公司

今年10月，OpenAI宣布收购Orchestra Bio，这家公司专门协助生物医药团队协调研发任务并管理项目进度。同月，Anthropic也透露，已在7月收购Mithril Medicine。两家头部模型公司不约而同地展开了收购行动。

Mithril的经历颇具传奇色彩。在被收购前，这家公司仅有一名全职员工。创始人借助Claude来协调11家外部实验室，处理合同、安排实验、分析数据，并推进两类罕见肌营养不良症的药物研究。

一名科学家、一个AI助手，再加上一张外部实验室网络，正在探索过去需要更大团队才能承担的研发工作。这也让一个具体的问题浮现出来：当AI帮助小团队推进更多研究项目时，谁来承接随之增加的实验、执行和数据需求？

换句话说，在AI for Science中，“卖铲子”的机会究竟在哪里？

2026年，Google DeepMind与MIT FutureTech联合发布了《AI in Science: Early Insights》，描绘了AI进入科研流程的早期图景。

在接受调研的637名英美科研人员中，近50%每天使用AI；约41%因积攒了大量尚未验证的假设而感到困扰。

文献检索、代码编写、计算预测和候选设计的速度加快了，由此产生了更多待验证的任务。然而，现实的约束力无法改变——样本需要制备，细胞需要培养，设备需要排期，结果需要复核。

AI提升了上游假设的产出效率，而下游的验证能力正变得越来越稀缺。与此同时，融资充足的头部公司出现，使得提供下游验证服务的公司有了潜在的付费客户。

在生命科学方向，出现了Isomorphic Labs、Earendil、Xaira和Chai Discovery等高融资额或高估值公司；新材料方向则有Periodic Labs。Discovery Loop的市场传闻估值甚至达到约500亿美元。

硅兔君制作，信息来自公开资料，数据截至09/2026

我们判断，随着头部AI for Science公司的涌现，一部分需求有机会从模型公司内部流向专业供应商。从中，我们看到了三类机会。

AI CRO——实验验证服务

CRO，即合同研究机构，承接客户外包的研发工作。对于实验验证业务，客户购买的是一份在约定时间内返回、并达到约定质量要求的实验结果。

传统CRO已服务行业多年，各家的自动化程度也不尽相同。新一代公司的机会，在于重新组织实验交付，将高频检测方法标准化，使报价、下单、排程、状态查询和结果交付形成连续流程，再通过软件接口接入模型团队。

当客户每一轮都需要提交大量候选物时，邮件沟通与人工交接的成本会被放大。只有能够稳定承接下一轮任务，才有机会成为客户科研流程的一部分。

Adaptyv是一个典型案例。今年8月，它完成了4000万美元A轮融资，由Highland Europe领投，ACE Ventures跟投。

AI模型厂商设计蛋白，Adaptyv负责制造DNA、表达出蛋白，再测试它是否能与目标结合、是否稳定、能否正常生产。

过去，这一步通常需要客户自己拥有实验室，或者找传统CRO外包，过程涉及反复询价、沟通实验方案、排队、做实验，最终拿到Excel或PDF报告。

Adaptyv构建了一个标准产品。客户现在可以通过网站或Agent调用其API提交蛋白序列，公司负责后续的合成、表达、纯化和测试，并直接返回结构化实验数据，无缝衔接模型训练。

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。

Anthropic披露的一项蛋白设计研究展示了这种需求：Adaptyv测试了1320个由Claude设计的蛋白，其中354个真正结合了目标，整体命中率约26.8%。

对基础设施创业者而言，值得关注的是，模型能力需要真实实验结果来支撑。随着设计任务增加，实验验证可能成为持续发生的采购需求。

Adaptyv还展示了其业务模式中隐含的数据变现价值。它推出了Proteinbase数据库，将计算预测、设计方法和真实实验结果整合在一起，并包含较少公开的失败数据，这可以成为模型测评和迭代的数据资源。

Dash Bio展示了研发链条中另一个位置的机会。

如果说Adaptyv更靠近药物研发验证链条的上游，Dash Bio则更靠下游。公司在候选药进入动物实验或临床阶段后，通过生物分析验证其药效变化和免疫反应，为药物是否继续开发提供证据。

例如，通过对血液、血浆、组织等样本的分析，判断药物进入人体后有多少、多久被代谢掉、是否产生免疫反应等表现。此时，样本处理、检测与数据交付的速度，会影响后续研发安排。

Dash Bio以自动化实验平台、透明固定价格和自助报价来组织业务。公司在其2025年总结中称，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。

同样在今年8月，Dash Bio官宣了3000万美元A轮融资，由Oak HC/FT领投。公司称已签约30多家客户，包括4家全球Top 15医药公司。

在我们关注的早期项目中，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，以AI智能体执行与专家审核相结合的方式交付。创始人曾任美国FDA临床药理办公室药代动力学审评组长，是FDA应用AI/ML于药物审评的带头人。

