全文1.7万字，阅读需要较长时间，建议收藏再看。
今年6月，美国初创公司Radical Numerics（RN）宣布完成5000万美元种子轮融资。RN表示正在解决的核心问题是，现有主流AI架构并非为生物系统的多模态、长上下文和复杂关系而设计，因此在DNA、RNA、蛋白质等生物数据之间进行统一建模、推理和设计时仍存在明显局限。RN将其目标定义为构建“通用生物智能”：让AI能够直接从生物数据中学习，并跨越DNA、RNA、蛋白质等不同层级理解和推理生命系统，最终实现对生物系统的“读、写与设计”。
关注合成生物的朋友一定会发现，过去十余年，合成生物赛道不断发生叙事跃迁：从“万物皆可合成”，到“AI+合成生物”，再到“AI蛋白”、“生物智能基础设施”、“通用生物智能”、“分子世界模型”等等。
这些不断变化的概念，究竟意味着底层技术正在发生一轮又一轮实质性的跃迁，还是资本市场在不断寻找新的投资和估值锚点？
答案或许并非二选一。
一方面，测序、DNA合成、CRISPR、AI蛋白设计、多组学与生成式AI等技术的进步，确实持续拓展着人类对生命系统的认知、设计与制造能力；另一方面，每一轮技术突破也都被迅速转化为新的产业叙事，并进入资本市场的估值体系。
技术进步与资本叙事，究竟是谁推动了谁，又有多少“未来”已经真正兑现为今天的商业价值？这或许才是理解合成生物过去十余年发展的一个重要切口。
如果把过去十余年的发展放在一起观察，可以发现一个反复出现的规律：每一次技术跃迁似乎都解决了上一阶段的部分瓶颈，同时也把问题推向了更复杂的下一层。从“能不能读懂生命”，到“能不能编辑生命”，再到“能不能设计生命”，如今行业进一步追问的是——能不能从海量生命数据中发现未知规律、创造新的生物资产，并最终将其稳定地转化为具有商业价值的产品？
而这也是合成生物学一直没有完全绕开的现实问题：基础科学和技术能力的进步，是否能够同步转化为工业尺度上的经济性？
过去几轮产业化实践已经反复证明，从实验室中的“可行”，到工厂里的“可复制、可盈利”，之间仍然存在巨大的工程鸿沟。发酵放大、传质与传热、原料与工艺波动、下游分离纯化，以及最终的整体成本结构彼此耦合，共同构成了从生物学性能走向产品经济性的关键门槛。
因此，合成生物学真正值得研究的，或许不仅是下一轮技术会出现什么新名词，更是每一次技术跃迁究竟改变了什么：
它改变的是生命科学的认知边界、产业制造的能力边界，还是资本市场对于未来的想象边界？
而这三者之间的距离，或许正是理解合成生物学过去、现在与未来的关键。
从资本市场来看，合成生物正在经历一轮新的重新定价，但这并不意味着市场只是简单地回到了上一轮景气周期。相反，随着技术能力、产业基础与资本环境的变化，中美市场正在呈现出不同的资本配置逻辑。
中国拥有相对完整的生物制造产业链和较强的工程化、规模化能力，资本关注点更多落在技术能否穿越产业化周期、产品能否形成真实商业回报，以及企业能否最终建立可持续的经济性；美国则依托领先的生物计算能力、成熟的创新资本市场以及高价值医药和材料市场，资本关注点正更多向AI驱动的生物计算、科学发现与新型生物基础设施迁移。
从全球投资数据看，SynBioBeta统计的2024年合成生物学VC投资达到约122亿美元，较2023年的107亿美元回升。这一口径覆盖其追踪的合成生物学企业和投资活动，并不能简单等同于整个AI+Bio或生命科学VC市场，但足以说明资本并没有退出这个行业，而是在经历两年的调整之后重新进入。
中国：2025年融资约72笔、总额约378亿元人民币，但资金高度集中于少数大额交易，早期融资仍占绝大多数。
美国：以AI Bio Agent、AI Bio Infra为代表的新一代公司开始密集获得资本支持，从Radical Numerics、Phylo到Lila Sciences，资本正在押注一种新的技术可能——合成生物学的核心竞争力，正在从“改造细胞”进一步向“AI驱动的自主生物发现与科学研发”延伸。
表面上看，中美资本似乎正在押注不同的方向；但如果进一步向下追溯，会发现两者其实都在回答同一个问题：如何突破合成生物从生命科学能力到可规模化经济价值之间的最后距离。 不同之处只在于，当前所处的产业阶段、优势能力与资本市场结构不同，因此选择了不同的切入点。
01
代际演进
每一轮技术跃迁，到底改变了什么
合成生物学过去十余年的发展，可以理解为一条持续向下穿透的产业化路径：读懂生命 → 编辑生命 → 设计生命 → 制造生命 → 优化生命制造的经济性。
这个过程里，资本市场叙事总是跑得比产业验证更快。
每一轮技术突破都会被迅速包装成新的产业语言：生物燃料、万物皆可合成、生物 AWS、高价值活性物、AI 蛋白、通用生物智能、分子世界模型。
但叙事变化本身不是问题，问题在于很多人常常把“上一层瓶颈被部分解决”误读为“完整商业闭环已经成立”。
前几轮产业实践更多是在干湿实验闭环中不断提高研发效率，但放大、制造和商业闭环仍然需要独立验证。
