编辑丨%
11 月 5 日，英国 AI 化学初创公司 Potential Sciences 正式结束隐身模式，宣布完成一轮八位数融资。本轮投资方包括英国政府主权 AI 基金（Sovereign AI Fund）、Twin Path Ventures、Nauta Capital 等机构，以及 Stripe 联合创始人 Patrick Collison 等天使投资人。
Potential Sciences 采用基于物理基本定理的全新模型架构，而非单纯依赖实验数据。据称，该技术可将设计化学品所需的 AI 计算成本降低至现有水平的百分之一。
用物理计算扩充化学训练数据
Potential Sciences 由 Hatem Helal 创立，总部位于剑桥。其核心理念在于突破传统 AI 药物研发对实验数据的依赖，转而从原子和分子层面的物理规律出发，利用量子化学计算生成大规模数据，进而训练模型以预测分子行为及相互作用。
传统方法高度依赖蛋白质结构、分子结合和药物活性等实验积累数据，但面临成本高、周期长及公开数据库覆盖有限等瓶颈。Potential Sciences 认为，计算模拟能够提供补充数据源，使模型学习到更广泛的分子组合及其相互作用，涵盖实验研究中较少公开的失败案例。
图示：Isambard-AI 的实际服务器机柜。
为提升模拟效果，英国政府通过国家级 AI 研究资源，为公司提供包括布里斯托尔 Isambard-AI 超级计算机在内的超算支持。核心团队背景深厚，成员来自加州理工学院、剑桥大学及欧洲核子研究中心（CERN），曾服务于 Graphcore、Recursion 和 Dayhoff Labs 等科学 AI 领域知名企业。
将量子化学计算搬到 GPU 上
为突破数据生成的成本瓶颈，公司重构了量子化学计算软件，以充分利用 GPU 算力。据披露，其计算引擎能以比传统实现低 100 倍的成本运行高精度 CCSD(T) 计算，目标是将计算规模从数千次扩展至数百万个分子。
这些数据将用于训练首批原子尺度基础模型（atomistic foundation models），通过计算而非实验室耗时来学习原子相互作用。对于药物发现团队而言，这意味着在进入实体检测前，即可精准评估分子的结合强度及潜在的非预期相互作用，从而提前淘汰不合适的候选分子。
目前，公司聚焦小分子药物研发，重点涵盖先导化合物优化、化学反应预测和共价药物设计。长期规划中，该技术有望延伸至催化剂、酶和材料设计领域。
扩大模型与数字基础
此轮融资将主要用于扩大研究团队、扩展计算数据集及训练首批模型。尽管具体金额和估值未公开，WIRED 报道指出该轮种子融资达数千万美元级别。公司尚未确定最终商业模式，也未明确模型是否对外开放。
Potential Sciences 旨在打破 AI 药物发现的数据瓶颈，但目前仍处于早期阶段。模拟数据能否准确反映真实分子环境、模型预测蛋白质结合行为的可靠性，仍需进一步验证。
未来，该公司需证明物理模拟生成的数据能持续转化为可靠的药物研发预测能力。若该路径成功，其价值不仅在于加速现有药物筛选，更在于使过去因实验成本过高而难以探索的化学问题变得可计算、可研究。