# AI科学家笨一点也能赢：Ginkgo CEO讲透自主实验室这门生意 > Training Data No. 84 中文精读 - 原标题：How Autonomous Labs Will Transform Scientific Research: Ginkgo Bioworks’ Jason Kelly - 发布日期：2026-03-24 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/084-how-autonomous-labs-will-transform-scientific-research-ginkg-g45Alf.html - 精读字数：约 5209 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 先说结果。一个AI模型接管一套机器人实验室，去优化一个生物化学问题。四轮实验，追平了斯坦福大学保持的学术纪录。六轮，领先40%。整个过程，模型没有模拟任何生物学，也没靠什么天才直觉，它做的就是科学家每天做的事：设计实验、跑实验、看数据、设计下一轮。区别只有一条，它不睡觉，每轮大约3万个实验。 这是红杉资本播客Training Data最新一期里的内容。嘉宾Jason Kelly，MIT生物工程博士，2008年创办合成生物学公司Ginkgo Bioworks，干了十几年「让生物可编程」。最近他和OpenAI公布了上面这个合作成果。他对两位红杉投资人放了一句狠话：**互联网和社交媒体对生物制药来说只是后台IT，AI是三十年来第一场真正改变做科学方式的技术革命，生物制药这样的大产业会被颠覆。** ## 一家六年没人投的公司 Kelly 2008年刚从MIT毕业就创办了Ginkgo，头六年拿不到风投。原因很现实：生物科技VC不喜欢年轻人，而且他们没打算做药。用他自己的话说，当时这家公司「完全不值得投」。团队靠政府资助和服务业务活着，波士顿实验室里15个人，一熬就是六年。 转机在2014年夏天。Sam Altman刚接手YC，写了篇博客，说硅谷模式可以复制到深科技，核裂变、生物科技、材料科学都行。Kelly看完给他发了封邮件：我们成立五年了，没人投这种怪公司，你这篇像沙漠里的绿洲。Altman回，你飞过来见我。见完，Ginkgo进了YC，公司从此有了资本。 使命一直没变：让生物更容易被工程改造。Kelly爱用计算机做类比。**DNA就是代码，字母表是A、T、C、G，而非0和1；细胞就是计算机，区别在于计算机搬信息，细胞搬原子。**细胞还能自修复、自复制，做分子组装的成本接近免费，这是40亿年进化攒下的底子。麻烦在于，人类今天编程细胞的能力非常差。Ginkgo十五年干的事，就是把这件事变便宜、变快。 ## 两半问题，他选了能碾碎的那一半 Kelly把生物技术拆成两半。一半是设计，偏软件：怎么设计一段DNA，让它大概率做出你想要的蛋白质。这两年这个方向很热闹，Chai Bio的蛋白质模型、Arc Institute刚发布的基因组模型Evo 2，都在攻它。另一半是测试，偏硬件：DNA代码的编译和调试是物理过程，你得真的合成那段DNA、塞进细胞、养起来、测结果。想做得好，就得试得更多、更快、更便宜。 两年前，Kelly停掉设计这半边，全力压向测试。理由很工程师：**工程问题可以被彻底碾碎，科学问题撞上了是惊喜，撞不上就血本无归，可预测性差太多。**设计侧已经有Arc、Chai这些公司在冲，测试侧反而没人用硅谷的方式做。他拿生命科学工具行业举例：这个行业只给科学家提供下一件工具，从没想过换一种根本玩法。Kelly想做的是英特尔当年跳到平面半导体制造那种事，把整个流程推倒重来。 ## 赢在能跑实验，跟聪明无关 实验对象叫无细胞合成。高中生物讲过中心法则，DNA指导蛋白质合成，这通常发生在细胞里。无细胞合成是把细胞戳破，把里面的「内脏」倒进试管，再丢进去一段DNA，机器还在，它照样生产蛋白质。Kelly管它叫「世界上最小的3D打印机」。科学家常用它，但它很贵，斯坦福Mike Jewett实验室的论文代表着人类把它做到的最便宜水平。 Ginkgo和OpenAI的做法：每轮给模型100块384孔板，约3万个实验的预算。模型设计实验，机器人跑，数据回来，模型再设计下一轮。四轮追平纪录，六轮领先40%。 Kelly强调，模型没有模拟生物学。那套「提出假设、设计实验、跑、解读、再戳一下」的循环，本质上是纯逻辑，跟程序员写代码调试差不多。