在AI重塑万物的时代，科研与产业的边界正被不断打破。
在微观世界中，蛋白质设计这一领域，曾因序列组合数量庞大，其难度被喻为“大海捞针”。这一领域曾需要消耗大量的人力和时间，因为要培养一个独立改造蛋白质的专家，需要5年；而成功改造出一个蛋白质的试错时间，还需要5年。
如今因AI，蛋白质设计迎来了颠覆性转折。
天鹜科技创始人及CTO刘灏在2021年与导师共同创业，带着对日常细节的洞察，带领团队用AI大模型打破蛋白质设计困局。他们构建包含90亿条蛋白质序列的数据集，用AI让蛋白质设计摆脱路径依赖，并大幅减少试错，甚至实现多指标同时优化；他们与金赛药业合作设计的耐碱单域抗体，为企业年省千万元成本……让AI蛋白质设计正从实验室走向生产线。
在创业邦2025新青年创投大会，刘灏分享了AI让蛋白质设计触手可及的过程。以下是刘灏的演讲实录，由创业邦整理
从洗衣液中的酶谈起：蛋白质应用的日常与行业痛点
收到邀请函时，主办方希望我做个有特色的自我介绍，这可把我难住了，我需要找一个特色的身份标签。但我不像在场梅花创投的吴世春总，有很鲜明的身份标签，他不仅是创投圈里最会讲脱口秀的，而且是脱口秀圈里最会投资的。而我只是个普通的技术人员——从2010年考入交大起，我从本科到博士后都在生物信息学领域深耕，这是个结合计算机科学、物理学、化学来解决生物学问题的交叉学科。
2021年，我和博士后合作导师洪亮教授一起创办了上海天鹜科技，我的身份标签无非是“博士”“科技创业者”，实在普通。直到准备PPT时，看到刚满六个月、已经会满地爬的女儿，我才找到比较有特色的标签：“奶爸”。
当了奶爸后，生活里多了很多宝宝专用品，比如说“宝宝专用洗衣液”，出于学生物的职业本能，买回来后我第一时间看配料表添加了什么，发现了很熟悉的成分——酶。上面列了四种酶：蛋白酶、淀粉酶、纤维素酶、甘露聚糖酶。大家可能知道，酶是生物体内发挥催化功能的蛋白质，那洗衣液里为什么要加酶呢？这里给大家做个简单科普。
普通洗衣液主要靠表面活性剂这种化学成分去除汗渍、灰尘等普通污渍，但面对一些特殊污渍就不够了。蛋白酶能分解蛋白质，刚好可以去除奶渍、蛋渍；淀粉酶能分解淀粉，对米粉、面条的残留很有效；甘露聚糖酶能分解多聚糖，能清除冰淇淋、蛋黄酱的痕迹。加了这些酶，洗涤效果会好很多。
事实上，国内很多品牌——比如立白、蓝月亮、雕牌，无论是洗衣粉、洗衣液还是洗衣凝珠，都有添加酶的产品。大家平时可能没注意，回去可以看看配料表；在日本，酶还被称为“酵素”。
但酶在洗衣用品中存在一个不太理想的现实。以蛋白酶为例，无论是固体洗涤剂还是液体洗涤剂，80%-90%的酶制剂都由国际头部企业供应。国内企业很难生产出满足下游厂商需求的产品，剩下10%-15%的份额，很多还是因为供应链稳定性需求才被加入的。
我和相关专家沟通后，又做了深入研究，发现两个关键原因。一是起步时间：1963年，国际头部企业就已将酶应用于洗衣粉，而我国直到1960年左右才第一次开发出合成洗衣粉，差距明显。二是专利壁垒：这家头部企业自创立以来，仅在蛋白酶上就拥有2078项全球专利，这意味着我们想研发出突破专利壁垒、性能达标的产品，难度极大。
其实不止洗涤剂领域，在农业、食品、环保、医药、美容、体外诊断、生物能源等众多领域，大量蛋白质或酶产品的市场份额都被国际头部公司占据，国内企业的份额很小。这背后，既有起步晚的历史原因，也有专利壁垒的现实阻碍，而更核心的，是蛋白质设计技术的瓶颈。
蛋白质设计的挑战：从“大海捞针”到AI大模型的突破
为什么蛋白质设计这么难？这要从蛋白质的本质说起。蛋白质是生命活动的主要承担者，在生物体内发挥着各种关键功能。我们所说的“蛋白质设计”，就是通过优化或改造天然蛋白质的性能，让它满足工业、医疗等特定场景的需求。比如，人体内的蛋白质在37℃时活性最佳，但工业生产中可能需要它在更高温度下工作，这就需要改造。
