《New Biotechnology》：Digitalisation and automation in smart biomanufacturing: uncertainties, challenges and early pathways towards safe and sustainable design
编辑推荐：
智能生物制造是欧盟(EU)“绿色协议”(Green Deal)雄心壮志的核心，然而其对数字和自主技术的整合却带来了复杂的不确定性。虽然这些技术有望提升可持续性和效率，但也带来了目前尚不明确的诚信、公平、安全和安保风险。本研究通过对三个“地平线欧洲”(Horiz
智能生物制造是欧盟(EU)“绿色协议”(Green Deal)雄心壮志的核心，然而其对数字和自主技术的整合却带来了复杂的不确定性。虽然这些技术有望提升可持续性和效率，但也带来了目前尚不明确的诚信、公平、安全和安保风险。本研究通过对三个“地平线欧洲”(Horizon Europe)项目联盟的调查、研讨会和访谈，捕捉了自动化、计算机和数据科学专家以及生物技术专家的多重视角。研究结果揭示了围绕标准化、基础设施、错误可追溯性和可持续性悖论等方面的反复出现的关切。研究人员强调了跨部门协作、跨学科培训和维护数字基础设施的关键作用，以确保智能生物制造能够支持而非破坏可持续性和社会目标。本研究首次对智能生物制造的挑战进行了全面扫描，并提出了通往这一变革性领域负责任创新的早期战略路径。
研究背景与意义
随着欧盟委员会推动“绿色协议”及《欧盟生物技术法案》(EU Biotech Act)的立法进程，生物制造正加速向工业4.0转型，其核心在于整合生成式人工智能(AI)、自动化及数据驱动技术。智能生物制造旨在通过融合生物系统、数据智能与自动化生产线，利用迭代的设计-构建-测试-学习(DBTL)循环实现自主决策，从而替代化石基线性生产模式。然而，生物制造本身仍是一个新兴且复杂的多学科领域，活体系统的引入使得生产过程具有固有的随机性和环境依赖性。尽管现有的“安全与可持续设计”(Safe-and-Sustainable-by-Design, SSbD)框架已在化学和材料行业得到应用，但其尚未完全适应生物技术应用特有的不确定性，更难以应对数字化和自动化带来的新风险。因此，厘清智能生物制造中的不确定性、风险与挑战，探索早期应对策略，对于指导负责任的创新实践具有重要的理论与现实意义。该论文发表于《New Biotechnology》期刊。
关键技术方法
研究人员采用了定性、跨项目的综合分析方法。数据来源于三个“地平线欧洲”项目（BIOS、BioSensei和Bioindustry 4.0），涵盖了工作流程设计、产品设计和数字服务开发等不同维度。数据采集通过伴随反思与共同创造(accelerated co-creation)的研讨会系列完成，共进行了约35小时的互动，涉及132名参与者，包括内部项目成员和外部专家。数据分析遵循迭代过程：首先整理并统一各项目产出，随后进行归纳性主题识别，最后将初步聚类细化为自动化与数字化两大领域下的技术与非技术挑战，并提炼出应对策略。
研究结果
自动化在智能生物制造中的影响
研究发现自动化引入了显著的技术与非技术挑战。技术层面，自动化系统表现出控制僵化，依赖于固定的数据结构和模型假设，难以适应生物的多样性和进化特性；安全性方面，错误可追溯性不足，系统故障风险高，且过度依赖自动化会延迟异常识别；标准化与软件可靠性问题突出，表现为仪器间读数不一致、黑盒模型限制机理理解以及老旧设备缺乏现代连接接口（如API、OPC）。此外，基础设施脆弱性导致电力中断或机器故障可能引发不可逆的实验损失。非技术层面，去中心化生产增加了恶意使用（双用途风险）和物理安全漏洞；可持续性悖论显现，即自动化虽提高效率但可能因增加一次性用品使用和加快生产速度而加剧资源消耗与环境负担；同时，劳动力面临技能错配、工作岗位流失及社会孤立等问题，现有监管框架也难以跟上技术发展步伐。
针对自动化挑战的策略
