AI4S青年志②丨赋澈生物王子龙:实验室里的「企业家」
原创 周蕾 2026-11-16 19:38 广东
同时拥有理工科训练、结构生物学功底,和系统商科思维的创业者,在AI4S领域里并不常见。
作者丨周蕾
编辑丨岑峰
【编者按】AI4S有时给人“雷声大雨点小”之感,是因为不少人把AI当成了目的本身,拿着锤子满世界找钉子,对科研周期与商业回报的错配却无知无觉。“AI4S青年志”第二篇,我们关注一个可能破解AI4S落地困局的样本。
一篇论文,通常只需要2-4位审稿人。
但当《Nature Biotechnology》的编辑们打开一篇来自加州大学伯克利分校的投稿时,他们很快意识到,2-4位远远不够。为了覆盖这篇论文涉及的每一个学科,编辑们前后邀请的审稿人数量已经来到了两位数。
论文横跨四个领域: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。审稿人们上来就说:他们只能看懂属于自己的那一部分,无法对其他部分做出评价。
学术论文通常像一辆概念车,但这篇论文,却被以量产车的标准来严苛审视。例如论文已经在实验室里证明,生物反应器中,新型塑料单体的滴度达到了1.84克每升——这是一个符合学术发表标准的数字。但一位材料学背景的审稿人直接追问:“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。”
这些质疑,同时关乎科学和商业。而回应它的人,需要同时听懂四种语言。
最终,四个不同领域的专家全部认可了这篇论文,编辑也点了头,论文在今年夏天成功刊发。这篇论文的署名栏里,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。计算机出身的人去学材料,化学出身的人去写代码,这样的故事比比皆是。
但像王子龙这样,同时拥有扎实的理工科训练、结构生物学的底层功底,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能听懂的语言——这种人在AI4S创业者中,并不常见。
借着论文刊发的机会,我们和王子龙完成了一次两个多小时的越洋连线,从中山大学逸仙班的经济学课堂聊到Jay Keasling的实验室,从主动拒绝创业风口聊到放弃教职、投身产业,试图还原这位AI4S青年科学家,在他过去二十年里的每一次关键选择。
01
像“爱迪生”的底色
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,原来爱迪生不光是科学家,同时也是一名商人,而他恰好也将自己培养出了科学家+企业家的双重能力结构。
这种能力结构的雏形,最早要追溯到本科时期。王子龙所就读的中大逸仙班,准入门槛极高,采用多学科混合培养的方式,除了数物化生的理工科内容,还有专门开设的经济学课程,由岭南学院的教授整套授课。加之出生于经商家庭,从事零售和分销,王子龙对商业实践已有着十几年的认知。
逸仙班的课业负担不轻,但当时的多学科培养,尤其是经济学方面的训练,直到今天仍然在为他的商业工作带来极大的帮助。一方面经济学带给他反直觉的思维和理论,帮助他避免踩坑;另一方面,这套训练也为一位纯科学家在做商业谈判、市场判断时,提供了底气。
“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、准备出国留学的王子龙,正是当时参赛的领队和对外主讲人。队伍最终闯入了全球决赛。在MIT的讲台上,他要用英语向评委解释团队的成果;回到实验室,他又得和队友一起解决具体的科学问题。
这个比赛最终帮他敲开了合成生物学认知的大门。也是在这个时期,他读到了一篇经典论文:用大肠杆菌和酵母菌全合成青蒿素前体。屠呦呦当年发现的青蒿素,在合成生物学的方法下,得以实现低成本、大规模的生产。而这位论文的作者Jay Keasling,后来成为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,实现不同的功能。”
合成生物学最底层的定义,是让每个基因的设计模块化,“像拼乐高一样拼基因,拼出不同的形态和功能。”王子龙被合成生物学深深吸引,但他并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”。例如植物学就属于课题型学科,“一旦选定分子植物学或植物分类学的方向,往外的延展就会变窄”。
而结构生物学属于后者。它研究的是蛋白质的三维结构,但掌握这门手艺的人,几乎可以进入任何生物科技方向——因为所有生命活动的最终执行者都是蛋白质。工具型学科偏基础,有很强的技术壁垒,但后期可以衍生出很多分支。