但这种改造的难度，堪比“大海捞针”。蛋白质由20种天然氨基酸组成，就像串手串的珠子，不同的排列组合会形成不同的蛋白质。我们统计过蛋白质数据库里的平均长度，约为361个氨基酸。仅改变其中1个氨基酸，就有6859种可能；改变2个，可能性飙升到2300多万；改变3个，更是达到533亿种。如果要穷尽所有可能性，哪怕把地球上的原子都用来做实验，也远远不够——因为总的可能性是20的361次方，这是个天文数字。
过去，科学家们一直在探索蛋白质设计的方法，从1978年到2025年，这一领域甚至出现了多位诺贝尔奖获得者。但传统方法始终跳不出专家经验和大量试错。给大家一个直观感受：我的博士同学花了5年时间，才成功改造出一个蛋白质；而培养一位能独立改造蛋白质的专家，同样需要5年。为什么这么耗时？因为生物学是实验科学，改完氨基酸序列后，必须通过实验验证蛋白质性能是变好还是变坏，试错成本极高。
我们一直在想：能不能改变这种模式？能不能减少试错次数，只做少量实验？答案就在今天的主题——AI大模型。AI大模型能学习海量的蛋白质序列，这是单个专家难以企及的；而且它能覆盖不同领域，打破专家的知识局限。
要做AI大模型，离不开算力、算法和数据，我们先从数据入手。我们构建了蛋白质序列数据集，包含90亿条序列，比之前公开的数据库还多4倍。有了这些数据，再结合优化的算法和充足的算力，我们的模型精度在国际权威榜单上排名前二。对AI领域来说，“刷榜”很常见，但在生物学领域，模型必须能落地产业化才有意义。
我们的模型最核心的突破，就是摆脱了对专家经验的依赖，大幅减少了试错次数。比如在胰腺炎检测原材料的工具酶改造案例中，进行酶设计的是一位物理学博士，他此前没有生物学背景，也没看任何相关文献，只是把客户提供的序列输入AI大模型，就成功改造出了符合要求的酶。这在传统模式下是难以想象的——过去，一个专家可能要花5年才能完成类似的改造。
更重要的是，AI大模型能实现多指标优化。传统方法往往只能针对单个性能指标，比如耐热性，进行改造，而AI模型可以同时优化多个指标，比如既提高耐热性，又增强催化效率，这让蛋白质能更好地适应复杂的工业场景。
从实验室到生产线：AI蛋白质设计的产业化实践
光说技术突破不够，关键要看产业化成果。这里我分享几个我们的合作案例，看看AI蛋白质设计到底能解决什么问题。
第一个案例是和金赛药业的合作。金赛药业是国内生长激素龙头企业，年销售额近百亿。在生长激素的纯化过程中，需要用到一种蛋白质，但纯化工艺要在极强的碱性条件下进行——pH值高达13-14，相当于把一只虾放进去，15分钟就会像煮过一样变红。在这种环境下，蛋白质很容易失活，需要频繁更换，成本很高。
我们用AI大模型对这种蛋白质进行改造，仅花了4个月就将其耐碱性能提高了4倍，使用寿命延长了100%。仅此一项，金赛药业一年就能节省一千多万元。更重要的是，这种蛋白质已经完成了多个批次的5000升放大生产，成为全球首个实现工业化生产的大模型设计蛋白质，真正从实验室走到了生产线。
第二个案例是胰腺炎检测原材料的生产。胰腺炎检测需要一种叫“麦芽七糖苷”的原材料，过去一直依赖进口，价格高达几十万每公斤。我们和合作方一起，用生物法酶催化生成这种原材料——通过AI模型改造催化用的酶，大幅提升了它的性能。现在，这种原材料的成本降到了几万每公斤，不仅打破了进口依赖，还大大降低了检测成本。
除了这两个案例，我们的AI大模型还在多个领域落地应用。因为模型学习了90亿条不同领域的蛋白质序列，所以不像传统专家那样局限于某一细分领域，它能在创新药、工业酶制剂、合成生物学、体外诊断等多个领域发挥作用，目前已经有了不少成功案例。
我们的平台，本质上就是通过AI技术实现对不同类型蛋白质的多维度改造，让它们能适应不同的应用场景。
最后介绍一下我们公司：天鹜科技成立于2021年，是上海交通大学的成果转化项目，主营业务就是AI蛋白质设计——用AI设计蛋白质，再通过实验验证，最终应用到各个领域。目前我们已经完成三轮融资，还拿到了工信部“创客中国”AIGC专题赛全国一等奖，这个奖项是我们和不同AIGC赛道的企业PK获胜才拿到的，对我们来说是很大的肯定。