针对上述挑战，研究人员提出了五类优先策略。在培训与教育方面，建议在中学和大学阶段尽早融入自动化与生物信息学课程，并开发针对不同用户层级的手册与教材。为减少控制缺失和黑盒效应，应制定标准化的标准操作程序(SOP)，实施实时监测参数（如细菌群体均一性、光密度），并利用FAIR原则建立结构化知识库。针对错误可追溯性与互操作性，需定义机械、电气及生物错误的结构化检测流程，并引入外部专家参与治理。为解决成本与基础设施不平等，提倡依赖共享中心和铸造厂(foundries)，采用模块化组件，并倡导补贴以降低准入门槛。最后，通过建立冗余策略、分布式基础设施和集中式数据库来增强系统韧性，防止对自动化的过度依赖。
数字化在智能生物制造中的影响
数字化同样面临深层困境。技术挑战集中在数据层面：数据的时空有效性受限，过时数据集损害模型预测力；海量数据对存储与管理系统提出高要求，且遗留数据重构成本高昂；数据质量受噪声、孤岛效应及吞吐量限制影响严重。软件层面的可持续性问题显著，开源工具因开发者流动而老化，版本控制混乱影响长期可用性。模型的不透明性导致过度依赖机器学习(ML)而缺乏冗余分析途径。此外，生物数据本身的随机性（如生物传感器老化漂移）给数字化整合带来困难。非技术挑战则涉及数据共享与所有权冲突导致的商业激励不足，网络安全与隐私泄露风险，跨学科沟通障碍，以及现有法规对AI驱动系统的滞后性。
针对数字化挑战的策略
研究人员建议从五个维度应对数字化难题。数据标准化与FAIR原则实施是基石，需推行统一的数据模型、本体论和元数据模板，并建立激励机制促进共享。数据基础设施需建设生产级平台，明确所有权与维护责任，确保长期可持续性。数据质量与验证方面，应在平台中集成质量控制工具，建立变量命名批准列表，并将ML输出作为早期指标辅以传统分析方法。技能培养需跨越实验科学与数据科学，建立“伙伴”系统促进知识转移。最后，必须实施加密存储、零信任架构等安全措施，并将伦理与社会影响纳入数字化框架的早期设计中。
讨论与结论总结
讨论部分总结
讨论指出，智能生物制造处于生物系统、自动化、数字化、治理与社会及基础设施的交汇点，其复杂性是结构性的。标准化虽然是共识，但在实践中常导致僵化，这与生物系统的变异性形成根本矛盾。错误传播与黑盒效应使得问责制变得困难。值得注意的是，虽然最初假设生物活体系统会带来显著的生物安全风险，但实际调研中发现，参与者更多关注的是实际的稳定性、可测量性和过程可控性等技术问题，而非直接的生物安全危机。这提示研究者不应混淆数据与生物学本质。此外，结合工业5.0(Industry 5.0)的理念，研究强调必须将人本主义和生态中心主义置于核心地位。自动化不应导致人类专业知识的丧失，而应通过培训维持人类的监督能力。同时，数字化基础设施本身（如数据中心、稀有金属开采）对环境造成的负担，与生物制造的绿色承诺形成了新的可持续性悖论。
结论部分翻译
本研究对智能生物制造中整合自动化和数字化所伴随的不确定性、挑战及新兴策略进行了全面的扫描和以行动者为中心的分析。研究结果表明，许多已识别的影响——从标准化差距、错误可追溯性、基础设施脆弱性、软件可持续性到技能短缺、治理模糊和可持续性悖论——并非特定于某个项目，而是当前智能生物制造开发和实施的结构性特征。虽然自动化和数字化承诺了效率提升和创新加速，但它们同时也引入了新的复杂性、模型不透明性和依赖性，这对现有的监督、责任和生命周期评估模式构成了挑战。一个反复出现的见解是，当前的研究基础设施仍然是碎片化的，孤立的项目成果限制了互操作性、重用性和长期价值创造。通过工业5.0的视角，结果强调人类专业知识必须有意义地嵌入日益自主和数字化工作流程中，这需要早期和持续的培训、跨学科合作以及防止黑盒决策的组织结构。同时，与智能生物制造相关的可持续性雄心需要批判性重新评估：数字基础设施、数据密集型方法和自动化系统带来了显著的环境、社会和经济效益，这些外部性尚未被现有评估框架充分捕获。因此，研究人员主张扩展SSbD方法，明确纳入数据和算法完整性、网络安全、系统弹性和基础设施管理， alongside 生物和环境考量。最终，以负责任的方式推进智能生物制造将取决于协调以人为本和生态中心价值观与自主、数据驱动生产系统现实的长期管理。
