大数跨境

海外AI4S Top30:谁在把科学发现变成生意

海外AI4S Top30:谁在把科学发现变成生意 潮涌AI
2026-11-16
0
导读:AI4S最后要回到三件朴素的事。
©潮涌AI编辑部
文|盐
AI for Science的融资新闻,很容易被写成另一张金额榜。
潮涌AI在《巨头哄抢AI制药,落点在AI4S》一文里阐述过科技企业和药企为什么同时愿意往科学发现里砸钱。
但模型在基准测试上领先、候选药进入Ⅲ期临床、软件产生两亿美元收入,是三件不同的事;药企给出最高可达十亿美元的合作,也不等于这笔钱已经到账......
为此,潮涌AI筛选出海外AI4S赛道里的30家代表性企业(综合技术验证、商业化证据、融资与产业合作,分材料与化学、AI制药、其余科学智能三个方向,各选10家),结合海外企业的发展现状与前沿布局,共同探寻持续升温的 AI4S 浪潮,将奔赴何方。
以下为潮涌编辑部整理,先后次序不代表投资评级和市场排名——
材料与化学:先进入研发流程,再接受实验检验
01 Schrödinger:收入最清楚,也最能看见投入成本
公司业务:
Schrödinger把计算化学软件、分子模拟和自有药物发现放在一起,是这组公司里少数能用公开财报拆解商业模式的一家。2025年,公司总收入2.559亿美元,其中软件收入1.995亿美元、药物发现收入5640万美元;软件年度合同价值(ACV)为1.985亿美元;同期净亏损1.033亿美元。
创始团队:
公司由Richard Friesner、William A. Goddard III等计算化学研究者参与创建,现任CEO为Ramy Farid。它的积累始于物理建模和药物化学,而不是在大模型热潮后才给通用模型加上科学接口。
前景亮点:
软件业务已经证明客户愿意为研发工具持续付费,药物发现则提供更高的权益弹性,也带来更重的研发投入。看这家公司,既要看软件续费和ACV,也要看管线能否把亏损转成可兑现的临床与授权价值。
02 SandboxAQ:把量子计算叙事改写成企业科学工具
公司业务:
SandboxAQ从Alphabet分拆后,主推Large Quantitative Models,用量子物理、化学模拟和AI服务材料、药物、金融及安全场景。2025年4月,公司宣布E轮融资超过4.5亿美元,分拆以来累计融资超过9.5亿美元。
创始团队:
CEO Jack Hidary长期做深科技创业和投资,Eric Schmidt任董事长。团队的优势在于把科研人才、企业销售和资本组织放在同一套叙事里。
前景亮点:
SandboxAQ真正需要证明的是,大型模型能否持续变成企业合同,而不只是一份覆盖多个热门赛道的合作名单。
03 Quantinuum:量子硬件公司开始接受公开市场定价
公司业务:
Quantinuum由霍尼韦尔量子计算业务与Cambridge Quantum合并而来,覆盖离子阱硬件、编译器、软件及量子化学应用。它不是纯粹的材料AI公司,但其计算能力指向化学与材料模拟,因此放在本组观察。
创始团队:
公司合并了硬件和量子软件两支团队,现任CEO为Rajeeb Hazra。与许多只讲远期算力的量子公司相比,它已经必须面对上市公司的收入、亏损和交付节奏检验。
前景亮点:
公司已完成超额配售后的首次公开发行。Morningstar报道,IPO募资约16.8亿美元,发行价60美元,对应发行估值约156亿美元。上市提供资金,也让“量子优势”之外的经营数据成为持续考题。
04 CuspAI:用产业联盟组织材料发现所需的全链条资源
公司业务:
CuspAI的MIRA平台从目标性能出发,连接生成式设计、模拟、合成路线规划和实验验证。2026年7月,公司完成4.5亿美元B轮,由Kleiner Perkins和NEA领投,报道估值26亿美元。
创始团队:
联合创始人Chad Edwards与机器学习学者Max Welling,分别补足产业化和模型研究;Yann LeCun、Geoffrey Hinton等在顾问名单中。
前景亮点:
同期推出的AI Materials Foundry有超过45个创始成员,NVIDIA提供算力,Meta FAIR等提供模型与研究能力。这些成员是生态协作者,不应直接写成付费客户。CuspAI下一步要交付的是可合成、可放大、能进入工业流程的材料,而不是联盟规模本身。
05 Periodic Labs:3亿美元种子轮,押注自动做实验的AI科学家
公司业务:
Periodic Labs把模型、机器人和湿实验结合起来,目标是让AI提出假设、操作实验并从结果中继续学习。2025年,公司完成3亿美元种子轮。
创始团队:
Liam Fedus曾参与ChatGPT等模型研发,Ekin Dogus Cubuk来自Google DeepMind材料研究。两人分别代表前沿模型和计算材料两条路径。
前景亮点:
Neon系统披露的实验结果属于公司内部基准,真正关键的是外部实验室能否重复结果,以及自动化闭环能否稳定运行。