这也是理解过去十余年产业周期的关键。
为了便于观察，本文以资本市场主流叙事为界，将过去十余年的合成生物学发展大致划分为四代。本文的划分并非严格按照技术发生时间切割，几代之间也存在明显重叠。
第一代（2010–2015）
生物燃料与大宗化学品替代
第一代合成生物的核心想象非常直接：用微生物替代石油。
当时的资本叙事是，随着代谢工程、DNA合成和标准化生物底盘的发展，人类可以像改造工业设备一样改造细胞，让大肠杆菌、酵母和藻类成为新的“化工厂”。如果这一逻辑成立，生物制造面对的是燃料和大宗化学品这样的万亿美元级传统市场。
宏观环境也在强化这一叙事。美国政府通过DOE等机构持续提供支持，2010年代初的油价长期处于高位，使“生物路线与石化路线成本平价”的想象看起来并非遥不可及。
Amyris是这一时期最具代表性的公司之一。公司最初以利用工程酵母生产青蒿素前体而受到关注，随后试图将同一平台拓展至法尼烯、生物燃料以及香精香料等多个市场。最终，Amyris于2023年8月申请Chapter 11重组。
LS9则尝试利用微生物生产柴油等碳氢化合物，2014年被Renewable Energy Group以约6100万美元收购。
Solazyme则选择了另一条路线——利用藻类生产油脂和特种脂质。公司后来更名为TerraVia，并于2017年申请Chapter 11；Corbion最终通过破产程序以约2000万美元现金收购其主要资产。
Gevo则围绕异丁醇等生物基燃料和化学品展开，后续逐渐将战略重心转向可持续航空燃料。
这一代真正的问题并不是“生物路线能不能生产目标分子”。很多情况下，答案是肯定的。问题在于：当产品进入一个高度成熟、价格透明、规模巨大且已有成熟供应链的市场时，生物路线需要承担什么样的成本压力。
2014–2016年油价从超过100美元/桶快速下跌至30美元附近，是这一轮产业逻辑发生逆转的重要外部因素之一。此前依赖高油价建立的成本平价假设迅速失去支撑。
但把第一代的失败完全归因于油价同样是不准确的。即使没有油价下跌，大宗生物制造也面临Titer、Yield、Rate、原料成本、能耗、CAPEX、放大稳定性以及DSP等一系列工程约束。
第一代真正留下的投资教训，是大宗品的竞争最终会回到制造业最朴素的经济学：成本、稳定性、产能和资本效率。
生物学是进入这个市场的许可条件，却不是决定商业成败的充分条件。
第二代（2015–2020）
Bio-Foundry 平台叙事
如果第一代解决的是“能不能用生物路线生产”，第二代开始思考的是：
能不能像开发软件一样，更快地设计和构建生物系统？
Ginkgo Bioworks 和 Zymergen 成为这一阶段最具代表性的公司。
这一轮的核心思想，是通过自动化、标准化、高通量实验以及数据系统，把合成生物学中的Design–Build–Test–Learn（DBTL）循环工业化。这套逻辑本身没有错。
事实上，Foundry 确实解决了一个真实问题：传统生物研发高度依赖人工实验，设计、构建、测试之间存在大量等待和重复劳动；自动化能够提高实验通量，也能够让更多设计进入真实实验验证。
Ginkgo的Foundry业务就是这一逻辑的代表。2022年，Ginkgo Foundry收入约1.44亿美元，同比增长27%；同期公司的Biosecurity收入约3.34亿美元。
但问题在于，研发效率工具并不天然等于一个能够独立吞掉产业价值的商业平台。
Bio-Foundry 实际上处在CRO、技术平台和产品公司的交叉位置。一端是客户愿意支付的研发费用，另一端则是一个成功菌株可能产生的巨大下游产品价值。平台方承担的是研发设备、人员和实验成本，却未必能够分享下游产品的全部价值；而如果平台进一步向下游延伸，又需要承担产品开发、CAPEX、认证、市场和库存风险。
这形成了一个结构性问题：
Bio-Foundry平台所创造的研发效率，最终需要通过下游产品和产业化环节兑现为商业价值；但越向下游延伸，企业需要承担的产能建设、工艺放大、供应链和市场验证等风险也越高。对于停留在上游研发服务的平台而言，收入规模和商业模式又可能受到客户研发预算与服务属性的约束。
更深层的问题在于，生物制造并不像软件开发那样高度模块化。
菌株性能与底盘、培养基、发酵设备、过程控制、放大路径以及DSP工艺高度耦合。Design可以标准化，但Test和Learn的成本不会因为Foundry规模扩大而按照软件行业的逻辑快速趋近于零。
这也是为什么 Zymergen 最终成为这一代最典型的反例之一。Ginkgo于2022年10月完成对Zymergen的收购，后者成为Ginkgo的全资子公司。2023年10月，Zymergen及部分子公司申请Chapter 11破产保护；随后，Ginkgo以stalking horse bidder身份参与资产出售程序，并最终通过破产程序取得Zymergen绝大部分知识产权及其他相关资产。