他甚至用免疫学试探过另一种可能——本科毕业论文专门做了这个方向,免疫学课程成绩全年级第一,也在一位知名教授的实验室里完成了毕业论文。但多方对比之后,他还是回到了合成生物学,因为它兼具工具和课题的双重属性。
这也是为什么他在博士阶段选择放下合成生物学、转向结构生物学。当时的他,意识到一个关键问题:由于对蛋白质缺乏足够的了解,导致做基因工程时经常得不到预想的结果。
探究蛋白质,也就成了他心里的一个执念:“我一定要完全掌握这块知识。”
王子龙告诉我们,当年即便是顺着免疫学的道路往下走,博士阶段大概率还是会做结构生物学,因为生物代谢的调控最终仍然与蛋白酶有关。
“如果博士后阶段可能就会做制药相关,再赶上AlphaFold这一波,那我创立的公司可能就不是做AI for materials,而是AI for drug discovery了。”王子龙笑道。
02
实验室里的商人
王子龙还在新加坡国立大学做结构生物学时,恰逢Jay Keasling来校做学术报告。
他当时的博士实验室小而专精,解析蛋白质结构效率太慢,“跟不上时代的需求”。他把这个顾虑抛给Keasling教授,得到的回答却是:这完全不是问题,我们机构有全套高通量设备、昂贵的全自动化机器和专业的合作者,做得特别快。
他与Keasling教授就此结缘,但在他去伯克利面试加入Keasling实验室前,还发生了一个小插曲:
Paul Adams曾任劳伦斯伯克利国家实验室结构生物学中心的主任,也是David Baker那篇RoseTTAFold蛋白质结构预测的诺贝尔奖级核心论文的共同通讯作者之一。他专程来找王子龙,问他愿不愿意继续跟自己一起做结构生物学。
在Adams麾下做博后,同样也是一条金光大道,但王子龙还是选择了合成生物学。
从左至右分别为:Seokjung Cheong, Jay Keasling, 王子龙
Keasling实验室强手如云,但他的选人逻辑并不强调出身。伯克利本身就是名校,发过Nature、Science正刊的申请者比比皆是,但这些在Keasling眼里只是参考因素。他真正在意的,是专业能力是否匹配实验室的课题发展。
王子龙博士期间因为结构生物学研究周期长,主要课题当时都尚未发表,但他的技能组合恰好是实验室需要的那一类。加上博士导师和几位教授的推荐,他顺利加入了实验室,接手了那个后来成为AI4S标杆的课题。
“运气好。”他用这三个字来概括这段经历,“如果我晚进去半年,这个课题未必是我的了。”
在Keasling实验室,王子龙很快证明了自己的价值。
实验室常年保持四十人以上的规模,博士后来自不同领域,各自带着不同的技能。王子龙因为结构生物学的底子,经常能帮别人解决技术问题。他拿过实验室的两个奖:一个是Best Lab Citizen,由全体成员投票选出,表彰在实验室运转和维护中贡献突出的人;另一个是Best Helper,得票必须超过其他人,意味着他在大量同事的课题中都伸过手。
在四十多人的实验室里习惯了帮别人解决问题,之后再面对四个实验室的联合项目时,他也没有觉得陌生。
那篇横跨四个学科的Nature Biotechnology论文,正是在这样的环境里长出来的。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,四个伯克利顶级实验室联合完成,论文各部分比重均匀,各占四分之一。王子龙是唯一的第一作者,Keasling是唯一的通讯作者。
他的工作不只是做实验。作为项目的管理者,他每周要跟四个实验室的博士后开会,还要跟教授同步进度。每三个月,则要向美国能源部做一次大型汇报,写季度报告汇报项目进展和资金使用情况。
这套流程跟开公司已经很像了。
其实在进Keasling实验室的第一天,王子龙就跟教授表达了自己要走商业这条路。在这个实验室里,创业并不是什么稀奇事,平均每年都有一到两个成员出去创业,拿到不错的融资结果。Keasling还会问每个人的职业规划,从一开始就划分好了谁偏商业、谁偏学术,给不同的培养方针,他的学生也因此遍布产业界。
回过头看这几年的行业趋势,2021年出来创业其实正是时候。当年合成生物学在国内正火热,估值高得惊人,好几家公司也特地飞去美国找到王子龙,劝他立马创业。
但他拒绝了。手上的项目没做完,即便对方确实认可他们的技术,但他还是觉得风险太大,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。”王子龙回忆,“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,给他带来一种“有问题就解决问题”的思维。人长期处于认知问题和解决问题的循环中,这种思维一旦形成,就很难被轻易击垮。“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,办法总是有的。”