06 Citrine Informatics:不追最大模型,先整理企业自己的材料数据
公司业务:
Citrine的平台把配方、工艺、实验和性能数据统一起来,再做性能预测、配方优化和实验推荐。它服务的是材料企业已有的研发流程,而非要求客户先接受一个全自动科学实验室。
创始团队:
Greg Mulholland与Bryce Meredig于2013年创办公司,分别带来材料工程、商业化和材料机器学习背景。十多年的行业积累,使其更像企业研发数据基础设施供应商。
前景亮点:
PitchBook当前记录其累计融资约7370万美元。这类公司的价值要看客户是否把历史数据持续放进平台,以及模型建议能否进入真实配方和量产决策。
07 Uncountable:把AI藏在研发数据系统里,反而更接近现金流
公司业务:
Uncountable提供云端研发信息管理平台,覆盖电子实验记录、实验数据整合、配方和AI优化。2025年6月,公司完成2700万美元A轮,由Sageview Capital领投。
创始团队:
Noel Hollingsworth、Jason Hirshman和Will Tashman共同创办。团队切入的不是单一材料模型,而是化工、食品、化妆品和制药企业普遍存在的数据孤岛。
前景亮点:
公司公告披露其拥有120多家客户、约90名员工,并称过去9年保持盈利增长。它的启示很直接:科学AI未必总要以“发现新物质”收费,也可以先为研发组织的数据和决策收费。
08 Radical AI:从知识检索到实验闭环,案例仍需第三方复现
公司业务:
Radical AI把科学文献、材料模型和自动化实验连接起来,面向合金、能源及工业材料。与单纯生成候选结构不同,它强调从知识提取到实验反馈的完整流程。
创始团队:
创始人兼CEO Joseph Krause将公司定位为材料研发基础设施建设者。团队要同时处理文献版权、数据质量、实验执行和工业验证,这比单一模型产品的组织难度更高。
前景亮点:
Wiley合作方案例披露,项目使用195359篇论文、生成1000多个候选材料,并在16周内完成阶段性结果,后续更应关注外部客户能否重复效率提升。
09 Aether Biomachines:把蛋白质设计带出制药,卖向工业材料
公司业务:
Aether用Protein Function Model设计具有特定功能的蛋白质,应用包括3D打印添加材料、稀土提取、塑料回收和碳捕集。2025年12月,公司新增1500万美元融资,累计融资达到6400万美元。
创始团队:
创始人兼CEO Pavle Jeremić带领团队建设自有的高通量筛选和实验数据体系。与只做序列生成的平台相比,它更强调功能数据和工业用途。
前景亮点:
公司披露RapidPrint、Ultra等产品在打印速度和强度上优于其选定的行业基准。下一步要看客户认证、批量采购和不同工况下的稳定性,而不是把实验结果直接等同于规模收入。
10 Discovered Materials:从芯片散热切入,先跨过合成这一关
公司业务:
Discovered Materials用AI研究代理处理半导体材料的模拟、合成和实验验证,首先解决芯片散热等具体问题。2026年8月,公司完成900万美元种子轮,由Lightspeed India Partners领投。
创始团队:
Advaith Sridhar与Akash Ramdas在IIT Madras相识;Ramdas有斯坦福材料科学博士背景,Sridhar则有AI模型和代理研发经历。两人组合对应了材料科学和模型工程两项核心能力。
前景亮点:
公司公开了候选材料和Material Discovery Bench,但其研究页呈现的路径中,500多个计算候选最终收束到1条较可信合成路线。这个比例并不丢人,反而说明材料发现的难点:生成候选只是开始,可合成、可测试、可进入晶圆厂才是后续成本所在。
AI制药:平台故事开始让位于具体候选药和现金条款
01 Isomorphic Labs:资金最充足之一,人体证据仍在前面
公司业务:
Isomorphic Labs以AlphaFold相关能力为起点,建设AI优先的药物设计平台,并与礼来、诺华等药企开展发现合作。2026年5月,公司完成21亿美元B轮,两轮外部融资合计约27亿美元。
创始团队:
公司由Demis Hassabis创立,核心团队来自Google DeepMind及药物研发领域。它试图把结构预测扩展成完整的分子设计和研发决策系统,而不是停留在蛋白质结构数据库。
前景亮点:
截至公开进度,其多个项目仍处于IND-enabling等临床前阶段,尚不能写成候选药已经获得人体验证。未来最重要的节点不是模型榜单,而是首个IND和首次人体试验。
02 Xaira Therapeutics:接近10亿美元起步,押注完整的AI生物研发组织
公司业务:
