Newsora
雷峯網11/19 13:35 · 2h ago

AI4S青年志②丨賦澈生物王子龍:實驗室裏的「企業家」

同時擁有理工科訓練、結構生物學功底,和系統商科思維的創業者,在AI4S領域裏並不常見。 作者丨周蕾 編輯丨岑峯 【編者按】AI4S有時給人“雷聲大雨點小”之感,是因爲不少人把AI當成了目的本身,拿着錘子滿世界找釘子,對科研週期與商業回報的錯配卻無知無覺。“AI4S青年志”第二篇,我們關注一個可能破解AI4S落地困局的樣本。一篇論文,通常只需要2-4位審稿人。但當《Nature Biotechnology》的編輯們打開一篇來自加州大學伯克利分校的投稿時,他們很快意識到,2-4位遠遠不夠。爲了覆蓋這篇論文涉及的每一個學科,編輯們前後邀請的審稿人數量已經來到了兩位數。論文橫跨四個領域:合成生物學、材料科學、計算化學,以及技術經濟學與碳排放覈算。審稿人們上來就說:他們只能看懂屬於自己的那一部分,無法對其他部分做出評價。學術論文通常像一輛概念車,但這篇論文,卻被以量產車的標準來嚴苛審視。例如論文已經在實驗室裏證明,生物反應器中,新型塑料單體的滴度達到了1.84克每升——這是一個符合學術發表標準的數字。但一位材料學背景的審稿人直接追問:“如果這個平臺要走向產業化,至少要讓我看到幾十克每升的可能性。”這些質疑,同時關乎科學和商業。而回應它的人,需要同時聽懂四種語言。最終,四個不同領域的專家全部認可了這篇論文,編輯也點了頭,論文在今年夏天成功刊發。這篇論文的署名欄裏,第一作者只有一個名字:王子龍。在AI for Science的創業浪潮裏,跨學科背景並不稀奇。計算機出身的人去學材料,化學出身的人去寫代碼,這樣的故事比比皆是。但像王子龍這樣,同時擁有紮實的理工科訓練、結構生物學的底層功底,以及從本科階段就開始的系統商科思維,並且能把這一切翻譯成彼此能聽懂的語言——這種人在AI4S創業者中,並不常見。藉着論文刊發的機會,雷峯網AI科技評論和王子龍完成了一次兩個多小時的越洋連線,從中山大學逸仙班的經濟學課堂聊到Jay Keasling的實驗室,從主動拒絕創業風口聊到放棄教職、投身產業,試圖還原這位AI4S青年科學家,在他過去二十年裏的每一次關鍵選擇。01像“愛迪生”的底色王子龍兒時的夢想,是成爲愛迪生那樣的科學家。長大後他意識到,原來愛迪生不光是科學家,同時也是一名商人,而他恰好也將自己培養出了科學家+企業家的雙重能力結構。這種能力結構的雛形,最早要追溯到本科時期。王子龍所就讀的中大逸仙班,准入門檻極高,採用多學科混合培養的方式,除了數物化生的理工科內容,還有專門開設的經濟學課程,由嶺南學院的教授整套授課。加之出生於經商家庭,從事零售和分銷,王子龍對商業實踐已有着十幾年的認知。逸仙班的課業負擔不輕,但當時的多學科培養,尤其是經濟學方面的訓練,直到今天仍然在爲他的商業工作帶來極大的幫助。一方面經濟學帶給他反直覺的思維和理論,幫助他避免踩坑;另一方面,這套訓練也爲一位純科學家在做商業談判、市場判斷時,提供了底氣。“基本的商業邏輯、經濟邏輯我們都清楚,對外融資、談合作的時候,精神面貌是不一樣的。”2011年,中山大學首次參加MIT創辦的iGEM(國際基因工程機器大賽),正在讀大三、準備出國留學的王子龍,正是當時參賽的領隊和對外主講人。隊伍最終闖入了全球決賽。在MIT的講臺上,他要用英語向評委解釋團隊的成果;回到實驗室,他又得和隊友一起解決具體的科學問題。這個比賽最終幫他敲開了合成生物學認知的大門。也是在這個時期,他讀到了一篇經典論文:用大腸桿菌和酵母菌全合成青蒿素前體。