因此，第二代真正留下来的不是“Foundry失败”，而是一个更加准确的定位：
Bio-Foundry是重要的研发基础设施，但未必天然适合成为独立吞掉整个产业链价值的超级平台。
它可以成为服务、软件、自动化设备、特定能力模块，也可以成为产品型公司的内部能力；但如果仅凭“生物AWS”这一类平台叙事就给予软件公司的估值逻辑，最终仍然需要面对生物制造本身的物理约束。
第三代（2019–2023）
高价值活性物 与 "小而美"选品
当大宗品的商业化难度被充分暴露后，行业开始寻找另一条路径：
既然低毛利大宗品很难与石化路线竞争，那么就寻找传统路线成本高、供应有限、天然提取受限，同时终端客户愿意支付溢价的产品。
于是，营养、医美、食品配料、天然活性物、医药中间体以及部分生物材料成为这一阶段的重要方向。
这一代的代表产品包括重组乳蛋白、重组胶原蛋白、透明质酸、母乳低聚糖（HMO）、麦角硫因、稀有人参皂苷、虾青素和其他类胡萝卜素等。
美国市场中，Perfect Day是这一阶段的重要代表。公司围绕精密发酵生产无动物来源的乳蛋白，曾获得较高的私人市场估值，但随后经历业务收缩。Motif FoodWorks、Geltor、Bolt Threads等公司则分别代表了食品、胶原蛋白和生物材料等不同方向。
中国则出现了另一种更加有本土特色的产业化路径。
华熙生物、巨子生物等公司在透明质酸、重组胶原蛋白等方向形成了较强的商业化能力；蓝晶微生物等企业则将生物制造进一步推向PHA等材料领域；在麦角硫因、虾青素、SAM-e等产品上，也出现了一批专门围绕高价值活性物进行选品和产业化的公司。
这一代最大的进步，是资本市场开始意识到：
合成生物学真正应该寻找的，不是“什么都可以合成”，而是哪些产品特别适合通过生物路线重新建立成本与供应链优势。
但第三代也暴露出了一个非常有意思的悖论：技术突破本身可能摧毁高毛利。
一个产品之所以拥有很高价格，往往正是因为传统路线成本高、产能有限或者供应不稳定。一旦生物制造路线被证明可行，并吸引更多企业进入，市场就会提前重新定价。
所以高价值小品类的真正风险，不一定是“产品卖不出去”，而可能是：产品卖得出去，但价格下降得比成本下降更快。这也是为什么第三代后期，市场开始从单一产品故事进一步转向产品组合、客户绑定、报证壁垒以及持续降本能力。
第3.5 代（2023–2024）
选品退潮
如果说前三代主要是技术和产业逻辑的演进，那么2023–2024年更像是一次资本市场的集中清算。
宏观上，美联储进入加息周期；产业上，Ginkgo、Zymergen、Amyris等具有象征意义的公司相继暴露商业化和资本效率问题；一级市场则开始重新审视此前给予平台型公司的高估值。
但这里有一个重要区别：市场不是突然认为合成生物学没有价值，而是开始要求企业证明价值在哪里。
过去的估值逻辑更多是：
技术平台 → 巨大TAM → 高增长 → 高估值。
这一阶段开始转向：
中试数据 → 连续罐次 → 客户验证 → 单位经济性 → 现金流。
中国市场同样出现了类似变化。过去资本更容易围绕“技术先进”、“市场空间大”形成估值，但随着项目进入中试和产业化阶段，投资人开始越来越直接地要求：“给我看罐次数据。”
这实际上意味着风险正在从一层迁移到下一层：科学风险 → 工程风险 → 商业风险。
很多公司并不是科学原理不成立，而是停留在实验室和工业生产之间，无法完成规模化验证。
这一阶段很重要，因为它为第四代AI叙事提供了一个新的出发点：资本并没有离开合成生物，而是在寻找新的、能够真正提高产业效率的技术杠杆。
第四代（2024–至今）
AI Bio Infra / AI Bio Agent / 生物智能
第四代与前三代最大的不同，是资本开始重新把注意力放回到生命科学的认知和设计端。
蛋白质语言模型、生成式蛋白设计、多组学模型、结构预测、自动化实验室和AI Agent的发展，使行业第一次出现了一个非常强的新想象：如果过去合成生物学是在工程化生命，那么下一阶段能否进一步工程化“发现生命”的过程？
这一轮美国资本市场的代表企业包括EvolutionaryScale、Generate:Biomedicines、Cradle、Chai Discovery以及Lila Sciences等。
EvolutionaryScale在2024年完成1.42亿美元融资，约合人民币10.2亿元，其核心产品ESM3代表了蛋白质语言模型向生成式设计进一步演进的方向。
Generate:Biomedicines 则代表另一种路径：利用生成式AI进行蛋白质药物设计，并与大型制药公司建立合作。公司2023年完成2.73亿美元C轮融资，后续与Novartis达成潜在价值超过10亿美元的合作。