Xaira从成立起就同时布局模型、数据、实验和药物管线,覆盖X-Cell、X-Design、X-Patient、X-Scientist、X-Automate等平台模块。启动融资接近10亿美元,使其从创立之初就具备自建数据和实验体系的资金条件。
创始团队:
公司由ARCH Venture Partners与Foresite Labs孵化,Marc Tessier-Lavigne出任CEO,团队汇集斯坦福大学、基因泰克及前沿AI研究者。它不是单一算法团队,而是一家按大型biotech配置的研究组织。
前景亮点:
高额启动资金让Xaira可以自建数据和实验体系,也抬高了临床交付要求。判断其进展,应逐条看候选药、适应症和试验阶段,而不是用“AI原生”替代研发证据。
03 Chai Discovery:从结构基础模型走向药企工作流
公司业务:
Chai Discovery开发用于蛋白质、抗体和分子相互作用的生成式模型,并将模型能力推向药企研发。2026年,公司完成4亿美元C轮,累计融资超过6亿美元,报道估值38亿美元。
创始团队:
Joshua Meier、Jack Dent等共同创办,团队兼具生物基础模型和工程产品经验。与自建大量管线的公司相比,Chai更偏向把模型变成外部研发团队的通用工具。
前景亮点:
公司披露的抗体设计命中率约16%,来自预印本和企业测试结果,不能直接外推为临床成功率。礼来、诺华、辉瑞等使用或合作信息说明模型进入产业流程,但付费规模和研发贡献仍需分别验证。
04 Generate Biomedicines:Ⅲ期管线把平台公司带进硬验证阶段
公司业务:
Generate Biomedicines以生成式蛋白设计为核心,同时推进自研管线和外部合作。GB-0895已进入严重哮喘Ⅲ期,并开展COPD Ⅰb期研究。
创始团队:
公司由Flagship Pioneering孵化,Gevorg Grigoryan等参与创建,现任CEO为Mike Nally。生成模型、蛋白工程和临床开发被放在同一组织内,意味着它必须承担biotech完整的资金周期。
前景亮点:
监管文件显示,公司2026年一季度收入720万美元,期末现金及有价证券5.166亿美元。这些数字比“全球首个”之类标签更有信息量:后续价值取决于GB-0895的临床读出、现金消耗和其他候选药能否接续。
05 Recursion:从自动化实验到资本开支,规模化有了明确账单
公司业务:
Recursion把细胞图像、自动化实验、计算模型和临床管线结合,并通过并购与交易扩展能力。2026年10月,公司宣布2亿美元超额认购后续发行,为研发和运营补充资金。
创始团队:
Chris Gibson等创办公司,早期就采用“湿实验产生数据、计算系统学习数据”的路线。与纯软件公司相比,它的壁垒来自数据规模和实验体系,成本也来自同一处。
前景亮点:
赛诺菲行使项目选择权触发1000万美元里程碑;双方合作累计首付款和里程碑达到1.44亿美元,后续潜在里程碑超过3亿美元。平台价值最终仍要由临床项目和持续合作兑现。
06 insitro:机器学习之外,开始用交易条款证明研发价值
公司业务:
insitro把人类遗传学、细胞模型、机器学习和实验验证结合,聚焦代谢及神经系统等疾病。与阿斯利康的合作覆盖MASH和心肌病新疗法发现。
创始团队:
Daphne Koller创办公司,将计算机科学研究与生物数据生产结合。公司早期强调重建疾病模型,当前则更需要把模型能力转成可授权、可临床推进的项目。
前景亮点:
阿斯利康合作包括4000万美元首付款、最高约14.6亿美元里程碑以及个位数销售分成。14.6亿美元是附条件的上限,不是已到账收入;真正值得跟踪的是靶点与候选药能否触发后续付款。
07 Genesis Molecular AI:1.2亿美元前期对价,要拆成现金和股权
公司业务:
Genesis以GEMS平台整合分子生成、结构预测和物理建模,并与Incyte扩大合作。合作增加至少5个新靶点,Incyte获得相关合作产品的独家开发和商业化权利。
创始团队:
Evan Feinberg创办并领导公司,团队强调将生成模型与物理约束结合。其路线不是只生成看似合理的分子,而是把预测、设计和实验反馈放进循环。
前景亮点:
扩大合作的前期对价合计1.2亿美元,其中8000万美元为现金、4000万美元为Incyte购买Genesis股权;另有持续研发资金。每个项目最高2.32亿美元里程碑及五个初始项目累计超过10亿美元,都以达到约定条件为前提。
08 Iambic Therapeutics:上市后,临床效率要用结果而非速度口号证明
公司业务:
Iambic以物理约束和生成模型进行小分子设计,核心候选药IAM1363已进入临床。公司披露,该项目从发现到临床约用两年,这一效率口径来自企业自身。
创始团队:
Tom Miller等参与创建,团队结合计算化学、机器学习和药物开发。与只授权模型的公司不同,Iambic直接承担候选药临床成败。