屠呦呦當年發現的青蒿素,在合成生物學的方法下,得以實現低成本、大規模的生產。而這位論文的作者Jay Keasling,後來成爲了他在伯克利的導師。“我們可以改造自然界的微生物,讓它們爲人類所用,實現不同的功能。”合成生物學最底層的定義,是讓每個基因的設計模塊化,“像拼樂高一樣拼基因,拼出不同的形態和功能。”王子龍被合成生物學深深吸引,但他並沒有直接沿着這條道路走下去。在他看來,生物學的細分學科裏,有些是不可遷移的“課題”,有些是可遷移的“工具”。例如植物學就屬於課題型學科,“一旦選定分子植物學或植物分類學的方向,往外的延展就會變窄”。而結構生物學屬於後者。它研究的是蛋白質的三維結構,但掌握這門手藝的人,幾乎可以進入任何生物科技方向——因爲所有生命活動的最終執行者都是蛋白質。工具型學科偏基礎,有很強的技術壁壘,但後期可以衍生出很多分支。他甚至用免疫學試探過另一種可能——本科畢業論文專門做了這個方向,免疫學課程成績全年級第一,也在一位知名教授的實驗室裏完成了畢業論文。但多方對比之後,他還是回到了合成生物學,因爲它兼具工具和課題的雙重屬性。這也是爲什麼他在博士階段選擇放下合成生物學、轉向結構生物學。當時的他,意識到一個關鍵問題:由於對蛋白質缺乏足夠的瞭解,導致做基因工程時經常得不到預想的結果。探究蛋白質,也就成了他心裏的一個執念:“我一定要完全掌握這塊知識。”王子龍告訴我們,當年即便是順着免疫學的道路往下走,博士階段大概率還是會做結構生物學,因爲生物代謝的調控最終仍然與蛋白酶有關。“如果博士後階段可能就會做製藥相關,再趕上AlphaFold這一波,那我創立的公司可能就不是做AI for materials,而是AI for drug discovery了。”王子龍笑道。02實驗室裏的商人王子龍還在新加坡國立大學做結構生物學時,恰逢Jay Keasling來校做學術報告。他當時的博士實驗室小而專精,解析蛋白質結構效率太慢,“跟不上時代的需求”。他把這個顧慮拋給Keasling教授,得到的回答卻是:這完全不是問題,我們機構有全套高通量設備、昂貴的全自動化機器和專業的合作者,做得特別快。他與Keasling教授就此結緣,但在他去伯克利面試加入Keasling實驗室前,還發生了一個小插曲:Paul Adams曾任勞倫斯伯克利國家實驗室結構生物學中心的主任,也是David Baker那篇RoseTTAFold蛋白質結構預測的諾貝爾獎級核心論文的共同通訊作者之一。他專程來找王子龍,問他願不願意繼續跟自己一起做結構生物學。在Adams麾下做博後,同樣也是一條金光大道,但王子龍還是選擇了合成生物學。從左至右分別爲:Seokjung Cheong, Jay Keasling, 王子龍Keasling實驗室強手如雲,但他的選人邏輯並不強調出身。伯克利本身就是名校,發過Nature、Science正刊的申請者比比皆是,但這些在Keasling眼裏只是參考因素。他真正在意的,是專業能力是否匹配實驗室的課題發展。王子龍博士期間因爲結構生物學研究週期長,主要課題當時都尚未發表,但他的技能組合恰好是實驗室需要的那一類。加上博士導師和幾位教授的推薦,他順利加入了實驗室,接手了那個後來成爲AI4S標杆的課題。“運氣好。”他用這三個字來概括這段經歷,“如果我晚進去半年,這個課題未必是我的了。”在Keasling實驗室,王子龍很快證明了自己的價值。實驗室常年保持四十人以上的規模,博士後來自不同領域,各自帶着不同的技能。王子龍因爲結構生物學的底子,經常能幫別人解決技術問題。