上海张江科学城的一栋实验楼里，一台叫D2Pi-2.0的自动化装置完成了最后的系统调试。这台机器占地几十平方米，外观像一个方方正正的金属柜子。它即将改变蛋白质研究延续了几十年的操作方式。
过去科学家要获得一种特定蛋白质，得先改造大肠杆菌或者酵母菌，让这些活细胞充当“生产车间”。细胞生长速度慢，培养条件苛刻，有时候折腾几个月也拿不到理想的蛋白样品。整个过程充满不确定性，更像碰运气。
国家蛋白质科学研究（上海）设施的研究团队绕开了这条路。他们不用活细胞，直接在试管里合成蛋白质。这种无细胞合成技术把氨基酸按指令组装起来，省去了细胞培养的漫长等待。设施主任吴家睿介绍，这套AI蛋白质无细胞“智造”平台日通量能达到万级蛋白样品。D2Pi-2.0单日能完成上千种蛋白质的全自动合成。过去一个团队花几年积累的数据量，现在一天就跑完了。
这套系统内部有一个闭环逻辑。AI大模型负责设计蛋白结构，自动化设备在试管里做实验验证，实验结果再回传给AI优化模型。上海交大洪亮团队研发的“启明星”模型给超过5亿个蛋白质打上了温度、酸碱度、压强这些功能标签，相当于建了一张蛋白质功能的导航图。AI出方案，机器做实验，数据再回来改模型，整个循环一圈比一圈准。
这项技术的价值在产业端已经能看到具体数字。传统养殖业需要大量土地和水资源。江西富祥生物在建的一个微生物蛋白工厂，设计产能是每年两万吨。整个厂区占地不到六千平方米，但它的产能相当于一个养了两千万只鸡的养殖场。
在更精细的消费品领域，AI设计的甜蛋白已经量产。这种蛋白的甜度是蔗糖的24万倍，零热量，不升血糖。目前添加了这种甜蛋白的儿童漱口水已经在市场上销售。另一项人造血红蛋白项目进入了临床研究阶段。这种血红蛋白不受血型限制，如果研发顺利，未来能在紧急抢救场景下解决血源紧张的问题。
这项设施不光服务自己的团队。截至2025年，它累计服务了全国504家科研单位，支撑超过2500个研究团队。团队累计注释审校了国际蛋白质结构数据库（PDB）里的11950多条数据。这些数据是全球AI蛋白质研发的公共资源。中国团队不只是在用别人的工具，也在往全球数据库里持续添加新内容。
天鹜科技的研发负责人谭扬注意到一个变化。团队里不少年轻科研人员正在花大量时间学习怎么向AI准确描述一个生物学问题。传统实验技能当然重要，但新的门槛出现了。科学家需要把脑海中模糊的生物现象翻译成AI能理解的任务指令。这个翻译能力决定了一个想法能不能被快速验证。当AI把研发门槛降低之后，清晰表达需求的能力反而成了区分效率的关键。
在张江的实验室里，D2Pi-2.0的调试已经进入尾声。这台机器每天安静地运转，试管在轨道上来回移动，数据在服务器里自动记录。过去几年才能走完的蛋白筛选流程，现在被压缩进了几个小时的自动化运行里。
这个变化的影响范围超出了实验室围墙。食品行业可以用微生物蛋白替代部分养殖产能，医药行业可以用AI设计的蛋白缩短新药研发周期，日化行业已经拿到了新的功能原料。每一个细分领域都在重新评估研发周期和成本结构。
回到那组数字。两万吨蛋白产能等效两千万只鸡。一天完成上千种蛋白合成。5亿条功能标签。11950条审校数据。这些数字背后是一个正在形成的共识，蛋白质研究的竞争正在从拼人力、拼设备转向拼数据、拼算法。谁能在闭环里跑出更多有效数据，谁就能在下一代功能蛋白的赛道上占据位置。
设施里的研究员给记者做了个演示。他们在系统里输入了一个需求，要一种能在60度环境下保持活性的酶。AI在几分钟内给出了几个候选结构。机器自动配液、合成、检测。整个过程不需要人动手干预。显示屏上跳出的活性数据，比自然界中已知的耐热酶高出一截。
过去这件事的流程是，先找可能产生耐热酶的微生物，培养它，提取它分泌的酶，再一步步纯化测试。运气好几个月能拿到一个候选，运气不好就得重新筛选菌株。现在这个流程被彻底改写了。设计、合成、验证都在一个系统里完成，中间没有生物体的拖累，没有发酵罐的等待，也没有纯化层析柱的繁琐。
天鹜科技的年轻研发人员说，现在团队招人更看重逻辑表达和抽象思维能力。一个能把分子生物学问题拆解清楚的人，比一个移液操作极其熟练的人更稀缺。这个判断在几年前可能没人信，但现在成了团队管理的现实。
上海的这场实验还在继续。D2Pi-2.0背后的技术路线已经被验证可行，接下来的问题是能不能把通量再提高一个数量级，能不能把成本再降一些，能不能让更多研究机构接入这套系统。这些问题的答案会决定蛋白质“智造”这个概念到底能走多远。
至少从张江这间实验室的进展来看，蛋白质研究从“碰运气”到“按图纸施工”的转变已经发生了。那个方盒子机器每天还在出数据，每一组数据都在往数据库里添加新的条目。这些条目最终会变成新的食品添加剂、新的药物分子、新的工业酶制剂，变成普通人生活里那些看不见却离不开的东西。
