AI BioDesign获9460万美元押注：David Baker用AI蛋白质设计改写生物科技商业化路径

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-28

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。

📊 核心实体与商业数据

💡 业务落地拆解

从“读”到“写”：AI蛋白质设计的商业化分水岭

AlphaFold几乎把自然界2亿多种蛋白质结构预测了一遍，解决的是“读”的问题。而David Baker领衔的AI BioDesign选择了一条截然不同的路径：不预测自然造了什么，而是造出自然从未造过的东西。

2003年，Baker团队用Rosetta软件设计出Top7蛋白——93个氨基酸，折叠方式在当时所有已知蛋白中找不到先例。2024年诺贝尔化学奖一半授予Baker的计算蛋白质设计工作，另一半授予AlphaFold团队。

“如果说AlphaFold解决的是‘读’：预测这串氨基酸会折成什么形状，那么Baker解决的就是‘写’：为了实现某个功能，我该造个什么形状。”

实验基础设施：AI BioDesign的核心资产

AI BioDesign的玩法是打造一个狂奔的闭环：AI提出设计，实验室造出来并测量，结果回馈模型，再由模型决定下一轮造什么。

“规模不来自机器人，来自在试管内部做并行。”——执行总监Jesse Gray

具体做法是：把600万条设计序列一起丢进同一支试管，让细胞把它们各自造出来，再放到同样条件下跑一遍，最后交给测序仪一次读出结果。换成传统做法，光是测这一批就得花上好几年。

实验室按5-6人一组编成小队，各自死磕一个具体的生物设计难题。每一轮实验的成绩不只看做出了多少个能用的分子，更看模型从这一轮里学到了多少。

“如果有很多公司拿这些数据去把世界变好，那是我们的运气。”——总裁Rui Costa

不追通用大模型，重仓实验基础设施

当行业追逐通用大模型时，Baker和AI BioDesign选择了另一条路：做一批只管具体难题的小模型，再为每个问题专门造出海量新数据去喂它。

“上一阶段大家抢的是算力基础设施，下一阶段要抢的，是实验基础设施。”

该机构承诺模型、数据集、实验方法、试剂、基准全部开放。Costa给出的时限是18到24个月拿出真正的进展，5年内开放给全世界的研究者。

安全隐忧与合规挑战

批量制造自然界不存在的分子，必须防范意料之外的生态影响和恶意滥用。2025年10月发表在Science上的研究显示，微软团队用公开的蛋白设计工具，把72种受关注蛋白改写成约7.2万条合成同源序列，四款筛查软件大量漏检。

Baker主张：所有人工合成的DNA都做登记留档，记录序列，也记录下单的人。

🚀 对企业 AI 化的启示

1. 数据闭环优于模型规模：AI BioDesign的案例表明，在垂直领域，构建“设计-构建-测量-学习”的高效数据闭环，比单纯追求更大参数量的通用模型更具商业落地价值。

2. 实验基础设施是下一阶段竞争壁垒：当算力基础设施趋于同质化，实验基础设施——即物理世界的高通量数据生成能力——将成为AI商业化的核心差异化资产。

3. 开放生态与商业价值的平衡：AI BioDesign承诺全部开放模型、数据集和方法，这种策略虽看似放弃短期商业壁垒，但可能加速整个生物科技行业的价值创造，为先行者带来标准制定权和生态影响力。

4. 安全合规是AI生物设计的生命线：随着AI蛋白质设计能力指数级提升，DNA合成筛查、序列登记留档等合规机制必须同步进化，否则将面临严重的生物安全风险。

【官方原文链接】点击访问首发地址