# AI Bio 的下一场基础设施革命：当实验成为新的算力

过去两年，AI Bio最容易被理解成“AI制药”。
更大的模型、更准确的蛋白质结构预测、更强的分子生成能力，以及AI能否把一款新药从实验室送进临床，构成了市场对这个行业最直观的想象。
但如果把视角拉远一点，真正值得关注的变化可能并不在“哪一个AI模型能设计出最好的药”，而在另一个更底层的问题：
**当AI能够以极低成本生成越来越多生物学假设之后，谁来把这些数字世界里的设计变成真实世界里的实验？**
这可能是AI Bio未来十年最重要的基础设施机会。
## 从“计算瓶颈”转向“实验瓶颈”
过去几十年，生物研发的基本模式一直非常昂贵。
研究人员先提出少量假设，再设计实验，合成DNA、表达蛋白、培养细胞、做动物实验，最后根据结果决定下一轮研究方向。
整个流程的核心约束，是人的时间。
一个实验室一年能够真正深入测试的蛋白、抗体或者分子数量极其有限，因此研究人员首先要做的，是尽量减少候选方案。
AI正在改变这个前提。
蛋白质模型、基因组模型、抗体设计模型和科学Agent，使产生一个新设计的边际成本迅速下降。
过去一个团队可能只能提出100个值得验证的蛋白变体，现在模型可以一次生成10万个甚至更多候选。
于是一个看似反直觉的现象开始出现：
**AI越强，实验需求未必越少。**
因为AI降低的是“产生假设”的成本，而不是“验证自然规律”的成本。
模型可以告诉我们某个蛋白理论上应该如何折叠，某个抗体可能拥有更高亲和力，某个基因编辑方案可能改变细胞状态。
但最终决定这些判断是否成立的，仍然是真实世界。
自然界本身，是AI Bio无法绕开的Oracle。
## AI Bio正在出现自己的“杰文斯悖论”
很多人担心，当AI预测能力越来越强之后，需要进行的实验会减少。
这个判断可能只对了一半。
假设传统研发中，一个项目会产生100个候选，其中需要测试10个。
AI出现以后，筛选精度提高100倍，只需要测试总候选中的0.1%。
看起来实验需求应该大幅下降。
但如果AI同时让候选空间从100个扩大到100万个，那么最终仍然需要测试1000个。
实验数量反而增加了100倍。
所以决定AI Bio基础设施需求的真正变量，并不是：
**每个项目需要多少实验。**
而是：
**AI扩大可探索生物空间的速度，是否快于模型减少无效实验的速度。**
目前来看，这很可能是未来几年最重要的产业变量之一。
当Sequence Space、Protein Space、Antibody Space迅速被AI打开以后，数字设计能力将远远领先于物理验证能力。
于是瓶颈自然从模型迁移到实验。
## AI Bio真正的Scaling Unit可能不是Token，而是Experiment
大语言模型时代，我们已经习惯用Token理解产业。
GPU的意义最终体现在能够生成多少Token，推理成本可以下降到多少美元每百万Token，一个Agent完成任务需要消耗多少Token。
AI Bio可能会形成一套完全不同的经济学。
它最终的Scaling Unit，很可能不是Token，而是：
**Experiment。**
未来评价一家AI Bio基础设施平台，重要的可能不是模型有多少参数，而是：
一天能够完成多少次DNA合成？
多少个蛋白能够被表达和纯化？
多少种细胞状态能够被测量？
多少个基因扰动能够同时运行？
一次Design-Build-Test-Learn循环需要多少小时？
每一美元实验成本能够产生多少高质量训练数据？
当这些指标开始成为产业核心KPI时，AI Bio的本质就发生了变化。
它不再只是一个软件行业，而开始成为一种新的计算—制造混合产业。
## 最稀缺的数据，必须主动“生产”
AI Bio与传统大模型还有一个非常重要的区别。
语言模型训练所需的大量数据，本来就存在于世界上。
网页、书籍、代码、图片、视频，都是已经产生的数据。
生物学并不是这样。
我们真正想知道的很多答案，从来没有存在过。
某个从未出现的蛋白序列会有什么功能？
某个基因敲除会如何改变特定患者来源细胞？
某个药物和某个突变组合会产生什么新的表型？
这些问题没有现成网页可以抓取。
必须通过实验创造答案。
因此，AI Bio的数据逻辑与互联网AI完全不同：
> **互联网AI主要是在消费已有数据，AI Bio必须不断制造新数据。**
这也是为什么Perturbation Data——对细胞、基因或蛋白进行主动干预后得到的数据——越来越重要。
观察一亿个细胞，并不一定能够告诉模型因果关系。
真正能够训练下一代Virtual Cell的，是：
改变一个变量，然后观察系统如何响应。
这意味着未来最珍贵的“数据中心”，可能不是传统服务器机房，而是高度自动化的实验室。