他拿過實驗室的兩個獎:一個是Best Lab Citizen,由全體成員投票選出,表彰在實驗室運轉和維護中貢獻突出的人;另一個是Best Helper,得票必須超過其他人,意味着他在大量同事的課題中都伸過手。在四十多人的實驗室裏習慣了幫別人解決問題,之後再面對四個實驗室的聯合項目時,他也沒有覺得陌生。那篇橫跨四個學科的Nature Biotechnology論文,正是在這樣的環境里長出來的。合成生物學、材料科學、計算化學,以及技術經濟學與碳排放覈算,四個伯克利頂級實驗室聯合完成,論文各部分比重均勻,各佔四分之一。王子龍是唯一的第一作者,Keasling是唯一的通訊作者。他的工作不只是做實驗。作爲項目的管理者,他每週要跟四個實驗室的博士後開會,還要跟教授同步進度。每三個月,則要向美國能源部做一次大型彙報,寫季度報告彙報項目進展和資金使用情況。這套流程跟開公司已經很像了。其實在進Keasling實驗室的第一天,王子龍就跟教授表達了自己要走商業這條路。在這個實驗室裏,創業並不是什麼稀奇事,平均每年都有一到兩個成員出去創業,拿到不錯的融資結果。Keasling還會問每個人的職業規劃,從一開始就劃分好了誰偏商業、誰偏學術,給不同的培養方針,他的學生也因此遍佈產業界。回過頭看這幾年的行業趨勢,2021年出來創業其實正是時候。當年合成生物學在國內正火熱,估值高得驚人,好幾家公司也特地飛去美國找到王子龍,勸他立馬創業。但他拒絕了。手上的項目沒做完,即便對方確實認可他們的技術,但他還是覺得風險太大,貿然創業是不負責任的表現。“2021年創業的話,拿融資要簡單得多。”王子龍回憶,“我們2024年融資的時候,早就錯過那個風口了,真的得靠真槍實戰的能力。”多年的科研經歷,給他帶來一種“有問題就解決問題”的思維。人長期處於認知問題和解決問題的循環中,這種思維一旦形成,就很難被輕易擊垮。“問題本身不會把人擊倒。如果真的有爬不過去的坎,就繞過去,辦法總是有的。”“因爲我們已經被科學鞭打了無數次。每一個科學論文成功的背後,都有大量的失敗。是無數的失敗經驗,推舉出一兩個成功的結論。”他後來這樣總結。經歷過大量失敗才誕生的成功,讓他和他的合夥人有了一種不太一樣的心態:面對短期性的挫折和困難,他們有足夠的承受能力。這種韌性,最終讓他在錯過風口之後,依然能夠靠真槍實戰的能力,開始着手組建自己的團隊。03 “有利可圖”的環保王子龍提到的,那位同樣具有韌性的合夥人,叫做Seokjung Cheong。2024年,兩人一同從Keasling實驗室結束博士後工作。比起申請一個體面的教職,他們選擇把手裏做了四五年的課題推向市場,創辦了賦澈生物(FutureBio)。拒絕了2021年的創業風口,他們面對的,是三年後已經冷靜許多的市場。Seokjung成了公司的CTO,他和王子龍在Keasling實驗室共事多年,一起做了那篇Nature Biotechnology論文。兩人的分工天然互補:王子龍的表達能力更勝一籌,就專門對外,負責融資、商業合作和公司宣傳;Seokjung做事細緻嚴謹,正適合對內,主抓技術和團隊管理。從左至右爲:研究員,Seokjung Cheong, 王子龍搭起核心團隊後,王子龍開始尋找在工業化生產上有經驗的人。他翻遍了Keasling實驗室以前師兄師姐的名單,找到了凱賽生物的前研發副總裁Howard Chou。這樣一位在中國合成生物學領域大規模製造有過豐富經驗的前輩,正是FutureBio需要的。可Howard從凱賽出來後,全國找他做聯合創始人、做顧問的人實在太多。而Keasling的一封介紹信,讓雙方很快確認了彼此的能力。王子龍回憶起雙方的第一次見面,就是在Howard深圳先進院的辦公室,完全沒有陌生人的隔閡,兩句話就拉近了所有關係。