前景亮点:
公司IPO发行937.5万股,每股16美元,预计募资总额1.5亿美元,股票代码IAM。上市之后,研发周期缩短只是过程指标,安全性、有效性和后续融资能力才决定平台能否持续。
09 Pathos AI:用药企资本和临床数据,重做肿瘤药开发路径
公司业务:
Pathos AI围绕肿瘤临床开发、患者分层和真实世界数据建立平台,并通过引进资产推进管线。2026年10月,公司完成2.37亿美元E轮,由Bristol Myers Squibb领投,报道估值约30亿美元。
创始团队:
Ryan Fukushima等参与创建,现任CEO为Iker Huerga。团队背景横跨肿瘤药开发、数据和产业合作,而不是从通用模型反向寻找适应症。
前景亮点:
公司同时与Tempus扩展数据合作,并向神经疾病方向探索。产业方入股说明战略协同,但不自动等于进入其供应链;判断Pathos仍要看引进资产的临床推进和数据能否真正改善试验设计。
10 BigHat Biosciences:抗体优化走向临床读出,合作与自研并行
公司业务:
BigHat把抗体设计、湿实验和机器学习结合,既做合作研发,也推进自有候选药。2026年,公司完成7500万美元C轮,累计融资2.23亿美元。
创始团队:
Mark DePristo与Peyton Greenside共同创办,分别带来基因组学、机器学习和合成生物背景。平台强调设计—构建—测试—学习的快速循环。
前景亮点:
新资金用于推进BHB810和BHB299的临床读出。这比“全球首个”式表述更能说明公司所处阶段:设计效率已经有产业合作支撑,但临床价值仍需逐项读出。
其余方向:科学智能向工程、数学和通用研究扩散
01 Lila Sciences:用AI Science Factory统一模型、机器人和实验
公司业务:
Lila Sciences建设AI Science Factory,把科学模型、自动化实验和反馈数据连接起来,覆盖生命科学与物理科学。官网确认其完成3.5亿美元A轮,累计融资5.5亿美元。
创始团队:
公司由Flagship Pioneering孵化,Geoffrey von Maltzahn等推动创建。它的组织方式不是把一个模型卖给实验室,而是试图建立可以持续运行多种科学任务的研究基础设施。
前景亮点:
彭博曾报道公司洽谈以85亿美元估值融资。Lila的下一步要看自动化设施能否产生可复现、可发表的跨领域结果,而非只看设备规模。
02 PhysicsX:科学智能进入工业工程,订单比模型参数更重要
公司业务:
PhysicsX用Physics AI处理仿真、设计和工程优化,服务航空航天、汽车、能源和先进制造。2026年,公司完成3亿美元C轮,报道估值约24亿美元。
创始团队:
Jacomo Corbo与Robin Tuluie共同创办,团队兼有工业仿真、工程和机器学习经验。与材料发现相比,它更接近企业已经存在的CAE和研发预算。
前景亮点:
公司披露确认收入同比翻倍、订单收入增至三倍、客户数超过翻倍,把评价标准拉回经营:模型能否嵌入设计流程、减少仿真成本,并转化为续约和订单。
03 Harmonic:数学超级智能先证明可靠性,再谈科学发现
公司业务:
Harmonic开发面向数学推理的模型,并借助Lean 4等形式化方法检查证明。2025年11月,公司完成1.2亿美元C轮,投后估值14.5亿美元;NVentures随后披露参投。
创始团队:
Tudor Achim与Vlad Tenev共同创办,Achim任CEO。团队从可验证推理切入,试图减少通用语言模型在数学和科学任务中的幻觉。
前景亮点:
形式验证能够检查证明步骤,却不自动保证问题建模正确,也不等于模型已经能做原创科研。其长期价值在于成为可靠的推理底座,而不是一道题的演示效果。
04 Profluent:生成式生物学进入基因编辑,但离临床仍很远
公司业务:
Profluent用蛋白质语言模型设计基因编辑器和其他功能蛋白,OpenCRISPR是其代表性项目。公司将部分研究和模型开放,扩大了外部研究者测试的可能。
创始团队:
Ali Madani等创办公司,团队把大规模蛋白质建模与基因编辑实验结合。相比只做序列预测,Profluent更关注能否生成具有新功能的编辑系统。
前景亮点:
OpenCRISPR-1展示了人体细胞中的编辑实验数据,但依据不是临床验证,也不能据此推断人体治疗的安全性。后续要看独立实验复现、脱靶数据和具体疗法推进。
05 Basecamp Research:把生物多样性数据变成可交易的模型资产
公司业务:
Basecamp Research通过全球生物样本和自然环境数据训练模型,服务蛋白质设计与疗法研发。2026年9月,公司完成1.4亿美元C轮,用于推进AI设计的体内细胞疗法等方向。
创始团队:
Glen Gowers与Oliver Vince共同创办。公司的差异不只是算法,而是从采样、测序到数据权利组织的一整套生物数据供应链。
