“我铲出钱途”：AI for Science 的基础设施机遇
作者｜Zuri 排版｜Ray
2026年10月，OpenAI宣布收购生物医药项目管理公司Orchestra Bio；同月，Anthropic披露已于7月收购Mithril Medicine。两大头部模型公司不约而同地通过并购布局科研领域。
Mithril Medicine的案例极具代表性：被收购前仅有一名全职员工，创始人借助Claude协调11家外部实验室，完成了罕见肌营养不良症的药物研究。这种“一名科学家+一个AI助手+外部实验室网络”的模式，揭示了AI提升上游假设产出效率后，下游实验验证、执行和数据需求随之激增的现状。
Google DeepMind与MIT FutureTech发布的《AI in Science: Early Insights》显示，近50%的英美科研人员每天使用AI，约41%受困于大量待验证的假设。随着文献检索、代码编写和计算预测加速，样本制备、细胞培养、设备排期等现实约束使得下游验证能力变得稀缺。与此同时，Isomorphic Labs、Earendil、Xaira等高融资额公司的出现，为提供下游验证服务的专业供应商带来了潜在付费客户。
硅兔君制作，信息来自公开资料，数据截至09/2026
随着头部AI for Science公司崛起，部分需求正从模型公司内部流向专业供应商。在此背景下，我们观察到三类核心投资机会。
AI CRO——实验验证服务
CRO（合同研究机构）承接客户外包的研发工作。新一代AI CRO的机会在于重新组织实验交付，将高频检测方法标准化，通过软件接口接入模型团队，形成报价、下单、排程、状态查询和结果交付的连续流程，从而降低邮件沟通与人工交接的成本。
Adaptyv：标准化蛋白验证流程
Adaptyv于今年8月完成4000万美元A轮融资。其核心业务是承接AI模型厂商设计的蛋白序列，负责DNA制造、蛋白表达、结合测试及稳定性验证。
与传统CRO不同，Adaptyv构建了标准产品，客户可通过网站或Agent调用API提交序列，公司直接返回结构化实验数据，无缝衔接模型训练。在Anthropic的一项研究中，Adaptyv测试了1320个由Claude设计的蛋白，整体命中率约26.8%。此外，Adaptyv推出的Proteinbase数据库整合了计算预测、设计方法及包含失败案例的真实实验结果，具有极高的数据变现价值。
Adaptyv Foundry实验管理平台，可在线查看实验进度、管理任务并获取实验结果。图片来源：Adaptyv Bio官网。
Dash Bio：下游生物分析加速
相较于Adaptyv聚焦上游，Dash Bio更靠近药物研发下游。在候选药进入动物实验或临床阶段后，Dash Bio通过自动化实验平台验证药效变化和免疫反应。其固定价格和自助报价模式使得多类检测结果可在数天内返回，交付速度约为行业常规水平的10倍。
今年8月，Dash Bio官宣3000万美元A轮融资，已签约30+客户，包括4家全球Top 15医药公司。
Templar Nova：统一流程与专家审核
UpHonest Capital投资的Templar Nova从肿瘤领域切入，通过自研平台将医学报告、数据管理、生物统计和实验运营纳入统一流程，采用“AI智能体执行+专家审核”的方式交付。其创始人曾任美国FDA临床药理办公室药代动力学审评组长。
对于AI CRO赛道，创业切入点应聚焦于高频检测、慢周转样本或重复性交付流程。投资人需关注交付加速是否源于可复用系统、毛利改善情况以及客户的持续复购率。
Lab OS——实验室自动化
尽管部分实验设备已实现自动化，但设备间仍依赖人工传递样本和转换文件。当模型一次性提出上千个候选物时，这些交接环节成为瓶颈。Lab OS（实验室操作系统）旨在连接不同设备、机器人和软件，将实验计划转化为设备动作并记录执行过程。
Automata：工作流调度与数据连接
Automata提供软硬件一体化系统，软件负责工作流设计、设备调度和数据流管理，硬件包括工作台、机器人及运输系统。科学家只需描述实验目标，系统即可自动安排执行顺序并处理异常。今年1月，Automata完成4500万美元C轮融资。
Automata LINQ 自动化实验系统。图片来源：IoT World Today
Medra：具身智能操作现有仪器
Medra探索让机器人适应已有实验环境的路径。其系统结合Scientific AI（理解实验目标）和Physical AI（机械臂+机器视觉），实现像人一样的开门、取样和搬运操作，属于实验室领域的具身智能应用。去年12月，Medra宣布5200万美元A轮融资。
Medra Physical AI实验室机器人，通过机械臂执行实验操作。图片来源：Medra官网
该赛道的关键在于经验能否沉淀为可复用产品。创业者需确保每次交付留下可复用的设备连接和流程模板；投资人则需观察随着客户增加，部署成本是否下降，以及软件收入是否持续增长。
科学数据底座——让 AI 读懂实验
当前科研数据存在碎片化、缺乏上下文、难复用等问题。实验数据往往重结果轻过程，导致AI Agent只能看到孤立文件而非连续的科研过程。面向智能体的科学数据底座需要具备统一数据格式、记录实验决策逻辑以及记录真实执行和失败过程的能力。
硅兔君制作
Transfyr：捕捉隐性实验细节
Transfyr于今年8月获得2500万美元种子轮融资。该公司通过视频、传感器和多模态AI捕捉移液手法、实际反应时间等仪器输出文件之前的细节，将隐性经验转化为可分析的记录，用于实验排错、流程优化和技术转移。
Transfyr通过多视角视频、传感器及AI记录实验过程，帮助识别影响实验结果的关键操作细节。图片来源：Transfyr官网
此类公司的机会源于具体的上下文缺口，如实验失败难以排查、分析过程难以复现或已有数据无法被智能体可靠调用。
谁能成为 AI 科研时代的“卖铲人”？
在AI for Science浪潮中，模型每提出一批值得验证的候选，就需要有人完成实验、组织执行并保留可信记录。能否将这些需求转化为稳定交付、持续复购且效率不断提升的业务，将决定谁能成为这一轮科研升级中的基础设施供应商。