Howard給FutureBio的建議非常具體。很多生物製造公司早期爲了讓數據好看,會用各種手段做出很高的產量,但成本不一定合適。大家的思路是先達到高產,之後再慢慢優化成本。但Howard告訴他們,從公司第一天起,生物製造就要對標工業大規模生產的口徑和參數。照這個思路,FutureBio在美國用的發酵培養基,直接拿的是全球最大的玉米原漿提供商之一ADM的玉米漿。如果一開始所有參數對標工業製造,做的每一分努力就都可以直接轉化到工業製造上。未來達到高產之後,不需要再回頭優化成本。而Keasling教授現在是FutureBio的官方首席顧問,雙方保持着固定的顧問會議。在融資時,他的背書起了關鍵作用。他參與過投資人訪談,回答關於王子龍能力和性格的問題,也幫忙對接過一些投資人和業內的知名學者。對一家從實驗室走出來的初創公司來說,導師的人脈網絡在早期階段是一種無形的支撐。除了Keasling的關係,王子龍還十分偶然地,從另一位前輩那裏獲得了關鍵支持:晶泰科技的董事長溫書豪。在一次飯局上,溫書豪問王子龍,“能不能用兩分鐘講講公司做什麼?”聽完王子龍的講述,溫書豪當即邀請他第二天去晶泰做路演。晶泰的三位創始人都參與此次路演,最終拍板決定參與FutureBio的融資。2025年初,FutureBio完成天使輪融資,耀途資本領投,險峯長青、晶泰科技等跟投。數百萬美元的金額不算太高,但足夠讓王子龍按照自己的想法,把基礎紮實的事情一步一步做好。不過,王子龍對公司的定位,從一開始就和很多環保材料公司不一樣。“大家都說環保,但環保往往意味着成本更高。”FutureBio的選擇是兼顧,並在兼顧的基礎上更在乎商業側。“政策驅動是靠罰款、補貼和獎勵來推廣,但經濟形勢不好、補貼下降時,大家的意願立刻下降。”在他看來,如果真正想把環保做好,一定要從技術層面解決:讓環保這件事“有利可圖”,讓整個商業鏈條裏的人都能self-motivation。因此,FutureBio的材料有着高循環效率、低循環成本的特性,長期使用成本會逐漸下降。04AI4S的邊界這種讓環保“有利可圖”的商業判斷,也塑造了王子龍對AI for Science的理解。在他看來,很多公司的問題在於,AI被當成了目的本身,而不是工具;上來就講要做AI for Science,實則是缺乏核心支撐力的表現。“比如我們,是平臺開發了這款材料,材料支撐公司的實體運轉,在拓寬的過程中不斷優化模型。不然一開始燒幾億、幾十億,燒完了什麼都沒有。”他回憶起在Keasling實驗室做課題時的一次親身經歷:那篇Nature Biotechnology論文裏,團隊一開始跟當時很多AI4S公司一樣,用計算模擬數據搭了一套模型。但把材料做出來之後發現,模型對材料性能的預測完全不對,跟真實數據不匹配。他們沒有把錯的模型藏起來,而是把真實數據放回模型去研究哪裏出了問題,通過模型和材料之間的相互優化,找到了改進的方法。最終,他們把一開始那個錯的模型也放進了論文裏。在學術界,這種把錯誤公開的做法並不常見。但這篇論文的特殊之處在於,它打通了整個平臺模型和閉環,證明了計算預測可以被生產製造驗證,還能不斷循環迭代——這是AI for Science具備可落地性的證明。在王子龍看來,AI for Science的瓶頸早已不是算法;數據的生成,比模型和算法本身,更具有底座的意義。做實驗的數據量太小,真正訓練AI對數據體量的要求卻非常大,這就很強調數據生成能力——能不能更快、更高通量?在伯克利期間,他們其實已經能做高通量的分子生成和蛋白質酶的設計。現在則專注於打通特定分子的量產,保證生產製造能力,再接入高通量,形成一個既快又能製造的平臺。