聚焦人工智能-生物-工程交叉融合，一文综述即将到来的「技术创变」浪潮

^{编辑丨coisini}

当前，人工智能、机器学习、量子计算、纳米工程、CRISPR 基因编辑等未来塑造型技术正在崛起。在合成生物技术、信息技术、纳米技术与工程技术的交汇处，涌现出「技术创变」浪潮。

近期一篇题为《The coming wave of confluent biosynthetic, bioinformational and bioengineering technologies》的研究综述聚焦芯片技术与合成生物信息工程融合的最新突破，探究了生物分子作为数字数据存储载体、芯片上细胞、混合半导体及下一代人工智能处理器的发展前景。

                               ^{文章地址：https://www.nature.com/articles/s41467-025-58030-y}

随着芯片技术（ChipTech）、连接组学、合成基因组学与生物信息工程领域的发展，基于核酸的生物分子有望成为生物芯片载体，在未来混合半导体与新一代 AI 处理器中实现数字数据存储功能。

这类研发构想源于一个核心认知：经过特定编码的合成 DNA 或 RNA 或能满足全球日益增长的数据存储与计算需求。未来的生物分子信息系统、活体电子器件与生物芯片，有望在数据长期存储领域实现数量级突破，其潜力可能超越基于无机半导体的电子、磁性与光学技术。

交叉融合的生物合成技术、生物信息工程与生物电子技术，其应用场景涵盖新药研发、合成燃料生产、太阳能电池制造、新型材料结构培育、生物计算系统制造等等。

综述核心内容主要围绕 AI 驱动的半导体技术、合成生物学、生物智能等几个方向展开。

半导体技术

在半导体技术方面，长期以来，提升单位面积性能一直是核心焦点。近年来，设计、工程和封装技术的进步正助力性能提升。越来越多的性能突破源自传统芯片技术与光子学、量子计算及人工智能等工具的融合。然而，近期性能提升的代价是成本与功耗需求的大幅攀升。

摩尔定律已延续 50 余年，但近来似乎进入瓶颈期。

该综述指出：从宏观视角观察，学界对革命性新技术的关注度明显不足，一些新技术可能会实现超越摩尔定律最乐观推演的算力 / 存储性能。

尤其值得注意的是，生物学正日益受到工程思维的驱动，计算、通信、存储和传感等半导体应用都将通过与生物系统的融合得到增强。这种融合可能表现为多种形式：生物传感器、生物接口（如脑机接口）、生物集成（如「脑芯片」、核酸纳米技术存储）、生物启发（如神经形态计算）等等。

与现有半导体芯片不同，经过数千年进化形成的生物大脑并不区分分析、处理、学习与记忆功能。在硅基材料中复现这些特性似乎是个绝妙思路，这就是仿生学与数字生物学的魅力，而连接组学将使研究者能够完整研究生物大脑的神经回路，进而构建更高效的「电子大脑」。

当前这些看似发散的研究方向，实则都指向对生命模型的探索 —— 最终将实现任务特异性、抽象特异性和生物体特异性模型的统一，从而支持高通量、稳健的计算机模拟设计。

合成生物学

合成生物学是一门跨学科领域，它将工程学理念与分子科学相结合，旨在设计与构建具有定制功能的新型微生物。作为一项平台型技术，合成生物学有望深刻影响能源、化学、材料、生物修复、采矿、农业和食品生产等多个领域。

合成生物学最令人振奋的发展方向之一，就是与人工智能 / 机器学习（AI/ML）以及电子集成电路技术的跨界融合。

综述列举了活细胞和 DNA 存储两大例子。科学家已经成功利用活细胞进行信息计算。通过在大肠杆菌中构建 NOR 逻辑门，并借助群体感应机制实现细胞间的信号传递，研究人员还首次在生物系统中实现了全套布尔逻辑运算。而 DNA 凭借其超高存储密度和超长保存期限，正在成为革命性的长期数据存储介质。

活细胞具有惊人的环境感知能力，不仅能响应各种化学物质浓度变化，还能感知光、电、磁、pH 值和温度等物理信号，蛋白质开关可以转换这些信号。生物 - 电子信号转换器具有双重应用价值：既可作为生物传感器输出电子信号供数字设备检测，也能作为电子调控器件控制工业微生物的代谢过程。

数字技术与生物系统的另一个重要交汇点是器官芯片（OoC），这种集成在微电路芯片上的多通道 3D 微流控细胞培养系统，能够模拟真实器官的活动机制和生理反应。结合组织工程和微加工技术，器官芯片微流控装置有望在化疗药物测试等生物医学研究中替代或减少动物模型的使用。

近年来，机器学习在蛋白质结构预测和蛋白质设计领域取得了重大突破。2024 年诺贝尔化学奖，一半授予华盛顿大学教授大卫・贝克（David Baker），以表彰他在「计算蛋白质设计」方面的贡献，另一半授予 Google DeepMind 的科学家戴密斯・哈萨比斯（Demis Hassabis）和约翰・M・詹伯（John M. Jumper），以表彰他们在「蛋白质结构预测」方面的贡献。

该综述预测下一个前沿领域将是机器学习在代谢通路设计中的应用。机器学习有望大幅加速合成生物学「设计 - 构建 - 测试 - 学习」的迭代循环，开启令人振奋的全新可能。

生物智能

该综述旨在提出一个核心命题：生物学在哪些方面能超越传统计算？这并非新问题，但值得重新审视。

生物学天生擅长处理化学、光学和电学基质中的模拟信息，并且大量信息是现有非生物测量手段无法触及的。生命科学的进步来源于生物信息测量方法的创新，生物学在问题优化方面具有卓越的能力。

计算机科学历经数十年的试图模拟真实智能后，人工智能终于在某些特定领域取得进展。然而我们需要应对人工智能发展带来的巨大能源与资源消耗。

半导体设计存在物理尺度极限，地球非生物计算存在物理能源极限，信息传输存在物理带宽极限。「生物智能」旨在突破这些限制，开发出超越传统方法的创新解决方案。

通过改进生物信息的收集、捕获、转换、处理和存储工具，生物智能将推动生命科学发展。

感知、推理、路径寻找、驱动 —— 这些高级生物能力经过 35 亿年的进化臻于完美。如果我们以看待量子计算的视角看待细胞计算，合成生物学的前景便清晰可见。

总的来说，这篇综述有助于重新界定信息 - 生物 - 纳米 - 工程交汇领域的可能性，并指出能够创建生命数字统一模型的工具必将问世，这将为生命科学带来不亚于传统计算的颠覆性变革。