**它赢，靠的是能亲手跑实验，跟聪明不聪明关系不大。**用他的话说： > 「真正让它突破的，是它能跑实验这件事本身，聪明与否反倒次要。问题只在于，它能不能像科学家那样设计实验。答案是，能，太能了。」 顺着这个结果，他把未来科学的图景讲得很具体。今天三个实验室研究阿尔茨海默病，各有一个假设，各攒一两年的数据，最后写成论文互相看，你看到的只是我认为重要的蒸馏结果，原始实验你永远看不到。他设想的版本：一个装备齐全的机器人实验室，顶上一百个AI科学家，每人追一个假设，每天收工把当天跑了什么实验、原始数据是什么，全部共享给另外九十九个。你的结果跟你的假设相反，数据对我可能正好有用，这种信息今天会直接进垃圾桶。每周，这一百个AI输出一篇小结，人类可以读，可以喊停某条路线。 第二个优势是钱。美国生物制药每年花600到800亿美元做研发，NIH每年400亿，**花在试剂上的钱不到5%，其余全是人头、实验室空间和合规这些间接成本**。实验室一周只开五天，设备各家重复购置，利用率低得可怜。机器人实验室把结构翻过来，九成预算花在试剂上，等于每一美元买到的数据翻了10倍。Kelly的结论： > 「就算这些AI比科学家笨，我也认为它们会赢。我真的这么认为。」 他由此给两个群体提了醒：NIH得重新想怎么给研究定价，按试剂消耗算钱才是科学的「按用量计费」；每一家生物制药的研发负责人都得盯紧这件事。 顺带一个背景。Kelly做过YC，认识一圈科技公司CEO，看了二十年技术圈。他的原话是，互联网、社交媒体这些革命，对生物科技「完全无意义」，就是些后台IT。红杉合伙人Pat Grady补了个框架：过去的技术革命都在解决信息的分发，这一次终于轮到信息的处理，才碰到了做科学的核心。红杉另一位主持人Sonya Huang提到，他们投了谷歌AlphaChip的团队，AI设计的芯片已经超过人类设计师。Pat的判断是，AI会先在各领域达到人类水平，再在具体领域逐个变成超级智能，突破就从那些「孤岛」里冒出来，距离现在以月和年计。 ## 实验室的Waymo时刻 为什么实验室一直自动化不了？Kelly的答案：高混合、低批量。他用车打比方。地铁是低混合高自动化，你只能去固定的站；汽车是高灵活低自动化，手脚都得用上；Waymo两者兼得，灵活像汽车，自动化像地铁。工业革命以来，人类把所有低混合的活都自动化了，从织布机开始，然后在「灵活性」这堵墙前卡了两百年。AI推倒了这堵墙，所以大家干脆造了个新词，叫「自主」，自动驾驶，自主实验室。 实验室里的自动化早就存在，体检机构、药企的高通量筛选都有，但它们是地铁，只会重复同一个实验。99%的实验工作还靠人手，就像99%的出行里程还是靠开车。 自主实验室跟自动驾驶汽车的技术栈完全不同。汽车难在物理世界每公里都在变，实验室天天是同一个房间，难在科学家要的活五花八门。具体两座大山：一是把上千种第三方台式设备整合进一套软件系统，这些设备的软件水平参差到难以置信；二是液体处理，移液枪就是世界上最讲究的吸管，液体黏稠时，人会用拇指微调压力，眼睛盯着确认，机器人得学会这一切。 还有第三座山，最意外的：**科学家不会写代码。**行业给的方案是LabVIEW这类图形化编程，科学家照样痛恨，没人愿意编程。Ginkgo的解法是Claude Code和Codex：科学家提交一份书面实验方案，模型自己转成代码；模型犯了错，就更新技能文件，保证不再犯。他讲了个例子：有科学家把密封好的板子直接发给移液机器人，枪头扎进封膜卡住，Slack里同事嘲讽「先把封膜撕了再发啊」。科学家在实验台前是液体处理专家，面对机器人却犯低级错误，感觉糟透了。Kelly说这是UI的锅，现在模型接手写代码，这类错误改一次就永久消失。 Ginkgo波士顿实验室现在有50台机器人，要扩到100台，50名科学家在里面「吃自己的狗粮」，角色像七年前坐在Waymo驾驶座旁边、随时准备抢方向盘的谷歌工程师。Kelly说，系统基本能用了，剩下的是调度算法和设备可靠性这类工程活。波士顿这套「50名科学家向同一套机器人系统提交任务」的配置，目前地球上独一份。 至于人形机器人进实验室，他的回答干脆：没戏。样本靠磁轨传送，微米级定位，比两条腿走路靠谱得多。生物是微观学科，就像没人会指望人形机器人去台积电刻芯片。 反直觉的还有一点：自主实验室普及后，实验室会变小。今天默克的园区里有上百万平方英尺的实验台，散在各栋楼里，因为实验室必须跟着科学家走，买一家公司就得再复制一间实验室。