圖丨左：劉陳立，中國科學院深圳先進技術研究院副院長；右，張嵐，DeepTech 聯合創始人兼 COO
當下，中國的科技創新與科技創業蓬勃發展。不過，如何真正加速科技成果的產業落地？源頭創新如何融合產業需求？大學、國家實驗室、新型研發機構各自應該承擔什麼樣的使命？體制、政策、監管如何適應新的發展需求？我們已經有了哪些實戰經驗，我們又還面臨哪些亟待解決的問題？
懷著幫助更多科學家獲得更多資源與支持的初心，我們帶著這些疑問策劃了「DEEPTECH 人物訪談」系列欄目，每期邀請來自不同領域的科學家、科學創業者以及科研機構負責人等，探討創新時代的機遇與挑戰，展示那些正在實踐科研成果轉化、推動科技創新產業化、建設科技創新生態的關鍵人物的所思所想與實戰經驗。幫助關注這一話題的讀者理解不同領域的科研成果在走向產業的進程中所面臨的挑戰，並記錄科創時代的記憶與聲音。
作為根植本土的科技服務機構，DeepTech 一直致力於推動新興科技在中國地區的商業化與產業化。通過這個欄目，我們希望能為科技創新的時代大潮盡我們的綿薄之力，激勵更多的掌舵人揚起創新遠航的風帆。
自 2004 年入選《麻省理工科技評論》「十大突破性技術」以來，合成生物學因其以工程學理念來研究和應用生命科學的願景，讓無數科學家著迷，更有望為人類社會帶來顛覆性的變革。在深圳市對合成生物領域的前瞻布局與大力支持下，2019 年，深圳合成生物學創新研究院由深圳市科創委批覆、中國科學院深圳先進技術研究院牽頭建立，被視為中國及亞洲、乃至全球合成生物學創新發現的重鎮之一。合成生物學的最新進展如何？成果轉化的道路面臨著哪些機會和挑戰？這一領域下的 AI for Science 如何實現？為了探求合成生物領域的發展前沿，尤其是創新與產業化的融合未來，DeepTech 此次邀請到中國科學院深圳先進技術研究院副院長、深圳合成生物學創新研究院院長劉陳立，一起聊一聊關於合成生物學科與產業化的發展趨勢。
張嵐：從您回國、我們認識之後，合成生物學現在的「溫度」與我們當時對話的時候已經完全不一樣了。那麼，從您回來之後的這幾年來看，對於合成生物學的整體發展，不論是科研還是產業的支持方面，您有什麼總體的感受嗎？
劉陳立：我覺得現在合成生物學整體來講還處在一個早期階段，無論是在科研上還是產業上。（這個）早期階段體現出幾個特點：一是在科研端。合成生物學作為一個新興的交叉學科，它本身學科的構建、底層的理論，包括教育的體系，都在搭建的過程中，都還沒有正式形成。它與其他學科之間的邊界，目前大家也還在探討。
產業（端）也是。可以看到，很多原來生物工程或者說代謝工程的企業，現在都自稱是合成生物學（企業）。這是一個非常好的現象，說明大家都比較（能夠）接受合成生物學這樣的一個學科，（有了）從科學、技術、工程到產業這樣的一個理念。但同時這也帶來一個新的問題，（也就是）良莠不齊，大家經常會有這樣的疑問：你（這家企業）是合成生物企業嗎？
另外一點就是資本的進入。（資本）進入到合成生物產業賽道，就說明不同方面的力量都在關注這樣的一個領域和學科。從長遠來看，它是能夠加速這個學科的成熟，以及幫助這個產業的成熟與發展的。
張嵐：您剛剛提到了學科的建設、教育底座的建設、學科的邊界、產業的發展，以及資本（的介入）。不知道劉院您怎麼看，其實不同的技術在走進產業的過程中，速度都不一樣。那麼，相對於其他學科，合成生物（在這方面）起步的速度會更快、更強嗎？您有這樣的感受麼？