“2022年AI剛爆發時,大家就有一個共識:這裏最有價值的商品是數據。AlphaFold之所以能出現,是因爲結構生物學領域在同樣的數據模式和口徑下,積累了超過二十年的數據,而其他很多科學領域沒有這個條件。不存在只有一家公司能訓練出來的模型,你總能找到競品。誰真正掌握能被AI讀取的數據,誰就掌握了AI for Science最底層的金幣。”但只有數據本身,還不夠。很多運轉了幾十年的大公司,論數據積累,其優勢自然不是小公司可比,但大公司們也不見得都做出了模型。原因之一是古早的數據現在的AI讀不了,需要專門的數據接口;另一個原因是實驗數據來得太慢、太貴,不足以支撐模型訓練。FutureBio的解法,是用一套可擴展的生物製造平臺來持續生成數據。這種平臺特性在論文中有直接體現:團隊用工程化聚酮合酶(PKS)作爲“分子裝配線”,通過替換其中的蛋白質模塊,同一套生物發酵系統就能生產出結構不同的塑料單體。論文裏展示了10種這樣的PKS產物變體,它們共享同一套發酵路徑,就像一條汽車生產線,更換機械臂上的工具頭就能加工不同型號的零件,底盤、質檢和物流流程則無需改變。這意味着,優化一次菌株產率或發酵條件,所有產品都能同時受益。他提到,FutureBio發展到現在,用的是工業培養基,成本已經降了下來,可以低成本地大量生產材料,獲得真實世界的數據。相比那些每設計一種新化合物、都要重新開發合成路線,純粹用化學手段合成材料的公司,FutureBio在數據生成效率上具有天然優勢,也真正跑通過“設計-製造-驗證”這一環,對於閉環裏的關鍵節點,有獨到的經驗。對於今年頗受關注的AI for Science,王子龍也給出了相對冷靜的判斷。第一,AI的價值是預測的精準度,要給AI真實世界的物理反饋。“大語言模型之所以做得好,是因爲除了網上原有的信息,那麼多用戶每天跟它交流,它是一個每天都獲得真實世界物理反饋的系統。做AI for Science也一樣,而且物理反饋很講究策略:不是什麼反饋都行,要了解AI需要什麼、希望這個AI幹什麼。”第二,始終要知道邊界在哪裏。FutureBio做聚合物,目標就是建立聚合物材料的通用大模型。但他們清楚地知道自己一開始的知識邊界和技術邊界在哪裏,在邊界內可以做得精確可靠,再慢慢拓寬;而拓寬需要的知識體系、數據、驗證方法,這些都要提前規劃好。“留給自己想的時間,一定要比決策和操作的時間多。三思而後行,很多事情沒想清楚就做,就是浪費資源。”這不是王子龍一個人的節奏,而是他整個團隊的節奏。在新加坡讀博時的他,007的工作節奏是常態,但現在他給下面的項目負責人定了一條規矩:每天留至少百分之二十的時間思考。團隊即便坐在那裏不幹活,他依然發薪,因爲他知道這些人肯定在想工作——做科學做到博士後的人,腦子裏從來停不下來。既要停下來想,也要跨出去做,這兩種能力,其實來自同一個源頭。從逸仙班多學科混合培養,到“旁逸斜出”研讀結構生物學,再到Keasling實驗室的交叉合作,每一次選擇,王子龍都在拓展自己能翻譯的語言。那篇論文的審稿人們,大概不會想到,這個能同時回應四個領域質疑的博士後,其實在二十年前就開始爲這一刻做準備,通過一次又一次看似繞遠的路,最終抵達他選定的目的地。在AI4S這個人人都在談交叉的領域,王子龍仍然特殊。而那些看似繞遠的路,最終都成了他腳下最紮實的地基。雷峯網

Aggregator site: only the publisher's summary is shown here. Read the full story at the source.
Read full story →