前景亮点:
当前成果主要处于临床前阶段。数据规模可以形成先发优势,但数据权属、合作社区收益分配,以及候选疗法能否进入临床,才决定这种优势能否持续。
06 EvolutionaryScale:ESM3之后,公司主体和团队去向已经变化
公司业务:
EvolutionaryScale推出蛋白质生成模型ESM3,并与AWS合作向研究者开放能力。Amazon官方披露,公司2024年启动融资超过1.42亿美元,Amazon和NVentures参与。
创始团队:
Alexander Rives等创建公司,核心成员来自Meta的蛋白质语言模型团队。ESM系列的影响在于把蛋白质序列、结构和功能放进统一生成框架。
前景亮点:
此后,EvolutionaryScale团队通过CZI战略交易加入Biohub。因此,不能仍把它简单描述为一家按原路径独立扩张的创业公司。Amazon参投属实,但股权投资不等于模型已经带来云收入;团队并入研究体系后,开放模型和公共科研产出的权重会更高。
07 Edison Scientific:Kosmos做研究代理,不是全自动实验室
公司业务:
Edison Scientific从FutureHouse分拆,产品Kosmos面向文献阅读、数据分析和研究决策。公司完成7000万美元种子轮,报道估值约2.5亿美元。
创始团队:
团队来自FutureHouse,Sam Rodriques、Andrew White等长期建设AI科研工具。与Lila、Periodic相比,Edison当前更偏向研究认知和决策层,不拥有完整自动化实验栈。
前景亮点:
Kosmos预印本报告其陈述总体准确率为79.4%,但综合推理任务准确率为57.9%。两组数字应同时呈现:它说明系统能加速信息处理,也说明长链条科研推理仍有明显错误空间。
08 Dyno Therapeutics:AAV衣壳平台,用多笔药企交易检验通用性
公司业务:
Dyno用AI和实验数据设计腺相关病毒(AAV)衣壳,提高基因治疗的组织靶向、递送和可制造性,并与Roche、Astellas、Novartis等合作。
创始团队:
Eric Kelsic等参与创建,团队把高通量衣壳测量与序列设计结合。其价值不在于生成更多序列,而在于能否跨项目复用递送能力。
前景亮点:
Roche新合作包括5000万美元首付款、研究期额外付款、超过10亿美元潜在里程碑及销售分成;Astellas旧交易为1800万美元首付款及最高16亿美元的里程碑和特许权相关款项。真正的验证是合作项目进入临床后的衣壳表现。
09 Elicit:科研助手先赢得高频使用,再回答结果是否可靠
公司业务:
Elicit提供文献检索、论文信息抽取和系统综述等工作流,面向研究者而非只面向药企。公司完成2200万美元A轮,披露估值1亿美元。
创始团队:
Andreas Stuhlmüller等创建,团队从研究推理和语言模型工具出发,把产品嵌入论文筛选、证据整理等具体步骤。
前景亮点:
官方口径为每月超过40万名研究者。用户规模证明工具需求存在,但科研产品还要持续回答引用准确性、证据遗漏和付费转化问题。
10 Tamarind Bio:把模型调用做成基础设施,竞争焦点是工作流黏性
公司业务:
Tamarind Bio把多种蛋白质结构、设计和药物发现模型放到统一接口中,减少研究团队部署和维护模型的工程成本。它更像模型推理和工作流层,而不是又一家自研基础模型公司。
创始团队:
团队由生物信息、软件和模型工程背景成员组成,切入点来自科研用户使用开源模型时反复遇到的环境、算力和数据问题。
前景亮点:
2026年2月,公司宣布总融资1360万美元,其中包括Dimension Capital领投的1200万美元A轮,Y Combinator参与。官方披露其客户覆盖8家Top 20药企、数百家biotech与学术机构。它的价值是降低模型调用门槛,而不是已经成为不可验证的“默认入口”。
共性规律:钱没有消失,只是开始追问验证方式
把30家企业放在一起看,一些共性规律浮出水面:
第一,资金跟着验证标准走,而不是跟着“AI4S”标签走。
软件公司要拿出收入、ACV和续约;平台公司要拿出客户复用和实验结果;管线公司最终要拿出临床读出。
CuspAI、Isomorphic、Lila的大额融资说明资本仍愿意为长周期基础设施付费,但同样金额背后的验证义务并不相同。不能用团队人数除以估值,得出一个看似精确的效率倍数。
第二,工具收费与管线权益正在混合。
Schrödinger有软件收入,也保留药物发现权益;Chai、Tamarind更偏模型和基础设施;Generate、Iambic直接承担临床风险;Genesis、insitro、Dyno则通过首付款、研发资金、里程碑和销售分成分享药物价值。
很多公司同时走两条路,关键不是贴上“卖工具”或“做管线”的标签,而是看现金流来自哪里、最大风险由谁承担。

