AI 如何加速生物技术突破？对话 Benchling CEO Sajith Wickramasekara
Insight
Insight
湿实验室里的数字鸿沟
Sajith Wickramasekara 最初并非想要建立一个软件帝国；他只是想完成自己的研究。作为麻省理工学院（MIT）的学生，他发现自己正处于两个截然不同的世界的交汇点。在其中一个世界，他是蓬勃发展的计算机科学革命的一员，那里的工具精简、高效且富有协作性；而在另一个世界——分子生物学领域——他却仿佛回到了过去。
“这种对比极其强烈，”Sajith 在回忆起那些使用纸质笔记本和手动录入数据的日子时感叹道。当他在软件领域的同行们正利用 Git 和云计算大展身手时，世界级的科学家们却在用螺旋装订的笔记本记录着拯救生命的研究。这种摩擦不仅仅是不便，更是一个系统性的瓶颈。Benchling 正是诞生于这种挫败感之中——其使命是为这场生物革命提供一套“操作系统”。
“我们希望缩短从科学家的突破性构思到惠及病患的救命产品之间的路径。”
Sajith 解释说，通过数据中心化，Benchling 让团队能够停止与工具博弈，转而全身心地投入到与疾病的斗争中。
价值20亿美元的豪赌
要理解 Benchling 为何不可或缺，必须先了解药物研发过程的残酷性。这如同一个规模宏大的漏斗：从数以千计的候选药物开始，往往要耗费十年光景和数十亿美元，最终才能产生一种获批药物。
Sajith 将行业的现状剖析为一场与“埃鲁姆定律”（Eroom's Law）的赛跑。该定律指出，尽管技术在进步，但药物研发的速度却越来越慢，成本也越来越高。在许多实验室中，所谓的“最前沿技术”依然是支离破碎的陈旧软件，导致了所谓“数据孤岛”的产生，使宝贵的见解被埋没在无法检索的电子表格中。
研发效率难题
“反摩尔定律”（Eroom's Law）可视化呈现：尽管技术飞速进步，新药上市的成本依然在持续攀升。
生物学为何与众不同
- ● 不可预测性：软件遵循逻辑，而生物遵循进化。它复杂且往往具有非确定性。
- ● 数据量级：单次实验即可产生数以 TB 计的测序数据，这些数据必须置于特定的语境下进行解读。
- ● 协作：现代药物并非出自一人之手，而是由跨越化学、生物学和数据科学领域的全球团队通力合作的产物。
Sajith 笑着回忆起早期与风险投资人的会面。“人们曾对我们说，生物学的节奏太慢，跟不上软件开发的周期。但他们没有意识到，过程越是缓慢，人们对效率的渴求就越迫切。”如今，随着行业向“科技生物”（Tech-Bio）转型——即把生物学视为一门工程学科——Benchling 发现自己正处于这场根本性变革的中心。
然而，真正的转型不仅仅是数字化，更是智能化。随着我们迈向新篇章，Sajith 揭示了大语言模型的到来如何最终破解生物复杂性的密码……
湿实验室里的硅谷催化剂
在穿行于现代生物技术行业的惊涛骇浪，并历经药物研发中艰难的“死亡之谷”后，我们迎来了行业内最受争议的救星：人工智能。人们很容易将 AI 视为对百年陈旧流程的一次华丽粉饰，但讨论的重点已然发生偏移。我们谈论的不再仅仅是“机器人做科学”，而是从“试错式生物学”向“可预测的工程学科”的根本性转变。
演讲者指出，炒作周期往往掩盖了实际效用。在过去的时代，生物技术受限于“人力瓶颈”——即手动移液、观察和记录所需的庞大博士群体。AI 的角色并非取代博士，而是为他们提供“生物学的 GPS”。研究人员不再在浩瀚的化学空间中漫无目的地徘徊，而是利用生成式模型，在接触培养皿之前便锁定候选目标。
“这不再是关于大海捞针；而是利用 AI 焚尽干草，唯余银针。”
Benchling：操作系统的新大脑