Chai Discovery 于2025年8月完成7000万美元A轮融资，估值约5.5亿美元；仅四个月后，公司又于同年12月完成1.3亿美元B轮融资，估值升至约13亿美元。短时间内估值的大幅跃升，也反映出资本市场对AI驱动分子设计和生物计算新范式的高度关注。
而Lila Sciences代表的是更加激进的“AI Science Factory”路径：不是单纯用AI分析已有数据，而是让AI驱动自动化实验室持续生成新的科学数据。Lila的Series A累计达到3.5亿美元，总融资达到5.5亿美元，约合人民币25.2亿元和39.6亿元。
因此，第四代资本市场真正下注的东西，已经不只是：“AI可以帮助科学家更快做实验。”
而是：“AI是否可能成为新的科学生产力”。
国内也正在发生类似变化，只是路径并不完全相同。
分子之心以蛋白质大模型和AI蛋白质设计为核心，代表中国向生物计算和蛋白设计上游迁移的一类公司。
欣贝莱生物则更接近“AI+生物制造”的路径，将多组学、AI Agent、自动化实验和工业中试能力连接起来。
恩和科技则进一步将AI能力嵌入生物制造全流程，通过Physical AI连接生物设计、自动化实验、数据反馈与产业化生产，探索从“AI辅助研发”走向“AI驱动生物制造”的新路径。
这意味着中国并不是简单地停留在“发酵制造”。中国正在同时出现两种力量：一端是既有的工程化和制造优势，另一端是AI驱动的生物发现能力。真正值得观察的，是这两种能力能否最终汇合。
第四代技术确实能够压缩候选设计、文献理解、蛋白结构预测、酶改造、实验排程和数据回流的时间。它让DBTL循环中的Design更快，也可能让Learn更加系统。
但第四代同样不能绕开一个现实：模型可以设计出更好的序列，却不能自动保证50m³反应器中的溶氧、传质、剪切力、泡沫、温度梯度和副产物不会改变最终性能。
模型可以提高发现效率，却不能跳过DSP、报证、客户验证和产能爬坡。因此，AI Bio真正的产业价值并不是“替代制造”，而是：
让研发更早、更准确地接近制造目标函数。
如果一个AI模型只能证明benchmark更好，却无法证明模型输出能够降低放大失败、DSP成本、客户导入时间或研发资本开支，那么它更接近一个科研工具，而不是完整的产业基础设施。
四代叙事的横向对照表
| 维度 | Gen 1 生物燃料 | Gen 2 BioFoundry | Gen 3选品 | Gen 4 AI+ |
02
新叙事驱动
不是概念升级，而是瓶颈迁移
把四代放在一起，会发现一个非常清晰的规律：
第一代解决的是：能不能做出来。
第二代解决的是：能不能更快设计和构建。
第三代开始解决：应该做什么，才能赚钱。
3.5代开始要求：能不能证明你真的能工业化。
第四代则再次向上游推进：能不能用AI进一步降低发现和设计的不确定性。
所以，所谓“新叙事”并不是凭空出现的。它实际上对应着一个非常清晰的产业瓶颈迁移过程：生命科学认知 → 生物设计 → 实验验证 → 工程放大 → 产品经济性。
每一次上游效率提高，都会把真正的瓶颈进一步暴露出来。这也是为什么今天看AI Bio，如果只看到“AI可以生成更多蛋白”，其实还不够。
真正的问题应该是：这些蛋白有没有更高的表达量？更好的稳定性？更低的副产物？更容易纯化？更低的制造成本？更短的客户验证周期？
如果没有，AI只是把候选分子生成得更快。如果有，那么它才真正改变了产业经济性。
03
中美路径分化
如果说过去十余年合成生物学的发展，是一条从“理解生命”走向“设计生命”的技术演进路径，那么进入新一轮周期后，中美正在沿着不同的产业基础和资本结构，选择不同的价值实现路径。
表面上看，中美合成生物学资本市场正在押注不同方向：美国更热 AI Bio、AI Bio Agent、AI Bio Infra 和科学智能；中国仍然拥有更强的生物制造、工程化和产业化基础。
这并不意味着中美合成生物学正在走向截然不同的方向。相反，两者都在向价值链上游迁移，同时也都在试图打通从生物发现到产业制造的完整链条。不同之处在于，两国既有的产业基础、技术优势与资本市场结构不同，因此资本首先选择了不同的价值链环节进行下注。
美国的产业基础使其更容易从上游开始：
数据 - AI - Discovery - 生物资产 - 实验验证 - 产品化
中国则拥有另一套资产：
制造 - 工程 - 产品 - 经济性 - AI 赋能 - 生物发现
两条路径最终都必须穿过同一座桥：
生物学可行性 - 工业可行性 - 经济可行性
真正决定下一阶段产业格局的，可能恰恰是两条路径最终汇合的位置：
生物数据 → 计算发现 → 生物设计 → 实验验证 → 工程放大 → 产品制造 → 商业反馈
这也意味着，未来合成生物的竞争边界可能不再是单纯的“AI vs. 湿实验”或“发现 vs. 制造”，而是谁能够率先建立一个持续学习、持续验证、持续降低单位成本的生物创新闭环。
美国：从生物计算走向科学智能