劉陳立：我覺得，這一點得益於這個學科給人的這種願景，因為它是用工程學的理念來研究和應用生命科學的。生命科學本身的出發點就是去理解生命本身，去理解大自然，但是工程學是要去改造、創造，然後去應用。生命科學發展了這麼久，合成生物學的出現是以一個全新的姿態來看生命科學。我們現在對生命科學的理解，已經可以讓我們做一些改造甚至是創造，然後用在方方面面了。它的這種願景，讓不同的學科，以及剛才說的各個方面都感到很興奮，因為它帶來的希望非常大。在過去的幾百年中，我們整個人類社會的進步、經濟的發展都是物理世界或者物理學這個學科發展帶來的變化，幾次工業革命都是這樣過來的。而當你能用工程學的視角去看生命科學的時候，它就給人這樣一種希望，也即生命科學是不是也可以（有自己的）工業革命。
合成生物學自身的學科特性，讓大家有這樣的一個願景，也就是合成生物學的發展有可能讓生命科學帶來人類社會的一次新的工業革命。所以，（它就成為了）大家都很願意投入其中，包括我們自己也都很願意去發展的一個學科方向。
張嵐：這個話題正好請教一下劉院。就成果轉化而言，其實目前院裡很多老師已經在做產業化的事情了。這個學科本身也才 20 年（歷史），現在很多老師回來，一邊做著科研，一邊開始做一些產業化合作，包括運作公司等。有沒有什麼成果可以與大家分享一下？
劉陳立：我們院的成果轉化做得還是比較早的。從 2006 年先進院建院以來，（我們）一直在做產業服務，從服務產業、做工程，走向工程背後技術的開發，再走向技術背後科學的探索，現在走向教育，整個先進院 17 年來就是這樣的一個發展過程。在這個過程中，我們孵化了 1800 多家企業，參股的有 300 多家，很多不是參股的。在這個過程中，也有很多的、關於科技成果如何轉化的經驗和教訓。所以，我們現在提的、很重要的一點就是，在科技成果踏出去的那一步，其實要做蠻多的提前量工作，一旦踏出去之後進到市場，產業化過程面臨的挑戰就很大了。所以，踏出去這一步，首先是公司的組建，所選的合伙人、投資方是不是最有利於公司發展的，這個組合是不是最好的，這第一步特別重要。很多項目可能技術很好，但是投資方不是特別理解這個領域或者產業，到後面的話（動作）就會變形，慢慢地就走偏了。
還有一點，就是誰來 run（運營）這個公司，也就是 CEO 的選擇，或者說運營團隊的選擇，這一點也特別重要。很多（公司）也是可能技術很好，但是運營團隊沒有選擇好。這就引出來兩個需求：一是對投資方的要求，就是說（投資方）至少需要是深耕這個領域的，對這個方向是理解的，是足夠專業的，除了投資以外還可以在其他方面（進行）賦能的，能幫著這個公司往前發展的。（從）投資的那一刻開始，後面就是（投資方）伴隨著公司一起成長，這是一個訴求。
另外一個訴求就是經營團隊。經營團隊是目前的剛需，因為現在特別缺，國內缺少這樣的一個職業經理人的池子。（合適的團隊）很少、很難找，特別是新的產業更加找不到，因為原本國內做這個的就少，再加上做過（有經驗）再回來創業的就更少了。所以，這一點目前是一個挺大的挑戰。
還有一個方面，就是技術本身。從技術本身來說，有很多很有轉化前景的技術，但可能並沒有被拿出來轉化，這一點與實驗室的特點有關。實驗室可能就發表了文章，項目結了題就結束了，他們就沒有想過產業轉化的事情，而這個技術可能恰恰有很好的產業轉化前景。因此，（我們）這邊現在也在做梳理，要形成先進院自己的一張產業轉化圖譜，包含不同的方向。我們現在有 8 個研究所，每個研究所對應的是不同的賽道，從 IT 到 BT 再到 IT 和 BT 的融合，其所對應的產業現狀以及技術要做產業轉化的方式都有所不同。我們要做的梳理，就是看哪些技術 ready to go（準備好）了，整體看 8 個研究所在不同的時間上哪些技術快要成熟了，將轉化變成一張圖。
