伯克利博士后王子龙放弃教职,与搭档创办赋澈生物,用工程化聚酮合酶平台量产塑料单体。他认为AI for Science的瓶颈不是算法而是数据,环保必须让产业链上的人主动参与。
一篇论文通常只需 2-4 位审稿人。但《Nature Biotechnology》的编辑在打开一篇来自加州大学伯克利分校的投稿时发现,这个数字远远不够——为了覆盖论文涉及的每个学科,他们先后邀请了两位数的审稿人。
这篇论文横跨合成生物学、材料科学、计算化学,以及技术经济学与碳排放核算四个领域。审稿人直言:只能看懂自己那一部分。
一位材料学背景的审稿人追问得更直接:论文在实验室证明了新型塑料单体滴度达到 1.84 克每升,这符合学术发表标准,但"如果这个平台要走向产业化,至少要让我看到几十克每升的可能性"。
最终,四个领域的专家全部认可了论文,今年夏天成功刊发。第一作者只有一个名字:王子龙。
在 AI for Science 的创业浪潮里,跨学科背景并不稀奇。但像王子龙这样,同时拥有理工科训练、结构生物学功底,以及从本科阶段就开始的系统商科思维,并且能把这一切翻译成彼此听得懂的语言的人,并不常见。

从经济学课堂到合成生物学
王子龙儿时的梦想是成为爱迪生那样的科学家。长大后他意识到,爱迪生同时也是商人,而他恰好把自己培养出了科学家与企业家的双重能力结构。
这要追溯到本科时期。他就读的中山大学逸仙班采用多学科混合培养,除数物化生外,还专门开设经济学课程,由岭南学院教授整套授课。加上出生于经商家庭,他对商业实践已有十几年的认知。
"基本的商业逻辑、经济逻辑我们都清楚,对外融资、谈合作的时候,精神面貌是不一样的。"
2011 年,中山大学首次参加 MIT 创办的 iGEM 国际基因工程机器大赛,正在读大三的王子龙是领队和对外主讲人,队伍最终闯入全球决赛。在 MIT 的讲台上,他用英语向评委解释成果;回到实验室,又要和队友一起解决具体的科学问题。
也是在这个时期,他读到一篇经典论文:用大肠杆菌和酵母菌全合成青蒿素前体,让屠呦呦发现的青蒿素实现低成本、大规模生产。论文作者 Jay Keasling,后来成了他在伯克利的导师。
"我们可以改造自然界的微生物,让它们为人类所用。"
但王子龙没有直接沿着这条道路走下去。在他看来,生物学的细分学科里,有些是不可迁移的"课题",有些是可迁移的"工具"。植物学属于前者,一旦选定方向,往外延展就会变窄;结构生物学属于后者——所有生命活动的最终执行者都是蛋白质,掌握这门手艺的人几乎可以进入任何生物科技方向。
于是博士阶段他放下合成生物学,转向结构生物学。原因很具体:对蛋白质缺乏足够了解,做基因工程时经常得不到预想的结果。"我一定要完全掌握这块知识。"
四十人实验室里的"最佳帮手"
在新加坡国立大学做结构生物学时,王子龙恰逢 Keasling 来校做学术报告。他当时所在的实验室小而专精,解析蛋白质结构效率太慢,"跟不上时代的需求"。Keasling 的回答是:这完全不是问题,我们机构有全套高通量设备和专业合作者。
去伯克利面试前还有个小插曲。劳伦斯伯克利国家实验室结构生物学中心前主任 Paul Adams 专程来找他,问愿不愿意继续跟自己做结构生物学。这也是一条金光大道,但王子龙还是选择了合成生物学。

Keasling 实验室常年保持四十人以上规模,博士后来自不同领域。伯克利本身名校云集,发过 Nature、Science 正刊的申请者比比皆是,但 Keasling 真正在意的是专业能力是否匹配实验室的课题发展。王子龙结构生物学研究周期长,主要课题当时尚未发表,但技能组合恰好是实验室需要的。
"运气好。"他用这三个字概括,"如果我晚进去半年,这个课题未必是我的了。"
因为结构生物学的底子,他经常帮同事解决技术问题,拿过实验室两个奖:Best Lab Citizen 由全体成员投票选出,表彰对实验室运转的贡献;Best Helper 需要得票超过其他人,意味着他在大量同事的课题中都伸过手。
那篇横跨四学科的论文,正是在这样的环境里长出来的。四个伯克利顶级实验室联合完成,各部分比重均匀,王子龙是唯一第一作者,Keasling 是唯一通讯作者。他的工作不只是做实验:每周跟四个实验室的博士后开会,跟教授同步进度,每三个月向美国能源部做一次大型汇报。
这套流程,跟开公司已经很像了。
进实验室第一天,王子龙就向教授表达了自己要走商业这条路。在这个实验室里,创业并不稀奇,平均每年有一到两个成员出去创业。
2021 年合成生物学在国内正火热,估值高得惊人,好几家公司特地飞去美国劝他创业。他拒绝了:手上的项目没做完,贸然创业是不负责任的表现。"2021 年创业的话,拿融资要简单得多。我们 2024 年融资的时候,早就错过那个风口了,真的得靠真枪实战的能力。"
多年的科研经历给了他"有问题就解决问题"的思维。"问题本身不会把人击倒。如果真的有爬不过去的坎,就绕过去。因为我们已经被科学鞭打了无数次——每一个科学论文成功的背后,都有大量的失败。"
让环保"有利可图"
2024 年,王子龙和同样具有韧性的搭档 Seokjung Cheong 一起结束博士后工作,把做了四五年的课题推向市场,创办赋澈生物(FutureBio)。Seokjung 出任 CTO,两人分工互补:王子龙负责融资、商业合作与对外宣传,Seokjung 主抓技术和团队管理。