美国的优势在上游。它拥有领先的基础研究、生命科学数据资源、计算生物学人才、AI 生态和成熟的风险资本市场。同时，美国拥有医药、创新疗法、高价值材料等能够承受高研发投入和高失败率的市场。
因此，美国当前资本更愿意押注“发现效率”的跃迁。从 Radical Numerics 所代表的通用生物智能，到 Lila Sciences 所代表的 AI Science Factories，美国市场正在押注一种更激进的可能：AI 不只是提高科学家的效率，而可能成为新的科学生产力。
这一路径的长期想象很大。如果 AI 能跨 DNA、RNA、蛋白质、细胞表型和实验反馈进行统一建模，未来生物资产供给方式可能被改变。发现新蛋白、新酶、新通路、新材料的速度可能显著提高。
但美国路径也有清晰风险：发现新的生物资产，并不等于创造新的商业价值。AI 可以压缩发现和设计时间，但一个新蛋白、新酶或新型生物材料最终仍然要经历实验验证、工艺开发、规模放大、产品认证和商业化。AI 正在压缩“发现”的时间，但并没有消除“制造”的时间。
中国：从产业化优势向闭环效率升级
中国合成生物学的发展，与本土强大的制造业基础和完整的产业链高度相关。
过去一轮产业化实践中，中国市场已经形成了从菌种构建、发酵放大，到分离纯化、装备制造和下游应用相对完整的工程体系。这使中国企业在合成生物产业化过程中具备一个重要优势：能够更快地把实验室中的生物学能力推向工业尺度。
因此，中国资本市场对合成生物的关注，长期以来更容易围绕几个核心问题展开：
能不能做出来？ → 能不能放大？ → 能不能稳定生产？ → 能不能卖出去？ → 能不能赚钱？
这组问题看似朴素，但恰恰更接近合成生物学商业化的本质。
这也解释了为什么中国市场过去较多的资本机会集中在生物制造、材料、食品、营养、医药中间体以及其他具有明确产业需求的方向。
但与此同时，这条路径也暴露出了合成生物产业最核心的约束：工程能力并不天然等于经济性。
实验室中的菌株性能可以不断优化，但当生产规模扩大后，发酵效率、原料成本、能耗、设备折旧、分离纯化以及产能利用率等因素会共同决定最终成本。一个在实验室阶段极具技术吸引力的产品，如果终端价格不足以覆盖整个制造链条，其技术价值最终仍然很难转化为商业价值。
更重要的是，中国市场容易出现另一种错配：用地方产业资本和产能冲动，过早推动仍处于科学风险或工程风险阶段的项目进入重资产扩产。一旦中试数据不足、DSP 路线不清、客户锁定不足，产能优势就可能变成价格内卷和资产负担。
因此，中国下一阶段真正的机会，不是简单复制美国 AI Bio 叙事，而是把既有制造优势升级为闭环效率优势。中国已有发酵、装备、原料、工程团队和产业客户，但这些能力过去更多服务于“把产品做出来”。下一阶段的关键，是让这些制造能力反向塑造上游研发目标：模型不是为了生成更多候选序列，而是为了更早预测哪些候选能够经受放大扰动、降低 DSP 难度，并在目标售价下形成正毛利。
中国应该补的不是 AI 概念，而是数据闭环
随着大模型、多组学、蛋白质设计和实验自动化技术的发展，中国越来越多的新创公司开始主动向价值链上游迁移，试图从“利用生物系统生产产品”，进一步走向“利用 AI 理解、设计和创造生物资产”。
例如，分子之心以蛋白质大模型为核心，探索从蛋白质结构与功能理解到生成式设计的计算能力；欣贝莱则进一步将多组学分析、AI Agent与自动化实验及工业中试能力结合，尝试打通从生物数据、资产发现到工程放大的完整链条；恩和生物则以 AI 驱动的药物研发为切入点，将计算能力进一步延伸至生物医药研发流程。
中国企业向 AI、蛋白设计、多组学、自动化研发上游延伸是必要的。但真正有价值的不是“公司有没有 AI 叙事”，而是 AI 是否嵌入工业目标函数。
一个有价值的中国 AI Bio / Bio Manufacturing 公司，应当拥有四类数据回流：
设计数据：序列、结构、通路、底盘和预测指标。
实验数据：表达量、活性、稳定性、毒性、副产物、杂质谱。
放大数据：不同罐容下的 Titer / Yield / Rate、DO、pH、补料、泡沫、批次稳定性。
商业数据：客户规格、报证进度、价格区间、送样结果、采购承诺、毛利和现金周期。
只有这些数据形成闭环，AI 才不是装饰性能力，而是持续降低不确定性的基础设施。
对中国而言，终局优势不应只是“制造成本更低”，而应是从生物资产发现、设计、验证、放大、纯化到商业反馈的系统效率更高。谁能率先把制造能力变成数据能力，再把数据能力变成研发和成本优势，谁才可能成为下一阶段的核心资产。
04
核心卡点
从实验室可行到经济可行的三道门
合成生物学最容易被误判的地方，是把实验室中的“可行”直接外推为工厂里的“可复制、可盈利”。但从摇瓶到百吨罐，中间并不是简单放大，而是系统重新组织。
放大不是技术细节，而是合成生物公司估值从愿景折现转向资产定价的分水岭。没有放大数据的公司，本质仍处于科学风险阶段；有中试但 DSP 未验证的公司，处于工程风险阶段；只有连续生产、客户验证和成本曲线同时成立，才进入商业风险阶段。