改成中央化的自主实验室，科学家在电脑上下单，重复建设消失，设备利用率从不到20%提到70%，所有设备沿着轨道紧凑排布。 Ginkgo的产品叫RAC，可重构自动化小车：一个箱子里装一台台式设备、一个六轴机械臂、一段磁悬浮轨道，像乐高一样拼。商业模式两层：一层卖箱子加订阅，软件加服务按台收费，将来还想卖适配自动化的试剂，那才是按用量计费的大头；另一层把波士顿实验室当云来运营，客户直接下单。他们刚推出CloudLab服务，39美元起就能跑一个实验，不寄样品，只回传数据。能源部为了Genesis计划一口气买了97台。 Genesis计划值得一提。它出自白宫科技政策办公室，由能源部主导，曼哈顿计划和人类基因组计划都是这个部门的遗产。目标很直白：几年内让科学提速一倍。路径两条，把国家实验室的存量数据喂给模型挖新东西，再用自主实验室按模型的方向生产新数据。能源部长Wright和Kelly一起给头18台机器人剪了彩。Kelly还从OpenAI身上看到一件事：当年那个贝尔实验室式的研究项目，如今估值8300亿美元，说明产业界做基础研究依然能值大钱，他希望化工这类老行业也把研发的火重新点起来。 ## 中国追上来了，成本还在涨 Kelly主持过两年的新兴生物技术国家安全委员会，这个系列上一份报告是七年前施密特主持的AI版。他给出一组数据：生物创新药的玩法是初创公司做出药，卖给默克、辉瑞这类大厂，价格按临床阶段从20亿到100亿美元不等。三年前，这些被买走的药里来自中国的不到5%；上个季度，超过40%。 他的解释：中国科学家数量不少，一样聪明，薪水更低，而科学靠实验推动，**实验人员更多、每一美元买到更多实验的国家，会在研究上赢**。DARPA成立于斯普特尼克上天之后，使命就是「不再被技术突袭」。Kelly认为生物科技正站在同样的关口。 另一个警讯：新药研发成本连续25年逐年上涨。Kelly把根子归到鲍莫尔成本病，科学家和房租越来越贵，手工活不降价，生产率的小幅提升全被吃掉。**把人从实验台前撤下来，是唯一的解。**他用芯片做类比：芯片之前是真空管，是人类尺度的电子学；实验室也得先放下「真空管」，换上不需要人站在中间的系统，之后才会出现属于生物的摩尔定律。临床审批也在拖后腿，中国一期临床试验6个月能做完，美国要两年半，澳大利亚也更快，Kelly预计FDA会向澳大利亚看齐，但即便如此，做药仍然远慢于上线一个App。 应用生态本身也单调得可以：85%的生物技术市场是治疗药物，10%是农业，5%是工业酶，比如冷水洗衣粉里的去污酶。Kelly的评价是「尴尬」，相当于计算机唯一的应用是药物发现。 他最看好的新市场在健康人身上。GLP-1类药物让礼来市值逼近1万亿美元，在他眼里这是iPhone级别的消费品：不用再惦记食物，意志力回来了。关键在于，**今天的生物科技本质上是疾病产业，而消费者大部分时间没有病，只想睡得更好、肌肉更多、多活五年**。给寿命加五年的产品值多少钱？他冲着红杉喊话：50万亿？接近无限。麻烦是FDA的审批体系只为治病设计，这类产品连申报路径都没有。这里有个花絮：Ginkgo从YC出来后的第一位天使投资人，是当年还是个微胖VC的Bryan Johnson。Kelly说他最大的贡献是把「持续监测」正常化了，每年花200万美元做诊断。相比之下，智能戒指测的心率只是皮毛，身体里真正的信号在分子层面，理想状态是每周抽血、做全套分子读数、长期追踪。 ## 明天就能用上的几件事 Kelly最后说，科学听起来像天才的专利，实质是「被形式化的好奇心」。挡在普通人和科学之间的，往往就是实验室本身，门槛高到近乎法律级别的封锁。1960年代跟人说小孩子将来人人会编程，会被当成疯子。如果做实验的成本降到39美元一次，模型还能帮普通人设计实验，也许会有几百万人想当科学家。 明天就能动手的事，有这么几件： - 生物制药研发负责人：把研发预算按试剂消耗重算一遍，看看人头和空间吃掉了多少。Kelly的判断是，这个成本结构撑不了几年了。 - 科研人员和初创团队：没有实验室也能做实验，Ginkgo的CloudLab服务39美元起，下单、等数据，先拿一个卡住很久的小问题试水。 - 关注AI的投资人和工程师：蛋白设计那半边已经很拥挤，实验室自动化这半边人还少，设备整合和液体处理两座确定性的山摆在那里，谁先搬掉谁有定价权。 - 普通读者：GLP-1和分子级监测的窗口正在打开，每周抽血、长期追踪这类服务，比单次体检报告更有参考价值。 Kelly有句话值得贴在墙上：把人从实验台前解放出来，科学的速度才可能翻倍，而科学的速度，就是人类进步的速度。