“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。是无数的失败经验,推举出一两个成功的结论。”他后来这样总结。经历过大量失败才诞生的成功,让他和他的合伙人有了一种不太一样的心态:面对短期性的挫折和困难,他们有足够的承受能力。
这种韧性,最终让他在错过风口之后,依然能够靠真枪实战的能力,开始着手组建自己的团队。
03
“有利可图”的环保
王子龙提到的,那位同样具有韧性的合伙人,叫做Seokjung Cheong。2024年,两人一同从Keasling实验室结束博士后工作。比起申请一个体面的教职,他们选择把手里做了四五年的课题推向市场,创办了赋澈生物(FutureBio)。
拒绝了2021年的创业风口,他们面对的,是三年后已经冷静许多的市场。
Seokjung成了公司的CTO,他和王子龙在Keasling实验室共事多年,一起做了那篇Nature Biotechnology论文。两人的分工天然互补:王子龙的表达能力更胜一筹,就专门对外,负责融资、商业合作和公司宣传;Seokjung做事细致严谨,正适合对内,主抓技术和团队管理。
从左至右为:研究员,Seokjung Cheong, 王子龙
搭起核心团队后,王子龙开始寻找在工业化生产上有经验的人。他翻遍了Keasling实验室以前师兄师姐的名单,找到了凯赛生物的前研发副总裁Howard Chou。
这样一位在中国合成生物学领域大规模制造有过丰富经验的前辈,正是FutureBio需要的。可Howard从凯赛出来后,全国找他做联合创始人、做顾问的人实在太多。而Keasling的一封介绍信,让双方很快确认了彼此的能力。
王子龙回忆起双方的第一次见面,就是在Howard深圳先进院的办公室,完全没有陌生人的隔阂,两句话就拉近了所有关系。
Howard给FutureBio的建议非常具体。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,但成本不一定合适。大家的思路是先达到高产,之后再慢慢优化成本。但Howard告诉他们,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,直接拿的是全球最大的玉米原浆提供商之一ADM的玉米浆。如果一开始所有参数对标工业制造,做的每一分努力就都可以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。
而Keasling教授现在是FutureBio的官方首席顾问,双方保持着固定的顾问会议。在融资时,他的背书起了关键作用。他参与过投资人访谈,回答关于王子龙能力和性格的问题,也帮忙对接过一些投资人和业内的知名学者。对一家从实验室走出来的初创公司来说,导师的人脉网络在早期阶段是一种无形的支撑。
除了Keasling的关系,王子龙还十分偶然地,从另一位前辈那里获得了关键支持:晶泰科技的董事长温书豪。
在一次饭局上,温书豪问王子龙,“能不能用两分钟讲讲公司做什么?”听完王子龙的讲述,温书豪当即邀请他第二天去晶泰做路演。晶泰的三位创始人都参与此次路演,最终拍板决定参与FutureBio的融资。
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。数百万美元的金额不算太高,但足够让王子龙按照自己的想法,把基础扎实的事情一步一步做好。
不过,王子龙对公司的定位,从一开始就和很多环保材料公司不一样。
“大家都说环保,但环保往往意味着成本更高。”FutureBio的选择是兼顾,并在兼顾的基础上更在乎商业侧。“政策驱动是靠罚款、补贴和奖励来推广,但经济形势不好、补贴下降时,大家的意愿立刻下降。”
在他看来,如果真正想把环保做好,一定要从技术层面解决:让环保这件事“有利可图”,让整个商业链条里的人都能self-motivation。因此,FutureBio的材料有着高循环效率、低循环成本的特性,长期使用成本会逐渐下降。
04
AI4S的边界
这种让环保“有利可图”的商业判断,也塑造了王子龙对AI for Science的理解。
在他看来,很多公司的问题在于,AI被当成了目的本身,而不是工具;上来就讲要做AI for Science,实则是缺乏核心支撑力的表现。“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。”
他回忆起在Keasling实验室做课题时的一次亲身经历:那篇Nature Biotechnology论文里,团队一开始跟当时很多AI4S公司一样,用计算模拟数据搭了一套模型。但把材料做出来之后发现,模型对材料性能的预测完全不对,跟真实数据不匹配。
