Ginkgo Bioworks 自主实验室

核心观点

Ginkgo Bioworks CEO Jason Kelly 认为：

AI 将通过自动化生物实验的"编译-调试循环"最终颠覆生物制药行业——将物理实验室工作转化为可以像计算一样扩展的软件问题。

生物学的编译-调试循环

当前瓶颈

DNA 工程中的物理过程：

1. 编写代码（设计 DNA 序列）
2. 合成 DNA
3. 插入细胞
4. 培养细胞
5. 测试预期结果

每次迭代：数天 + 数千美元

与软件开发的对比

Ginkgo 的双管齐下策略

15 年同时从两个方向攻击：

1. 降低物理成本

• 自动化和规模化"铸造厂"（中心化实验室）
• 降低每次实验成本

2. 优化设计

• 利用数据和 AI 提高设计一次成功的概率

战略转向

Ginkgo 最近转向主要专注于执行端——让实验更便宜更快——而不是直接在 AI 模型设计上竞争。

"硅谷态度"差距

Kelly 观察到：

生命科学工具行业"缺乏硅谷态度"——他们只是"为那些用传统方式做事的人提供下一个工具"，而不是试图改变根本方法。

可实践要点

对于生物科技/制药专业人士

• 审计你的编译-调试循环 — 绘制当前工作流程中每次迭代的时间和成本
• 分离设计与执行 — 考虑专注于执行（更便宜/更快的实验）同时在设计上合作（AI 模型）
• 寻找"后台"自动化机会 — 寻找可以完全自动化而不仅仅是辅助的物理流程

对于科技投资者

• 以迭代速度而非仅技术来评估 — 询问：你的编译-调试周期是多长？每次迭代成本多少？
• 考虑"全栈" vs "专家"问题 — 在深科技领域，垂直整合可能比软件领域更难

思维模型

DNA-as-Code 类比

DNA 就是代码（A、T、C、G 而非 0 和 1）。细胞像计算机一样可编程，但不同于计算机只是移动信息，细胞移动原子。

物理 vs 数字鸿沟

之前的技术革命（互联网、社交媒体）对生物技术来说只是"后台 IT"，因为它们只改善了信息流。AI 不同，因为它可以直接影响科学的物理工作。

提到的工具

• Ginkgo Bioworks Foundries — 自动化生物实验室
• Chai Bio — 蛋白质模型
• Bolt — 蛋白质设计 AI
• Arc Institute's EVO2 — 基因组模型
• OpenAI partnership — 实验室自动化合作

Sources

• Training Data podcast: https://www.youtube.com/playlist?list=PLOhHNjZItNnMm5tdW61JpnyxeYH5NDDx8
• Ingested from: AI 简报 2026-04-03