对于AI CRO，创业切入点可以很窄：一种高频检测、一类周转慢的样本，或一段反复发生的交付流程。先让客户愿意复购，再扩充能力。

投资人则需要追问：交付加速来自可复用系统，还是更多人员投入？设备利用率提高后，毛利能否改善？客户是否会因交付稳定而持续增加采购？

这些问题决定了公司能否建立规模优势。

Lab OS——实验室自动化

这项机会聚焦于如何提高现有实验室的工作效率。尽管一些实验设备可以自动完成任务，但设备之间仍然依赖人工传递样本、转换文件、安排先后顺序。

当模型一次提出上千个候选物时，这些交接就可能成为瓶颈。

实验室AI操作系统，即Lab OS，试图补上这一层。科学家或AI智能体提交实验计划后，系统负责将计划转换为设备动作并记录执行过程。

Automata展示了这种路径。

它把不同实验设备、机器人、软件系统和数据流连接起来。科学家描述“我要完成什么实验”，系统负责将其翻译成设备动作和调度计划，按照工作流安排“谁先做、谁后做、什么时候做、失败了怎么办”，并将整个实验过程的数据记录下来。

Automata LINQ 自动化实验系统。图片来源：IoT World Today

向客户交付的是一套软硬件系统：软件负责工作流设计、设备调度、运行监控、数据流、API/MCP/AI接口；实体的自动化硬件平台包括工作台、机器人、轨道/运输系统、控制电子设备，以及与第三方实验仪器的集成。

Medra探索的是另一条路径，让机器人适应已有仪器与实验环境，并将科学推理和物理执行连接起来。

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

在其产品设计中，Scientific AI负责理解实验目标、处理信息和调整方案；Physical AI通过机械臂、机器视觉和仪器控制Agent，实现像人一样开门、取样、按键和搬运。Medra是在训练一种实验室里的embodied AI，它能看懂实验环境，操作不同实验设备，并将Scientific AI的决策转化为真实世界动作。

两家公司中，Automata今年1月完成了4500万美元C轮融资，由Dimension领投，Danaher Ventures等参与。Medra则在去年12月宣布了5200万美元A轮融资，由Human Capital领投，Lux Capital等继续参与。

两种路径背后，共同的商业问题是：实验室里的经验能否沉淀为可复用产品？

新增一种仪器，需要多少适配工作？新增一个实验流程，需要多少工程师驻场？系统运行出错后，有多少情况可以自动恢复？同一套能力进入第二家客户时，部署是否明显更快？

对创业者而言，早期集成工作往往不可避免。关键在于，每次交付是否留下了可复用的设备连接、调度能力和流程模板。

对投资人而言，值得观察的是部署成本的变化：随着客户增加，新增项目的交付周期与人力投入能否下降，持续软件收入能否增长。

如果每进入一家实验室都需要重新开发，公司就很难兑现平台业务的规模优势。

科学数据底座——让AI读懂实验

今天科研数据存在的问题是碎片化、缺乏上下文、难以复用。

碎片化体现在存放的容器各有其目的：实验员记录一种方式，分析师分析另一种方式，管理中从流程管理系统中调取的又是另一种方式。

长期以来，实验数据以结果为重点，操作流程记录和失败数据被轻视，这使得实验结果的上下文数据有所缺失。对人类科学家来说，这些信息可以部分依赖经验补足，但对AI Agent来说，它看到的往往只是一堆孤立文件，而不是连续的科研过程。

面向智能体的科学数据底座，需要的核心能力包括：①统一数据格式，让Agent可以直接理解和调用；②记录为什么做某个实验、用了什么模型、结果如何影响下一步决策；③记录现实实验真正如何执行和失败过程。

硅兔君制作

Transfyr从实验现场切入。今年8月，它完成了2500万美元种子轮融资，由General Catalyst领投，Lux Capital等参与。

许多影响结果的细节发生在仪器输出文件之前：移液手法、实际反应时间、试剂更换，以及人与设备的操作过程。Transfyr用视频、传感器和多模态AI捕捉这些信息，尝试将隐性经验转化为可分析的记录，用于实验排错、流程优化、技术转移与培训。

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

它的潜在价值在于，帮助团队回答一个经常被忽略的问题：这次实验究竟是如何完成的，与上一次有什么不同。

目前，公司通过给药企、科研机构和AI/机器人客户部署实验可观测性系统来盈利。

这一类公司的创业机会，往往来自某个具体的上下文缺口：实验失败难以排查、分析过程难以复现，或者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”？

对于希望在AI for Science中创业和投资的人，这场变化值得持续跟踪。

模型每多提出一批值得验证的候选，就需要有人完成实验、组织执行、保留可信记录。这些需求能否被做成稳定交付、持续复购、越做越高效的业务，将决定谁能成为这一轮科研升级中的基础设施供应商。

本文来自微信公众号 “硅兔君”（ID：gh_1faae33d0655），作者：硅兔君，36氪经授权发布。