第一道门：工程放大门
在合成生物领域，一个反复出现的规律是：
从 1 L 到 100 L：Titer 平均下降 15–25%
从 100 L 到 5 m³：再下降 20–30%
从 5 m³ 到 50 m³：再下降 15–25%
从摇瓶到 50 m³ 的期望产率累计损失：40%–65%
这不是简单的工艺优化问题，而是物理世界的约束。小试环境里相对均匀的氧气、温度、搅拌和营养供给，在大罐中会变成明显梯度。菌体在流场中不断经历高氧、低氧、高糖、低糖、剪切、泡沫、温度和 pH 波动。对于工程菌而言，这些扰动会改变代谢分配，使碳流从目标产物转向副产物和维持代谢。
第二道门：DSP
许多合成生物项目真正的经济性不是死在发酵罐里，而是死在下游分离纯化里。
制造成本由上游发酵、下游 DSP、CAPEX 分摊、公用工程、人工和 QC 共同构成。对于高纯度食品、医药、蛋白和天然活性物，DSP可能成为制造成本的重要组成部分，并在某些产品中成为决定商业经济性的主要环节。
制造成本 = 上游发酵 + 下游 DSP + 分摊 CAPEX & 公用工程。产业实际观察到的 DSP 占比区间：
| 产品类型 | 典型 DSP 成本占比 | 主要原因 |
| 胞内表达 + 小分子（多数活性物） | 50–70% | |
| 胞内表达 + 疏水性蛋白 / 包涵体 | 60–80% |
DSP 被低估，原因在于它不如菌株设计性感，却直接决定产品能否卖出去。
根因拆解：
稀释诅咒： 发酵液天然是高度稀释体系。即便 Titer 达到顶尖的 100 g/L，目标产物在发酵液中也仅占约 10%，其余 90% 以上是水、菌体、杂蛋白、副产物、消泡剂及培养基残留。
热敏感性限制： 许多高附加值产物（麦角硫因、天然色素、工程酶）难以耐受高温蒸馏/浓缩，需依赖膜分离（NF/RO）、减压薄膜蒸发或低温结晶等技术，能耗与 CAPEX 居高不下。
对映体/异构体控制： 杂质如果存在光学异构体（如 D/L-乳酸）， DSP后处理成本极其昂贵，这强倒逼上游代谢工程必须做到极致的代谢流调控以减少对映体副产物。
阶梯式法规成本： 随着产品向医药级延伸，内毒素（<0.1 EU/mg）、宿主蛋白（HCP <100 ppm）和 DNA 残留的去除要求极其苛刻，往往需要 3–4 步层析，纯度每提高一个数量级，成本都会呈指数级上升。
环保与溶剂回收瓶颈： 萃取与洗脱过程中的溶剂消耗、三废处理及回收系统，会反向吞噬上游积累的成本优势。许多实验室可行的工艺，在规模化环保排污指标前会被直接否决。
因此，真正应该问一家公司的不是“你们菌株多先进”，而是：
现有 leading product 的 DSP 成本占比是多少。
杂质谱是否稳定。
是否有 chemical engineer、原料药工艺或大宗化学品生产背景的核心团队。
菌株设计是否从一开始就考虑分泌、结晶、相分离、低副产物和可纯化性。
未来两年 DSP 成本如何压到 35% 以内。
第三道门：商业门
Titer、Yield和Rate决定了制造潜力，但不能单独决定商业价值。
最终经济性还取决于：目标售价、传统路线成本、客户切换成本、报证周期、价格下降速度、产能利用率和现金周期。
这也是为什么大宗品和高价值小品类必须用两套完全不同的投资逻辑。大宗品的售价低、价格透明、竞争充分，必须依靠极低成本、高稳定性和大规模产能建立优势。
高价值小品类则拥有更高的价格和毛利空间，但市场容量有限，而且技术扩散可能迅速压低价格。
因此真正应该问的不是：“这个产品TAM有多大？”
而是：“如果未来价格下降30%甚至50%，公司还能不能赚钱？”这一个问题，往往比TAM更加接近合成生物公司的真实价值。
05
选品逻辑
麦角硫因 EGT 的案例
前几轮产业化实践之后，合成生物学的选品逻辑开始发生变化。行业逐渐意识到，“能不能做出来”并不是一个足够好的选品标准，真正决定项目价值的，是生物路线能否在目标市场中形成持续的成本和性能优势。
这意味着，选品不能再从技术能力正向出发——“我们能做什么，就去找什么市场”——而应该从终端经济性反向推导：
终端售价 → 可接受制造成本 → 工艺成本结构 → 所需Titer / Yield / Rate → 菌株与工艺要求。
FullCost = 发酵总成本(碳源成本 + 培养基其他成本 + 能耗 + 折旧摊销 + 人工) / (1 - DSP%)+单位DSP提纯成本
一个真正适合生物制造的产品，通常需要同时满足几个条件：传统生产路线存在明显成本或供应链痛点；终端产品具有足够的价值密度，能够覆盖生物制造相对较高的早期成本；市场规模足以支撑产业化，但又不能大到必须直接与成熟石化路线进行极限成本竞争；同时，产品还应当具备通过菌株改造、发酵优化或下游工艺持续降本的空间。