我們現在提的是，從原來自下而上的、自發的這種轉化方式，也就是老師、教授自己想去轉化，自己去找投資人，自己去找運營團隊的這種方式，也就是剛才說了存在很多挑戰的方式，慢慢地與自上而下的轉化方式結合在一起。自上而下，就是從先進院內部去梳理哪些（項目）是待轉化的，哪些（項目）確實是非常有前景的，（並針對）有價值的轉化項目去主動地做協調、對接，包括投資人、運營隊伍等。我們現在也是剛剛開始做，還有很多要去探索的，特別是經營團隊這一塊比較難。目前來講，一些比較頭部的資本有著比較好的 HR，能夠幫忙找人，但很多資本其實比較缺這一塊，於是基本上還是要求你自己去找人，你把人找好了，把這個隊伍攢得差不多了，技術可以了，然後（資本）再投。這種做法對於投資人來講是無可厚非的，但是對於我們國家來講，科技成果做出來，如果要實現轉化的話，就需要多方面來賦能。
張嵐：最近 AI for Science 這個話題非常火。我今天早上讀到一本書，講的是之後大國之間的競爭，一定會在計算這個方向上。目前 AI 在合成生物這個方向上，不論是院裡還是您自己都已經有了一些課題，您是怎麼看待它的空間和機會的呢？
劉陳立：現在大家討論得很多，不同的領域、不同的方向都在討論 AI for Science。對我們來講，主要是討論 AI for Life Science，比如 AlphaFold2, ChatGPT 出來之後，給各個領域的人的衝擊還是很大的，就覺得應該要抓住技術發展的浪潮，去賦能你的研究方向。從合成生物學的角度來說，到現在 20 多年（的發展），我們現在的認知是想要對生命體、生命系統進行工程化，我們還缺乏設計它的能力，這裡的設計是（指）理性的設計，就是說真正地、可預測地去設計它，目前我們仍然缺乏這種能力。AI 的參與則能夠幫助我們獲得一些可預測性設計的能力，它提供的算法、黑箱模型、灰箱模型等，允許我們給它一個輸入（值），它就告訴我們一個輸出（結果），雖然我們不理解，但是它理解了。它給到我們一個輸出（結果），我們就可以根據那個結果來做設計，來做構建、檢測，再回到學習，這樣就有機會提高我們去改造、或者說去工程化生命體系的效率。
但是，這裡的瓶頸也是我們現在一直在提的，就是一個數據的問題。AI for Science，算法可以、算力可以，但現在的數據不行，特別是生命系統的數據，數據的質量，或者說標準化，或者說可重現性，是目前大家提得比較多的事情。像 AlphaFold2，它是蛋白質結構的數據，比較客觀，本身是大分子。但到了亞細胞層面，再到細胞層面上，一旦變成一個活的生命或者（生命）系統以後，如何才能形成一個可重現性高的、質量高的數據，就成為了一個問題。這是因為，不同儀器設備測出來的數據之間的可比性（低），而它同時是需要 collaboration （合作）的，不同實驗室做的、不同人手做的（實驗）都會產生誤差，甚至不同廠家的試劑耗材等等都有影響。甚至可以說，不同人對生命體定義的不同（都會造成影響），以大腸桿菌為例，用不同的菌株，甚至是同一個菌株但是收藏於不同的實驗室，由它們分別得到的數據之間也不一定就是可比較的。
於是，現在國際上就存在這種共識。今年有三個會，5 月份在美國，這個月底（9 月）在新加坡，10 月份在布魯塞爾，（議題）就是標準化。這個標準化包含儀器硬體、軟體，以及工藝流程（protocols）和度量衡（metrics），還有（使用的）試劑、耗材等等。在這個學科或者說這個領域，它的規則與標準要怎麼去制定，才能讓不同實驗室、不同國家做的這些複雜生命系統的數據之間可比較，這就是現在大家一直在討論（的事情）。之後一旦這些數據可比較，就又有了數據可及性的問題，也就是說大家都應該能夠在一個平台上接觸到這些數據，並去做比較。（到那時），剛才說的 AI for Life Science, for Synthetic Biology，就擁有了很大的發揮空間。這是目前的瓶頸。
張嵐：剛剛您也提到了關於如何提高每一輪實驗產生的數據和實驗方法的標準化，包括後面數據怎麼能夠更好用等等。深圳（先進院）建的這個大設施，其實在一定程度上就是想把這個事情給解決的。這個大設施建成後，您現在回過頭來看，建設的過程中有什麼困難可以跟我們分享的嗎？
