北京2026年10月14日 美通社 －－ 随着人工智能、生物技术与自动化实验加速融合，生物制造正在从“规模化生产”进一步向“智能化研发与制造”延伸。2026年公开发表的《前瞻布局和发展未来产业》将生物制造列为“十五五”时期未来产业重点方向之一；同年关于健康中国建设的重要讲话提出，要推动科技创新成果在卫生健康领域转化运用，推进全民健康数智化建设。

对生命科学企业而言，真正的挑战已经不只是“能不能把一个分子做出来”，而是如何让AI产生的设计更快进入真实实验，让实验数据能够持续反馈到下一轮研发决策，并让成熟候选进一步走向稳定、可放大的制造。

这也是擎科生物正在推进的“AI＋分子智造”路径：以长期规模化分子制造为基础，向高通量实验验证、数据闭环和AI辅助研发进一步延伸。

01  AI药物发现的另一半，是能够真实执行实验的基础设施

AIDD（AI Drug Discovery）让分子设计和候选生成的效率显著提升，但“算出来”并不等于“验证过”。无论是siRNA、ASO，还是抗体与蛋白候选，模型最终都需要回到湿实验：真正合成出来、表达出来、测出来，才能形成可信的研发反馈。

因此，AI药物发现真正需要的，不只是更强的模型，还需要一套能够承接大量候选、标准化执行实验并持续产生结构化数据的湿实验基础设施。

AI负责缩小候选空间；高通量实验负责把候选真正做出来、测出来；真实数据再回到下一轮设计。

对于擎科生物而言，这套基础设施并非从零开始建设。过去十余年围绕核酸与基因合成形成的高通量设备、工艺放大、生产数字化和自动化产线，正在成为“Build”这一层的现实底座。

02  十余年规模化生产，构成了“Build”的工程底座

经过十余年的深耕，擎科生物在规模化生产领域积累了深厚的工程经验。公司以自主研发的合成设备为基础，其迭代逻辑并非单纯追求设备参数的堆砌，而是始终围绕解决真实生产中的具体痛点：如何减少浪费、如何提高重复动作效率、以及如何在通量增加后保持过程的稳定。

如今，这种基于真实生产打磨出的工程能力，已经成功向两个核心维度延伸：

其一是高通量，实现了单次合成长度的大幅跨越，能够很好地满足各类大规模筛选场景的需求；

其二是高载量，成功覆盖了从微摩尔到克级，乃至百克级、公斤级的商业化生产规模。

从早期的设备研发到如今的规模化交付，真正被持续积累的并非单一的产品型号，而是贯穿不同研发阶段和生产规模下的工艺控制、设备工程、在线监测与质量管理经验。

03  从自动化实验到SDL：关键不是“无人”，而是形成实验闭环

当单台设备能够稳定运行之后，下一步并不是继续增加更多“自动化孤岛”，而是把实验流程连接起来。

目前，擎科生物全自动寡核苷酸平台已经将合成仪、氨解仪、纯化仪、酶标仪和分装仪整合在同一系统中，通过六轴机械手、高精度线性滑轨和中控系统统一调度，形成从亚磷酰胺单体到Oligo产物的一站式流程；类似的系统化思路还延伸到PCA产物制备、自动化测序和核酸提取纯化等场景。

这也构成了向Self－Driving Lab（SDL，自驱动实验室）进一步演进的基础。SDL的核心并不是“实验室里没有人”，而是让实验成为AI可以调用、比较和学习的过程。

Design → Build → TestScreen → Learn → Next Round

自动化解决的是“实验怎么做”；SDL进一步希望解决“下一轮最值得做什么”。要做到这一点，订单、样本、设备、工艺参数、检测结果和实验条件必须被持续记录并结构化连接。只有当真实实验数据能够稳定回流，AI才有机会从一次次实验中持续优化候选排序和下一轮实验设计。

因此，在这套架构中，自研设备的角色也发生了变化：合成仪、纯化仪、机械臂和自动化工作站不仅是生产工具，也开始成为AI模型与真实实验世界之间的执行层把数字世界中的设计转化成真实样本，再把实验数据返回模型。