麦角硫因（EGT）是这一逻辑的典型案例。
过去，EGT主要依赖化学合成或天然提取，供应能力和生产成本构成了产品价格的重要支撑。随着微生物合成路线逐步成熟，生物制造开始具备规模化供给的可能，市场竞争也随之加剧。对企业而言，这意味着早期较高的产品价格并不能直接等同于长期毛利空间：当新的生产路线降低供给门槛之后，产品价格本身也会重新定价。
因此，对于这类高价值活性物，我们需要关注的并不是某一个时间点上的产品售价，而是价格下降之后，企业是否仍然能够保持成本优势。
这也是合成生物选品与传统消费品、医药项目最大的不同之一：企业不能只证明“今天能够赚钱”，还需要证明当竞争者进入、供给增加、产品价格持续下降之后，自己的生物路线仍然能够赚钱。
因此，判断一个产品是否值得投入，不应该只看市场规模和当前毛利，而应该进一步倒推：
如果终端价格下降30%，项目是否仍然成立？如果竞争对手将产能扩大数倍，成本曲线是否仍然领先？如果发酵Titer没有达到理论最优水平，项目是否仍然具备经济性？如果DSP成本高于预期，整体单位经济性是否仍然成立？
这几个问题，比单纯讨论TAM更接近合成生物公司的真实商业价值。
从这个角度看，合成生物的选品本质上不是寻找“最大的市场”，而是寻找生物制造相对于传统路线具有结构性优势的市场切口。
也正因此，第三代合成生物公司逐渐从“万物皆可合成”的平台逻辑，转向了更加现实的产品逻辑：不是证明什么都能做，而是证明为什么这个东西应该由生物来做。
大宗品 vs 高毛利小品类
大宗品参考（1,3-丙二醇 PDO，售价 ~2 USD/kg） —— 杜邦 / Genomatica 已跑通商业化：
| 指标 | 门槛值 | 说明 |
这也是为什么大宗品玩家极少，且几乎全部是老牌化工巨头（Cargill / DuPont / BASF / Genomatica / 华鲁恒升 / 金丹科技）的原因 —— 大宗品里，生物学不是门槛，工程化和资本结构才是门槛。
GTM 路径差异：高毛利小品类 vs 大宗品
| 维度 | 高毛利小品类（EGT / HMO / 稀有皂苷） | 大宗品（PDO / 乳酸 / 琥珀酸 / PHA） |
| 200 – 1000 M USD | ||
| 核心风险 1 | 价格 12–18 个月内崩塌 | CAPEX 超支 + 大宗品价格周期 |
| 核心风险 2 | 监管报证（新食品原料等）3–5 年周期 | 单一大客户依赖 / take-or-pay 谈判 |
| 核心风险 3 | ||
大宗品的核心不是“技术能不能做”，而是：能否在长期价格周期下建立稳定的成本优势。
因此它更像一个化工项目。需要看的不是简单的VC增长，而是：CAPEX、产能利用率、原料锁定、长期客户、项目IRR、债务结构和现金流。
如果企业需要持续依靠VC股权融资来建设大型生产线，往往意味着资本结构和商业模式本身存在错配。
高价值小品类则不同。它的核心是：能否在价格快速下降之前建立成本、客户和渠道壁垒
因此，这类公司的资本窗口可能比大宗品短。真正优秀的公司必须能够在单一产品价格下降之后，依靠：成本曲线、报证壁垒、客户绑定和多产品 Pipeline继续维持盈利。
06
终局画像
什么样的公司可能胜出
合成生物学没有绝对单一的胜出范式。过去的“全栈巨头 vs. 细分拆解”二元对立是一个伪命题。
从资本结构、数据流动方式、工程控制力与商业变现路径四个维度重新审视，下一代合成生物学公司将重构为三类生态位＋一种终极演进形态。无论属于哪种形态，用真实工业数据缩短“生物学可行性→工业可行性→ 经济可行性”的距离，是共同的生死底线。
第一类是产品型闭环公司，以终为始的产品制造与商业化实体。它们围绕核心产品建立菌株、发酵、DSP、报证、客户和产能能力，并逐步扩展到相关产品组合。市场不为“生物学技术”买单，只为“更具性价比或独特性状的产品”买单。
这类公司适合营养、医美、食品配料、医药中间体、高价值活性物等方向。它们的护城河不是单个菌株，而是成本曲线、报证壁垒、客户绑定、稳定交付和多产品复制。
这类公司，要重点看：
主打产品在百吨级/千吨级下的稳态毛利率（在产品价格下行期仍能维持）
客户验证周期与最低采购承诺（Take-or-pay / Binding Order）
多产品线是否能真正复用相同的销售渠道与法规报证路径
工业赋能型平台
第二类是工业使能型平台。它们不再讲泛化 Bio-Foundry 故事，而是聚焦特定环节的可验证能力，例如酶设计、DSP 工艺包、scale-down 放大模型、自动化中试系统、特定底盘开发、工业软件和数据系统。
这类公司的收入模型更接近工具、工艺许可、工业软件加服务，或者深度嵌入产品公司的能力模块。例如，极端宿主底盘开发、高通量酶定向进化、DSP 连续流提取工艺包、Scale-down 放大扰动模型、工业级 Bio-CAD 软件。
它们不应被要求承担完整产品化风险，但也不能只靠“平台想象”估值。