劉陳立：就（合成生物學）這個領域而言，在國際上大家相對來說都是並跑的，沒有一個特別成功的，換句話說就是沒有現成的案例可供學習。所以，（這件事情）更多的是，你希望它（大設施）是什麼樣，你希望這個大設施建設成什麼樣，所以還是要回到第一性原理，也即這個設施到底要解決什麼問題。
就像剛才說的，從長遠看來這是一個標準化數據的問題，就是讓生命科學、合成生物學能夠與 AI 人工智慧更深度地融合，目標是提高我們的設計能力。提高設計能力這一點，一方面是用機器學習來形成黑箱的算法，另一方面是通過這些數據在平台上的積累來幫助我們獲取靈感，去形成白箱的算法，也就是我們現在講的白箱+黑箱的方法，以此形成模型或者算法，來提高我們的理性設計能力。
總的來說，（我們的）目標是要提高理性設計能力，而為了提高理性設計能力，這個大設施就（用的是）標準化實驗流程，將人手的操作變為機器來做，儘量地減少人在實驗過程中的參與。這個現在國際上也是比較少，目前大家做的基本上都是半自動化的平台，或者叫 biofoundry，而要走向全自動化，至少我們現在在嘗試去實現，目前在有些流程上我們已經打通全自動化了，這個在國際上比較少。再往下走的話，我們希望從全自動化走向自主化，這個也是國際上沒有的，（這一概念）最開始是英國在好多年前提的，是一個方向，大家也都一步一步地要朝著這個方向去，從半自動化、自動化，走向半自主化、自主化的這樣一個過程。
目標剛才說了，是希望能夠更好地去理解生命，更好地去理性地改造生命、設計生命，這個是核心的目標。但是，短期來看我們得到的能力是，研究的效率提高了，研發的周期縮短了，因為（過程是）自動化、高通量的，從短期、具象的層面來看，原來可能需要 8 個月的研究，現在兩周就搞完了，大大地提高了效率。另一方面，也是降低了研究的成本和各方面的成本，這都是短期內的（收益）。
長期來看，數據的積累將原來的作坊式的、散在式的研究方式，變成了這種中心化、平台式的（方式），讓不同實驗室、不同企業的中間過程數據都能夠積累在這個平台上。數據的不斷積累，尤其是高質量數據的不斷積累，對於特定的生命體系，比如酵母，比如大腸桿菌的某一個株，（其相關的數據）就會不斷地積累。這種數據積累帶來的變化就是，不論是白箱黑箱，你都可以用這個數據去發展，而反過來就讓你可以更理性地去設計。
理性設計帶來的變化是什麼呢？就是你不需要做那麼多的實驗了。我們現在要做大量的實驗，這是因為我們不知道哪一個是對的，我們要去做很多的組合，類似試錯，去參數空間裡探索。當你可以進行理性設計的時候，你需要探索的參數空間就很小，你就明確知道能達到目標的這個體系（在哪），就可以直接設計出來，再做一些參數優化就可以了。現在（我們）還沒有這種能力。所以說，從長期來講，這種標準化數據的累積，白箱、黑箱模型的發展就可以形成另外一種能力，剛才形成的是一種效率提高的能力，後面形成則是一種理性設計的能力。這就是我們建設這個大設施的短期目標和長期目標。
張嵐：在談論產業化的時候，包括您個人的一些體會在內，我們可以看到創新其實是一個體系化的事情，從源頭的科研發現，到技術走入市場，到資本的加持，再到產業方的接受。這一點，目前國內還在慢慢地構建，每個環節之間（需要慢慢）打通。那麼在合成生物學這個領域，這一點是不是體現得也非常明顯？
劉陳立：我還是那句話，（我們還在）非常早期的階段，仍然是在探索。最終能不能做成，是取決於多個因素的。但是，這種探索過程本身就是有意義的，我也希望能夠從中抽取出一些經驗，並拷貝到其他的領域方向上去做。我覺得，現在這個時間段對我們國家特別重要，能否抓住，或者說把握住科技發展的脈搏，讓科技與產業結合得更加緊密，變成生產力，這是一件對的事情，也是國家需要的事情。所以，各種針對這個目標的探索，我覺得都是很有意義的。