当讨论转向 Benchling 时，语境变得愈发务实。如果生物技术有“操作系统”，那么 Benchling 往往担此重任。将 AI 引入该平台并非只是增加一个聊天机器人，其核心在于数据的结构化。演讲者强调，AI 的力量源于其植根的语境。通过将大语言模型直接集成到研发工作流中，Benchling 使科学家能够针对其过往的实验历史提出深度的复杂问题。
功能特性：科学辅助
将占据科学家日常 40% 时间的繁琐文档工作自动化。AI 现在能够“读取”孔板布局，并基于历史成功案例建议下一个序列设计。
影响力：数据连续性
弥合“湿实验室”结果与“干实验室”分析之间的断层。AI 能够识别蛋白质折叠中的特定模式，而这在过去需要依赖多套互不兼容的专业软件。
迈向“自动驾驶实验室”
这一切将走向何方？演讲者描绘了一幅“自动驾驶实验室”的图景。这并非科幻构想，而是机器人技术、人工智能与云端数据层的交汇融合。在这一愿景中，AI 不不仅仅是建议实验，更是启动实验。它监控移液处理系统，实时分析结果，并在通宵达旦间完成假设的迭代优化。
未来的科学不再是科学家手持移液枪坐在试验台前；而是科学家坐在仪表盘前，指挥着一支自动化的生物分析阵列。我们正在从“动手做”科学转向“编排”科学。
然而，真正的突破不在于人工智能本身，而在于互操作性。历史上第一次，“干实验”（计算）与“湿实验”（物理）开始使用同一种语言交流。这直接引出了技术架构中的下一个核心要素：数据本身。
现实检视：人工智能（尚）不能做的事
在本节结束之际，讲者毫不留情地戳破了“AI 药物研发”的泡沫。一种普遍的误解是，人工智能只需按下按钮就能瞬间产出“符合 FDA 标准”的药物。现实则更为冷峻。尽管人工智能在“发现”阶段（寻找分子）表现卓越，但在“开发”阶段（测试分子在复杂人体中的毒性）依然举步维艰。
谬误
- ❌ AI 将消除对临床试验的需求。
- ❌ AI 能够通过数字模型以 100% 的准确率预测人体毒性。
- ❌ 小型“AI 优先型”生物科技公司将一夜之间取代大型制药巨头。
现实
- ✅ AI 将临床前 阶段从数年缩短至数月。
- ✅ 生物学依然充满复杂性；每一次“干”预测都需要经过“湿”验证。
- ✅ 大型制药公司正在收购 AI 工具，以解决自身的研发生产力危机。
随着我们进入下一章，一个事实愈发清晰：人工智能是一台需要特定燃料的引擎。如果没有高质量、清洁且易于获取的数据，这些模型不过是昂贵的噪音制造机。接下来，我们将转向“数据层”——生物技术革命背后的幕后功臣。
剥离表象：现代生物技术背后不可见的底层架构
在拨开围绕AI药物研发重重迷思的迷雾后，话题转向了驱动引擎的真正“燃料”：数据。在生物技术领域，数据并非实验的副产品；数据本身即是实验。然而，讲者的言语中透着一种反复出现的挫败感——他感叹这个行业数十年来一直在收集数据，却从未建立起合适的容器来封存，亦未铺设畅通的管道来传输。
“你不能在支离破碎的数据策略上随便撒点AI，就指望奇迹发生，”讲者带着一丝笑意说道。其中的逻辑显而易见：制药行业的瓶颈并非缺乏才智，而是长期以来对工具体系建设的忽视。多年来，软件一直被视为次要考量——只是“锦上添花”的组件，而非核心科研仪器。如今，我们正见证一场根本性的转向：实验室数字化基础设施的质量，已变得与化学试剂的纯度同样至关重要。
“我们花了四十年时间去改良显微镜。现在我们意识到，我们拥有的最重要的镜头，是由代码铸就的。”
——论科研模式从以硬件为中心向软件优先的转型。
工具制造者的革命
为什么制药行业在工具运用上步履维艰？讲者将其归结为文化鸿沟。传统的软件工具是为“会计”或“合规”而设计的，而非为了应对科学发现中繁杂且迭代的进程。当AI进入实验室，它不应仅仅是“预测”结果；它应该被整合进研究环路，协助科学家决定在明日开展哪项实验，其依据正是今日的发现。