搭起核心团队后,王子龙翻遍 Keasling 实验室的师兄师姐名单,找到了凯赛生物前研发副总裁 Howard Chou。Keasling 的一封介绍信,让双方很快确认了彼此的能力。
免费获取企业 AI 成熟度诊断报告,发现转型机会
Howard 给出了一个具体建议:很多生物制造公司早期为了让数据好看,会用各种手段做出很高的产量,成本却不一定合适,思路是先高产再优化成本。但他主张,从公司第一天起,生物制造就要对标工业大规模生产的口径和参数。
照这个思路,FutureBio 在美国用的发酵培养基,直接来自全球最大的玉米原浆提供商之一 ADM。这样每一分努力都能直接转化到工业制造上,未来达到高产之后,不需要再回头优化成本。
Keasling 现在是公司官方首席顾问,参与过投资人访谈,帮忙对接投资人和业内学者。另一位关键支持来自一次饭局:晶泰科技董事长温书豪问他"能不能用两分钟讲讲公司做什么",听完当即邀请他第二天去晶泰路演,三位创始人都到场,最终拍板参与融资。
2025 年初,FutureBio 完成天使轮融资,耀途资本领投,险峰长青、晶泰科技等跟投。金额不算太高,但足够按自己的节奏把基础做扎实。
王子龙对公司定位从一开始就和很多环保材料公司不同。"大家都说环保,但环保往往意味着成本更高。"他的选择是兼顾商业侧——政策驱动靠罚款、补贴和奖励,一旦经济形势不好、补贴下降,大家的意愿立刻下降。
在他看来,真想把环保做好,必须从技术层面解决:让环保这件事"有利可图",让整个商业链条里的人都能自我驱动(self-motivation)。
AI4S 的边界
这种商业判断,也塑造了王子龙对 AI for Science 的理解。
很多公司的问题在于把 AI 当成了目的本身,而不是工具,上来就讲要做 AI for Science,实则缺乏核心支撑力。"比如我们,是平台开发了这款材料,材料支撑公司的实体运转,在拓宽的过程中不断优化模型。不然一开始烧几亿、几十亿,烧完了什么都没有。"
他回忆起论文里的一次经历:团队一开始跟很多 AI4S 公司一样,用计算模拟数据搭了一套模型。但材料做出来后发现,模型对性能的预测完全不对。他们没有把错的模型藏起来,而是把真实数据放回模型去排查问题,通过模型与材料的相互优化找到改进方法——最后,那个一开始的错误模型也被放进了论文里。
这种把错误公开的做法在学术界并不常见,但这篇论文打通了整个平台模型与闭环,证明了计算预测可以被生产制造验证、还能不断循环迭代。
在王子龙看来,AI for Science 的瓶颈早已不是算法,数据的生成比模型和算法本身更具底座意义。"2022 年 AI 刚爆发时,大家就有共识:这里最有价值的商品是数据。AlphaFold 之所以能出现,是因为结构生物学领域在同样的数据模式和口径下积累了二十多年,而其他很多科学领域没有这个条件。谁真正掌握能被 AI 读取的数据,谁就掌握了 AI for Science 最底层的金币。"
FutureBio 的解法,是用一套可扩展的生物制造平台持续生成数据。论文中,团队用工程化聚酮合酶(PKS)作为"分子装配线",通过替换其中的蛋白质模块,同一套发酵系统就能生产出结构不同的塑料单体。论文展示了 10 种 PKS 产物变体,它们共享同一套发酵路径——就像一条汽车生产线,更换机械臂上的工具头就能加工不同型号的零件,底盘、质检和物流流程无需改变。优化一次菌株产率或发酵条件,所有产品同时受益。
相比每设计一种新化合物都要重新开发合成路线的纯化学合成公司,FutureBio 在数据生成效率上有天然优势,也真正跑通了"设计-制造-验证"这一环。
对今年颇受关注的 AI for Science,王子龙给出两点冷静判断。
第一,AI 的价值是预测的精准度,要给 AI 真实世界的物理反馈。"大语言模型之所以做得好,是因为那么多用户每天跟它交流,它是一个每天都获得真实世界反馈的系统。做 AI for Science 也一样,而且物理反馈很讲究策略:不是什么反馈都行,要了解 AI 需要什么。"
第二,始终要知道边界在哪里。FutureBio 做聚合物,目标是建立聚合物材料的通用大模型,但他们清楚自己一开始的知识边界和技术边界,在边界内做精确可靠,再慢慢拓宽;而拓宽需要的知识体系、数据和验证方法,都要提前规划。
"留给自己想的时间,一定要比决策和操作的时间多。三思而后行,很多事情没想清楚就做,就是浪费资源。"
现在他给项目负责人定了一条规矩:每天至少留百分之二十的时间思考。团队哪怕坐在那里不干活,他照样发薪——做科学做到博士后的人,脑子里从来停不下来。
从逸仙班的多学科混合培养,到"旁逸斜出"研读结构生物学,再到 Keasling 实验室的交叉合作,王子龙每一次选择都在拓展自己能翻译的语言。那篇论文的审稿人大概不会想到,这个能同时回应四个领域质疑的博士后,其实二十年前就开始为这一刻做准备。
在 AI4S 这个人人都在谈交叉的领域,那些看似绕远的路,最终都成了他脚下最扎实的地基。
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断