自主实验室如何变革生物制药 — Ginkgo Bioworks 案例
来源：AI Builders Digest 2026-04-03
核心论点
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
核心问题
Kelly 将生物工程比作软件开发中的"编译-调试循环"——但速度慢了数个数量级，成本高出许多。
DNA 工程的流程：
- 编写代码（设计 DNA 序列）
- 合成 DNA
- 插入细胞
- 培养细胞
- 测试是否产生预期结果
现状： 这个物理编译-调试循环每次迭代需要数天时间和数千美元成本
与软件开发的对比
| 软件开发 | 生物工程 |
|---|---|
| 编译：秒级 | "编译"：数天 |
| 调试：即时 | 调试：数天 |
| 成本：近乎零 | 成本：数千美元/次 |
| 迭代速度：快 | 迭代速度：极慢 |
Ginkgo 的双管齐下方略
Ginkgo 用 15 年时间同时从两个方向攻击这个问题：
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 最近已转向主要专注于执行端（更便宜/更快的实验）而不是直接在 AI 模型设计上竞争。
"硅谷态度"的缺失
Kelly 观察到：
AI 公司（Chai Bio、Bolt、Arc Institute）正在用蛋白质和基因组模型攻击设计端。
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。
思维模型
DNA 即代码
Kelly 的基础思维模型：
- 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
- 不同于计算机只是移动信息，细胞移动原子
- 这意味着潜在应用更广泛——"你能构建的任何东西"
- 但编译-调试周期是物理的且缓慢的
物理 vs 数字的分野
Kelly 强调一个关键区别：
- 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——编译-调试循环本身
自筹资金的教训
Ginkgo 自筹资金 5 年（2008-2014）：
- "在生物技术 VC 中，他们真的不喜欢年轻人"
- "我们不是在做药物，所以我们完全无法投资"
洞察： 有时市场对什么类型的公司可投资是错误的，通过自筹资金度过那段时间可以创造巨大的护城河。
可应用要点
对于生物技术/制药从业者
- 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。赢家将是那些能最快迭代的公司，而不一定是初始设计最好的公司。
- 分离设计与执行 — 专注于执行（更便宜/更快的实验）同时在设计上合作（AI 模型）可能是一个可行策略。
- 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 — 询问被投公司：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。
精彩引用
"之前所有的技术革命——互联网、社交媒体——对生物技术和生物制药来说都毫无意义……但这次不同。这次真的会改变我们做科学的基本方式。"
"我们自筹资金了四五年……如果你不是生物专业的人，这说不通，但在生物技术 VC 中，他们真的不喜欢年轻人……我们不是在做药物，所以我们完全无法投资。"
关联
- ai-ecosystem/overview — AI 生态系统
- harness-engineering/overview — Harness Engineering
- forecasts/post-labor-economics — 后劳动经济学