这类公司，要看：
收入模型为“服务/许可/工具”而非自带产品风险，且毛利与复购率真实。
明确的商业边界——不与下游客户争夺终端产品价值。
交付的工艺包在客户工厂中的一次性成功率。
产业联合体 / 基础设施型公司
第三类是新一代生物基大宗制造的重资产基础设施。它们与化工、粮油、医药、地方平台、能源或战略客户共建产能，适合大宗品、战略物资、关键原料和长周期基础设施。
这类公司不应完全用 VC 逻辑评估。它们的关键不在于早期收入增速，而在于项目 IRR、产能利用率、原料锁定、客户 take-or-pay、政策支持、债务结构和产业方协同。
这类公司，要看：
CAPEX 是否由传统产业方/项目债承担，而非消耗稀释性股权资本。
极端低价情景下的项目 IRR 与 Debt Service Coverage Ratio（债务偿付备付率）。
工艺包在万吨级连续运行下的 EHS 与物料/能量衡算。
共通底线：AI 设计层 + 工程制造层 + 商业反馈层
无论是哪类终局，下一代公司都需要打通三层能力。
第一是 AI 设计层。使用公共模型本身不是护城河，关键是是否拥有与目标宿主、目标产物和目标工艺相关的私有数据，包括失败样本、杂质谱、动态过程曲线和放大扰动。模型目标函数必须包含表达量、分泌、热稳定、溶剂耐受、宿主毒性和 DSP 可分离性，而不仅是结构置信度或结合分数。
第二是工程制造层。公司需要 fermentation、过程控制、CFD / scale-down、分析化学和 DSP 能力。真正优秀的团队会在 1-10m³之前就建立杂质谱、物料衡算、能量衡算和完全成本模型，而不是等菌株完成后再找工厂。
第三是商业反馈层。量产前必须取得客户规格、送样通过、价格区间、最低采购承诺或明确验证路径。技术服务、许可和产品销售需要分别核算毛利与现金周期，不能混在一个平台故事里。
终局不是所有公司都变成全栈巨头，而是所有能活下来的公司都必须知道自己在哪个环节拥有不可替代性，并用真实生产数据证明这种不可替代性。
07
结语
过去十余年，合成生物学经历了多轮技术跃迁和资本叙事。从生物燃料，到Bio-Foundry；从高价值活性物，到AI蛋白；从生物制造，到生物智能。这些叙事都不是完全错误的。恰恰相反，每一次技术进步都真实推动了行业向前。
真正需要反思的是：技术进步的速度，并不等于产业价值兑现的速度。
AI可以把发现一个候选蛋白的时间大幅压缩，但从候选蛋白到稳定生产，仍然需要实验验证、工艺开发、发酵放大、DSP、认证、客户导入和商业化。
所以，未来合成生物真正值得关注的，不应该只是“下一轮会出现什么更大的概念”，而应该是：每一次技术跃迁，究竟有没有进一步缩短生物学可行性、工业可行性与经济可行性之间的距离。
真正值得耐心资本等待的，未必是最会讲“下一代生物智能”故事的企业，而是那些能够找到正确产品、建立正确生物路线、穿越工程放大、持续降低单位成本、获得真实客户，并让生产数据反哺下一轮研发的企业。
从这个意义上说，合成生物正在进入一个与过去几轮并不完全相同的资本周期。
过去几代产业叙事的演进，大体遵循着一条从技术想象走向产业验证的路径：当新的技术能力被证明之后，资本开始寻找真实产品、真实产能和真实经济性；而随着产业化问题逐渐暴露，上一轮估值体系最终回归到成本、现金流和资本效率。
但这一轮并不是简单重复这个过程。
AI蛋白、蛋白质基础模型、分子世界模型、AI Bio Agent乃至“通用生物智能”，正在把资本市场的视线重新拉回到更上游的问题：机器究竟能否真正理解生命、发现未知生物规律，并自主完成从设计到实验的科学发现过程？
这意味着，今天的资本市场正在为一个尚未完成产业验证的技术范式重新定价。
因此，这一轮最值得警惕的，也恰恰是最值得关注的：它既可能成为又一次由技术想象驱动的估值周期，也可能真正开启生物研发范式的下一次跃迁。
区别不在于“AI Bio”这个概念本身是否成立，而在于未来几年，AI所获得的认知能力，能否穿透实验、工程和产业化的边界，最终转化为更快的发现、更高质量的生物资产，以及更低的研发和制造成本。
如果这一过程能够成立，那么今天的AI蛋白、分子世界模型和生物智能基础设施，并不是上一轮合成生物叙事的重新包装，而可能是一个新的产业层级正在形成。
而如果最终无法穿透这道边界，那么这一轮仍然会回到合成生物过去反复经历过的那条路径：
技术突破 → 资本追逐 → 估值扩张 → 产业验证 → 重新定价。
所以，对今天的国内投资而言，真正需要重新建立的并不是“要不要投资AI Bio”的判断，而是如何区分技术范式的真实跃迁，与资本市场对未来的提前定价。
前者需要风险资本去探索，后者则需要耐心资本去等待验证。
而这或许才是这一轮合成生物资本周期真正值得讨论的问题：当技术叙事再次走向最前沿，我们究竟应该为“已经被证明的产业价值”定价，还是为“尚未被证明的技术可能性”下注？
— END —