04  小核酸：从高通量合成，走向“设计验证再设计”

小核酸是适合率先形成这一闭环的方向之一。一个靶点在早期研发阶段往往需要验证大量siRNA候选，而真正决定研发效率的，不只是一次能合成多少条序列，还包括这些候选能否快速进入统一的功能验证流程，并形成可以比较的数据。

擎科生物目前已经具备高通量Oligo合成、自动化后处理以及从研发到规模化生产的设备与工艺基础。在此基础上，公司在建siRNA智能检测平台，将通过自动化系统进一步连接细胞接种、转染、qPCR检测及结果分析等环节。未来的目标并不是把“AI”和“合成设备”简单并列，而是让它们进入同一条研发路径：

AI－assisted Design → High－throughput Synthesis → PurificationQC → Cell Assay → qPCR Knockdown → Data Analysis → Next－round Design

当候选序列、化学修饰、合成数据、细胞条件和基因沉默结果能够在同一数据框架下关联，AI才可能更有效地学习“什么样的候选更值得进入下一轮实验”，从而减少重复试错，让高通量制造真正服务于药物发现。

05  抗体与蛋白：让序列、表达、亲和力和功能数据真正连起来

抗体与蛋白研发面对的是另一种数据闭环。AI可以参与序列聚类、结构分析、候选排序和developability相关评价，但模型的价值最终仍需要由真实表达、结合、亲和力和功能实验来验证。

因此，擎科生物在这一方向更关注“AI－ready wet lab”的基础：让基因构建、高通量表达、纯化、结合亲和力检测以及后续功能数据能够按照统一标准产生并被结构化记录。

理想的数据链并不是一张最终结果表，而是：

Sequence → Construct → Expression → Purity → BindingAffinity → Developability → Function

当这些实验结果能够回到同一个候选ID下，AI才能真正利用实验数据进行下一轮候选排序与设计。对擎科生物而言其价值不在于对外强调“已有一个全能AI模型”，而在于把高通量实验、真实数据和模型迭代逐步连接起来。

06  从内部验证到外部复制：让研发与制造基础设施成为可复用能力

擎科生物的另一条路径，是把内部生产中形成的自动化、工艺和系统工程经验向外部科研与产业场景延伸。

与浙江工业大学郑裕国院士团队启动的“工业酶改造与细胞工厂构建智能设计平台”项目，正尝试把AI设计、自动化构建、高通量筛选和数据迭代组织在同一研发闭环中。该平台在设计端整合Transformer架构、蛋白结构预测与设计计算、多维度特征分析等技术，并配套结构化酶数据库，为模型训练、候选筛选与后续迭代提供数据基础。这一案例不只是“交付一条自动化产线”，而是验证一种更完整的方法：把设计、实验、数据和制造重新组织成能够持续迭代的系统。

这也意味着，过去在擎科生物内部长期运行和验证的设备、工艺、参数、数据管理和质量方法，正在逐步被抽象成可迁移到不同研发场景的工程模块。从自己能用，到外部场景可以复用，是“AI＋分子智造”从内部制造能力走向生命科学基础设施的重要一步。

从Manufacturing走向Discovery ＆ Manufacturing

回看走过的路，最初，是怎样把192条序列稳定做出来；后来，是怎样做到768条并行；再后来，是怎样从nmol走向g、百g和kg级，以及怎样让合成、氨解、纯化、检测和分装成为一条自动化流程。

今天，让AI真正进入分子设计，让高通量湿实验成为模型可以调用的验证平台，让实验数据能够回到下一轮设计，并让成熟候选继续走向规模化制造。

从规模化生产，到高通量实验；从自动化执行，到数据闭环；再到AI参与下一轮实验决策这是擎科生物从Manufacturing走向Discovery ＆ Manufacturing的一条长期路径。

这些底层能力最终能够让药物研发减少重复试错，让实验验证更高效，让制造过程更稳定、更可追溯，并让更多创新成果更快走向真实应用，那么AI、生物制造与健康创新才真正被连接在同一条价值链上。