这是人工智能真正的影响：它是科研生产力的倍增器。通过自动化处理琐碎的数据清洗并提供实时洞察，我们正从“试错”的世界跨入“设计与验证”的时代。演讲者强调，如今建立一家生物技术公司不再是雇佣 100 名化学家，而是要构建一个工程师与科学家共享同一种语言的混合型组织。
基石
结构化数据湖
从碎片化的 Excel 表格转向统一且可查询的存储库。
引擎
集成化工具体系
贯穿科学研究全过程的软件——从 LIMS 到预测建模。
产出
迭代式发现
一种反馈闭环：人工智能模型随着每一次物理湿实验的进行而不断优化。
构建混合型组织
在探讨公司组建的实际操作时，演讲者揭示了一个残酷的真相：“文化甚至能把数据当早餐吃掉”。即便你拥有世界上最顶尖的数据集，如果生物学家不信任数据科学家，公司也将停滞不前。这为我们接下来的跨学科协作讨论奠定了基础——即如何在“快速行动，打破常规”的极客精神与严谨且节奏缓慢的临床安全现实之间架起桥梁。
效率提升：传统研究对比人工智能增强型研究
图 1.0：尽管受监管需求影响，验证周期保持不变，但人工智能显著缩短了上游的发现阶段。
接下来：这些数据驱动的基石如何开启一种全新的跨学科协作，以及科技界能从生物学“慢而稳”的世界中汲取什么。
大融合：当代码遇见密码子
正如我们所讨论过的，创立一家生物技术公司是一场耐力的长跑。然而，一旦地基夯实，真正的奇迹——以及真正的摩擦——便发生在软件工程师与分子生物学家交汇的走廊里。从初创公司的结构性挑战转向跨学科协作的文化挑战，是大多数“科技生物”梦想或凝华为实、或分崩离析的关键所在。
演讲者指出了一项引人注目的转变：我们正在远离“服务提供者”模式。在过去，生物学家提出问题，而“程序员”编写脚本来解决。如今，这种协作更具共生性，其核心在于建立一种共同语言。“你不能只是隔墙抛出数据，就指望奇迹发生，”演讲者笑谈道，“你需要编写算法的人理解湿实验室实验中固有的噪声，也需要生物学家理解模型的局限性。”
这种跨学科的“大熔炉”正是如今快速迭代周期的动能所在。当机器学习工程师理解了蛋白质的物理特性时 landscape，他们不仅能构建更出色的模型，还能协助设计更完美的实验。这让科学方法从单一的线性路径，进化为一种持续的反馈环。
科技思维
- • 迭代： 快速行动，打破常规，事后修补。
- • 抽象： 通过分层构建来掩盖复杂性。
- • 可扩展性： 若能服务于一，必能服务于十亿。
生物技术思维
- • 严谨： 可复现性是唯一的硬通货。
- • 复杂性： 敬畏生命系统那混乱的现实。
- • 安全： 风险极高；每一个“漏洞”都可能危及生命。
互鉴互学
这一环节最深刻的感悟在于，这两个迥然不同的领域正开始如何互为镜像。科技界正逐渐意识到，生物学并非只是“杂乱的数据”——它是一个需要全新敬畏心的复杂系统。反之，生物技术领域也在向科技界学习，如何将生物学视为一门工程学科，而非纯粹的观察科学。
“当生物学家开始像程序员一样思考——在细胞中寻找逻辑门——而程序员开始像生物学家一样思考——欣赏进化中那美妙的混沌时，突破便会随之而来。”
——论跨学科成功的“顿悟”时刻
当我们步向这段旅程的终点，不难发现，医学的未来不仅存在于培养皿或服务器机架中，更存在于连接两者的桥梁之上。
结语：生物学的世纪
我们从探讨人工智能如何从根本上重塑科学研究开始，最终回归到人的因素：即将这些发现转化为现实所需的协作。
演讲者的结束语流露出一种审慎而深远的乐观。我们正步入一个硅基工具与碳基生命基石终于并肩协作的时代。过去的瓶颈——数据的匮乏、反复试错的实验以及知识的孤岛——正被逐步瓦解。随着对话落下帷幕，信息已然明了：未来十年将不仅关乎“数字化转型”，更将是一场由我们曾认为纯属虚拟世界的科技所驱动的生物学革命。
专题结束