都在设想AI+生物制造，但为何那么多人吐槽？

2025年19篇（共503篇）原创文章

我在2月28日上海举行的第二届精准发酵论坛上，发了好几条视频，但这仅是论坛精彩部分的冰山一角。

这次论坛，我主持的圆桌题目是《数据驱动下的生物制造如何实现真正的智能化》。

圆桌上，来自学界、产业界的嘉宾被我“逼”出了不少精彩回答。我下篇来总结。

这篇我更想说的是，业内人士对于AI+生物制造的吐槽。

比如，我在视频分享生物反应器公司迪必尔（论坛主办方）的发展历程。

认识迪必尔创始人老钱，是很多年前在我父亲的实验室里。

老钱那时候就是一位看上去平平无奇的卖罐子的小伙子小钱，学历、资历都不突出，但很真诚，所以给我留下印象。

而我也只是生物制造赛道之外的一个平平无奇的创业者，看似光鲜，实则苦逼。

不知道从什么时候开始，老钱麾下笼络了一帮学历、资历都非常突出的科技达人，而迪必尔也从“铁器时代”大踏步迈入了“数据时代”。

第六代平行生物反应器仅有电脑桌面大小，却集成24个微型反应器。

通过统一界面操控上千台设备，实现无人值守的精准发酵。

这些“迷你罐”并非简单缩小体积，而是通过结构仿真与大罐完全一致。

这样能够让实验室数据能直接放大到工业生产，填补了行业“既要高效研发，又要快速量产”的空白。

转折来了，视频一发布，上述这段话就被“吐槽”。

一方面，创始人老钱说：你太夸我们了，还做得不够好，但努力方向是坚定的。

这里得说明，视频文案是我自己写的，因为不收广告费，也不受“甲方”审核，我发出来了，老钱才看到，于是有了上面这段“吐槽”。

另一方面，有行内人在公众号给我留言：

“芳博士请教你一个问题，实验室发酵罐真能仿真大生产发酵罐吗？这是全球发酵行业最大的牛皮，科学是吹出来的吗？懂发酵知识吗？”

上图绿色部分是我AI助手的回复：

实验室发酵罐在一定程度上可以仿真大生产发酵罐，但并不能完全等同。

两者之间存在显著差异，主要体现在规模、混合效果和氧气供应等方面。

首先，实验室发酵罐通常体积较小，一般在几升到几十升之间，而大生产发酵罐则可能达到几百吨甚至更大。这种规模的差异导致在小罐中容易实现的均匀混合和氧气供给，在大罐中可能会受到限制。

例如，实验室小罐可以通过简单搅拌实现均匀的氧气分布，而大罐由于高度和体积的增加，氧气传递效率可能下降，导致细胞生长不均匀，影响发酵效果。

其次，实验室条件下的环境参数(如温度、pH值、溶氧等)相对容易控制，而大生产环境中的变量更多，控制难度加大。

因此，虽然实验室发酵罐可以通过精确的控制和监测来模拟某些大生产的条件，但其仿真能力是有限的，无法完全再现大规模生产中的复杂性和不可预知性。

综上所述，实验室发酵罐在一定程度上能够为大生产提供数据支持和优化建议，但将其视为完全等同于大生产发酵罐的能力则是不准确的。

科学并非吹出来的，而是通过严谨的实验和数据分析不断推进的。

两相比较，我的AI助手真的比我懂发酵多了。

不过，我个人为了“找回脸面”，还是认真地回复了这位读者的问题：

我想AI助手已经很全面地回答您的问题。实验室仿真大生产发酵罐，是方向，不是终点。

就像虚拟现实，也不完全复刻现实，但却是虚拟现实的发展方向。

所以，批驳实验室发酵罐不够仿真大生产，而忽视这里面的技术进步，就像批驳AR眼镜呈现的3D实景不完全真实一样，也像旧时代批驳汽车跑得还不如马车快一样。

用小的模型，反映大的现实，是任何行业的终极追求，值得我们在这条路上携手突破，而不是在路上就互相推搡，对么？

我想，朋友们来看我的公众号，并不是因为我准确或者专业。

我一个经济学毕业的，就算再勤奋努力，也只能学到生物技术之皮毛。

但因为我不“专业”，所以才能跳脱“专业”，来看行业发展和技术进步的方向。

我一个“技术外行”，无从评判谁的技术更好，市场的需求和口碑替我判断。

迪必尔的产品走进全球100余家高校、600多家企业，累计交付超1万台设备，在合成生物学、基因治疗等领域打破国际垄断，让海外客户认可“中国制造真香”。

我想，这是可以证明其实力的。尤其我认可迪必尔的开源态度——

自主研发的D2MS数据管理系统，免费开放给全球生物技术社区，推动行业数据接口标准化。

我也很欣赏公司总裁李雪良博士，在论坛闭幕式的报告《Building a data-driven bioindustry：Is your data AI-Ready?》中的观点：“数据是人工智能的基础”。

确实，生物制造领域的AI应用依赖高质量数据，解决跨厂商设备数据格式不统一、参数命名混乱等问题是重中之重。

因此，产业链合作推动行业标准落地，非常重要！

三流做产品，二流创品牌，一流建标准——我们大多数人都明白。

但是，谁来费力不讨好地推动标准的制定呢？我宣传个理念都要被吐槽。

这源于我发布了关于反应器人机对话的理想与现实的视频。

迪必尔目前在D2MS数据和设备管理系统中已实现了用户关注的参数自动化采集、实验全流程记录及实时监控报警推送。

系统基于关系型数据库构建，支持机器学习模型直接调用结构化数据，显著提升问题分析和工艺决策的效率。

我拿迪必尔举例子，并不是说它做得最好、够完美，而是这个方向是难而正确的。

我希望所有反应器公司以及发酵、分离、纯化各个环节的设备公司，都往打通数据的方向发展。

当下的精准发酵领域正因数据的大量产生以及AI技术的爆发迎来深刻变革，食品、医药、材料等行业的产业格局正在被重塑。

一个以数据为基础的开放协同的生物产业创新生态正在形成。

在这过程中，人工智能的准确度不够高、参数偏误导致出现误报误判、商业数据的确权和安全问题……都值得被吐槽，但更值得被解决。

比如，有朋友在我视频号下留言：

“基于什么理由，可以让企业把研发/生产真实数据交出来，让你用于Ai训练和优化呢？”

我的回复是：

“基于什么理由，你愿意把自己的照片、文档（等隐私）传上云端做AI处理呢？一定是平台处理数据的能力太强了，强到你愿意冒风险。企业也是同理，如果云平台能力是鸡肋，企业肯定本地化部署，但如果云平台能力如同deepseek，肯定愿意冒泄露风险获得更高效精准的解决方案。”

安全和效率，永远是一个矛盾统一体。

为了绝对的安全，我们可以不出门，也可以不上网。但这个时代都在拥抱数据时，追求安全的我们，往往最受损害——被时代淘汰。

同样的，企业的数据可以不上传，设备的端口可以永封闭。

生物制造产业中的我们，依然得忍受从一台机子把数据拷出来，再复制到另一台设备上的低效率，依然得依赖于老专家的“一眼定乾坤”，才能对工艺优化做出决策。

但当生物制造不可避免的从“经验驱动”向“智能预测和执行”转型，当其他厂商构建起“硬件+数据+生态”护城河时，只会吐槽和嘲讽的人，还站在时代的潮头上么？

未来，谁能成为生物制造的操作系统，谁就能引领AI+生物制造的时代潮流。

悲观者永远正确，乐观者才能成功。