Schrödinger软件界面

第三,产业资本的角色必须拆开。
NVentures参投Harmonic、Amazon参投EvolutionaryScale、BMS领投Pathos,是股权投资;药企与Dyno、Genesis、insitro签署的是发现合作和许可安排;CuspAI的Foundry成员提供算力、模型或实验资源。
入股不自动带来订单,联盟成员不自动等于客户,进入合作名单也不等于进入供应链。
第四,自动化实验不是统一答案。
Periodic和Lila重资产建设闭环,Edison和Elicit聚焦研究信息与决策,PhysicsX进入工业仿真,Discovered则把大量计算候选压缩到少数可合成路线。
不同环节的成本结构差异很大,不能都用“AI科学家”一词覆盖。
真正需要比较的是每一轮实验的成本、周期、复现率和最终转化率。
潮涌AI观点
这份榜单最值得跟踪的,不是下一轮融资会把估值推到哪里,而是未来12个月哪些结果能改变证据等级。
Isomorphic需要把庞大的模型和资金优势推进到首个IND、首次人体试验;Generate的GB-0895Ⅲ期将检验一款具体候选药,也会反向检验其生成平台的临床转化能力;Periodic与Lila需要让自动化实验室产出外部可复现的结果,而不只是内部基准和演示;对工具型公司,续约、订单和现金消耗同样重要,模型更新不能替代经营数据。
中国公司也在进入同一套检验。
英矽智能于2025年12月30日在港交所上市,代码03696.HK,IPO募资总额22.77亿港元。Earendil Labs多轮融资合计7.87亿美元,用于AI药物研发。这些案例说明国内并不缺资本动作,真正拉开差距的仍是临床资产、全球合作条款和持续交付。

英矽智能上市

因此,本榜单呈现的只是一个限定样本中的结构性变化:早期资金不再只买模型能力,也在买实验体系、临床资产和进入产业流程的机会。
AI4S最后要回到三件朴素的事:科学产出能否核验,实验结果能否复现,商业现金流能否持续。
模型会更新,融资会过去,这三项会留下。
▹
▹

▹
▹


=▹
👆🏻联系我们 CONTACT US!

转载开白·商务合作·作者招聘·加入社群

请添加微信xingminghui15

【声明】内容源于网络
0
0
潮涌AI
建构AI产业的先进性。
内容 99
粉丝 0
潮涌AI 建构AI产业的先进性。
总阅读4.4k
粉丝0
内容99