## Wet Lab正在变成新的AI Factory
未来的生物实验室可能越来越不像传统科研实验室。
它更像一座AI Factory。
AI提出下一批最值得验证的假设。
自动化系统完成DNA合成。
机器人完成蛋白表达、细胞培养和样本处理。
测序、显微成像、质谱和单细胞平台读取实验结果。
数据自动回流模型。
模型重新训练，再决定下一轮最有信息价值的实验。
整个过程形成连续闭环：
**Design → Build → Test → Learn → Design。**
这个闭环一旦实现，生命科学研发会发生与现代半导体设计非常类似的变化。
过去芯片设计依赖大量人工经验。
EDA软件出现以后，设计复杂度被软件放大，但先进芯片并没有因此不需要晶圆厂。
恰恰相反。
设计能力越强，对先进制造能力的要求越高。
AI Bio可能走向相同路径：
**AI不是消灭湿实验，而是在放大湿实验的价值。**
## 产业价值可能向三类基础设施集中
如果这个判断成立，未来AI Bio真正具有持续性价值的基础设施大致会集中在三个层面。
第一类是**生物制造基础设施**。
包括DNA合成、蛋白表达、抗体制备、细胞工程，以及能够快速把数字设计转化成真实生物材料的生产体系。
它解决的是“Build”。
第二类是**生物测量基础设施**。
测序、单细胞、多组学、空间组学、显微成像和质谱，本质上都在解决一个问题：
如何把复杂的生命状态重新数字化。
它解决的是“Test”。
第三类是**实验自动化与数据基础设施**。
机器人、云实验室、实验软件、数据标准化、科学Agent以及能够连接模型和设备的工作流系统，会把原本碎片化的实验流程连接成连续循环。
它解决的是“Loop”。
这三类基础设施最终共同决定的，是整个AI Bio系统每年能够运行多少次高质量实验。
## 模型层反而可能没有想象中那么容易形成护城河
这是AI Bio投资中一个容易被忽视的问题。
如果通用模型公司、专业生命科学模型、开源社区同时快速进步，那么单纯拥有一个“更好的Protein Foundation Model”，长期可能没有想象中稀缺。
模型会不断迭代，算法会传播，开源能力会追赶。
真正难以复制的，反而可能是：
长期积累的专有实验数据；
成熟的生物制造know-how；
大规模实验自动化能力；
与科研工作流深度绑定的平台；
以及真实药物和临床资产。
换句话说，AI Bio最终可能重演AI基础设施已经发生过的一幕：
模型能力快速扩散，但真正稀缺的资源不断向数据、算力和基础设施迁移。
只不过在生命科学里，“算力”需要增加一个新的维度：
**实验能力。**
## 这也是AI Bio长期趋势中更高确定性的部分
AI最终能否大幅提升药物临床成功率，目前仍然没有被充分证明。
Human Biology依然极其复杂。
一个分子进入人体后，需要同时面对遗传差异、免疫系统、组织环境、药代动力学、剂量和时间等大量变量。
因此“AI能设计更好的分子”，与“AI能显著提高新药上市成功率”之间，仍然存在巨大距离。
但基础设施逻辑并不要求这一终局立刻发生。
它只需要一个更加保守的假设成立：
> **AI持续提高生物学假设生成能力，并扩大值得被实验验证的候选空间。**
只要这一点持续发生，Design之后的Build、Test和Learn环节就必须扩容。
这也是为什么，从未来5—10年的产业视角看，AI Bio最确定的机会未必首先出现在某一款药上，而可能出现在整个实验系统被重新工业化的过程中。
## 从AI计算到AI实验
过去十年，人工智能最重要的基础设施革命是把计算能力工业化。
GPU集群、数据中心、云计算和高速网络，把模型训练变成了一种可以不断扩展的工业流程。
未来十年，生命科学可能迎来类似变化。
区别只是，这一次需要被工业化的不只是计算。
还有实验。
当AI能够无限生成假设，而机器人、测序仪、DNA合成平台和自动化实验室能够以越来越低的成本验证这些假设时，生命科学才真正拥有自己的Scaling Law。
到那时，AI Bio也许不应该再被理解成“AI帮助制药”。
它更接近一种新的科研生产方式：
> **模型负责探索数字生命空间，实验基础设施负责与真实世界交互，数据不断回流，两者共同形成持续学习的生命科学机器。**
如果这一范式最终成立，那么AI Bio时代最重要的基础设施，可能就是那些能够把数字世界中的生物学Token，稳定、快速、低成本地转化成真实Experiment的系统。
**在语言模型时代，Token是智能生产的最小单位。**
**在AI Bio时代，Experiment可能成为生命科学智能生产的最小单位。**
这可能才是AI Bio下一阶段真正值得关注的产业主线。