分配上，科创公司要明确发展优先级，不要在不值得的地方过早投入，要把每一分钱用在刀刃上，推进技术里程碑落地，很多公司失败就是因为花钱没有做好规划。
虎嗅：收集“高质量数据“最难的一环在哪里？真实实验数据是很多AI for Science公司里最难的一环，你们如何收集真实数据？
王子龙：高质量数据首先要符合AI读取的标准，适配AI的接口；其次数据不能是孤立的，需要具备连续性、差异性和内在逻辑演化关系，覆盖从设计、生产到性能的完整关联链路，具备可迭代性。
研发过程中，我们不断尝试新分子，筛选性能更好、产量更高的分子，也会记录几乎所有信息。难点之一是，究竟记录到什么程度才够。我的判断是尽量详细，因为未来可能需要回看当时的实验细节。
我们近期和加州大学伯克利分校, Materials Project创始人兼主任计算预测中心主任Kristin Persson教授交流时也确认了这一点，当前美国“创世纪“大模型计划也在向各公司、实验室征集这类标准化的完整案例数据，无论是成功还是失败的，这类数据对AI模型搭建至关重要，这也是行业、国家、投资层面的共识。
不过真实数据的产生速度依然较慢，难以和直接使用合成数据可达到的数据量相比——我们之前做研究时，早期完全用合成数据模拟的第一个计算模型，和真实材料性能几乎没有相关性，效果很差；后来加入真实材料数据优化模型，采用基于真实数据的小模型和基于合成数据的模型互相学习的思路，最终找到了正确的解，新模型和对应材料的性能没有发现差异，预测准确度非常高。
所以模型发展必然要采取结合珍贵实验数据和大量合成数据模型的策略，而有没有真实数据，直接决定了模型是否靠谱。
虎嗅：这款材料的量产节点是什么时候？
王子龙：我们的目标是2028年到2029年实现百吨级及以上的材料生产，满足较高需求的市场。但商业验证会早于百吨级量产，2028年之前我们就可以探索用量低、能撬动高附加值的电子商品相关应用，这类场景对材料的需求量达不到吨级，有些仅需百公斤级、接近一吨级，属于中试范围可以覆盖的产能区间，既能推进早期商业化，也能验证商业逻辑和模式的可行性。