他们没有把错的模型藏起来,而是把真实数据放回模型去研究哪里出了问题,通过模型和材料之间的相互优化,找到了改进的方法。最终,他们把一开始那个错的模型也放进了论文里。
在学术界,这种把错误公开的做法并不常见。但这篇论文的特殊之处在于,它打通了整个平台模型和闭环,证明了计算预测可以被生产制造验证,还能不断循环迭代——这是AI for Science具备可落地性的证明。
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,更具有底座的意义。
做实验的数据量太小,真正训练AI对数据体量的要求却非常大,这就很强调数据生成能力——能不能更快、更高通量?在伯克利期间,他们其实已经能做高通量的分子生成和蛋白质酶的设计。现在则专注于打通特定分子的量产,保证生产制造能力,再接入高通量,形成一个既快又能制造的平台。
“2022年AI刚爆发时,大家就有一个共识: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,积累了超过二十年的数据,而其他很多科学领域没有这个条件。不存在只有一家公司能训练出来的模型,你总能找到竞品。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。”
但只有数据本身,还不够。很多运转了几十年的大公司,论数据积累,其优势自然不是小公司可比,但大公司们也不见得都做出了模型。
原因之一是古早的数据现在的AI读不了,需要专门的数据接口;另一个原因是实验数据来得太慢、太贵,不足以支撑模型训练。
FutureBio的解法,是用一套可扩展的生物制造平台来持续生成数据。这种平台特性在论文中有直接体现: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,同一套生物发酵系统就能生产出结构不同的塑料单体。
论文里展示了10种这样的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、质检和物流流程则无需改变。这意味着,优化一次菌株产率或发酵条件,所有产品都能同时受益。
他提到,FutureBio发展到现在,用的是工业培养基,成本已经降了下来,可以低成本地大量生产材料,获得真实世界的数据。相比那些每设计一种新化合物、都要重新开发合成路线,纯粹用化学手段合成材料的公司,FutureBio在数据生成效率上具有天然优势,也真正跑通过“设计-制造-验证”这一环,对于闭环里的关键节点,有独到的经验。
对于今年颇受关注的AI for Science,王子龙也给出了相对冷静的判断。
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,是因为除了网上原有的信息,那么多用户每天跟它交流,它是一个每天都获得真实世界物理反馈的系统。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、希望这个AI干什么。”
第二,始终要知道边界在哪里。
FutureBio做聚合物,目标就是建立聚合物材料的通用大模型。但他们清楚地知道自己一开始的知识边界和技术边界在哪里,在边界内可以做得精确可靠,再慢慢拓宽;而拓宽需要的知识体系、数据、验证方法,这些都要提前规划好。
“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。”
这不是王子龙一个人的节奏,而是他整个团队的节奏。在新加坡读博时的他,007的工作节奏是常态,但现在他给下面的项目负责人定了一条规矩:每天留至少百分之二十的时间思考。
团队即便坐在那里不干活,他依然发薪,因为他知道这些人肯定在想工作——做科学做到博士后的人,脑子里从来停不下来。
既要停下来想,也要跨出去做,这两种能力,其实来自同一个源头。
从逸仙班多学科混合培养,到“旁逸斜出”研读结构生物学,再到Keasling实验室的交叉合作,每一次选择,王子龙都在拓展自己能翻译的语言。那篇论文的审稿人们,大概不会想到,这个能同时回应四个领域质疑的博士后,其实在二十年前就开始为这一刻做准备,通过一次又一次看似绕远的路,最终抵达他选定的目的地。
在AI4S这个人人都在谈交叉的领域,王子龙仍然特殊。而那些看似绕远的路,最终都成了他脚下最扎实的地基。
//
推荐阅读
未经「AI科技评论」授权,严禁以任何方式在网页、论坛、社区进行转载!
公众号转载请先在「AI科技评论」后台留言取得授权,转载时需标注来源并插入本公众号名片。
未经「AI科技评论」授权,严禁以任何方式在网页、论坛、社区进行转载!
公众号转载请先在「AI科技评论」后台留言取得授权,转载时需标注来源并插入本公众号名片。