中国AI for Science赛道前十月融资超80笔,披露金额逾200亿元

商业上的优势越来越属于那些能提高命中率、用一份精简候选清单取代一仓库失败记录的团队,而不是那些能打印出最长清单的团队。

据NextFin News统计,今年前10个月,中国AI for Science(人工智能驱动科学研究)领域初创企业共完成超过80笔融资,已披露金额合计超过200亿元人民币。从投资方向看,生命科学与材料科学领域的项目在投资条款清单中占据主导地位。大型科技集团也在这一赛道增加了阶段性演示:先在屏幕上完成分子设计,再交由自动化实验台进行合成与测试。

这一赛道的商业逻辑并不复杂。药物研发与材料研发项目往往在漫长的周期中投入大量资金,最终却走进死胡同,因此任何能够收窄早期筛选范围的技术都显得具有价值。但更关键的问题在于,这些公司实际出售的究竟是什么。

目前实验室仍然在大量重要但缺乏洞察性的工作上耗费精力,包括梳理文献、对候选对象进行排序、在各类专用软件之间来回搬运文件、重复标准化的检测流程。能够将这些环节串联起来的软件,以及可以通宵运行这些流程的硬件,确实能够以客户可衡量的方式压缩日历时间。这正是当前能够顺利回款的业务。部分厂商向学术实验室提供免费使用权限,对企业客户的深度使用收费;另一些厂商则承接药企与生物技术公司界定的发现任务,按项目计费。两种模式变现的都是通量与组织效率,均不要求系统在无提示的情况下自行判断下一个值得解决的科研问题是什么。

提出结构方案正变得越来越廉价,而证明其有效则并非如此。团队可以在一天之内生成数千个候选分子,但合成与检测能力的扩张速度无法与之同步。商业上的优势越来越属于那些能提高命中率、用一份精简候选清单取代一仓库失败记录的团队,而不是那些能打印出最长清单的团队。

判断力仍然是瓶颈。模型擅长总结文献中已有支持结论的内容,但在将异常结果视为线索而非噪声方面,可靠性仍然不足。在多轮迭代中报告“改善”的设计智能体仍需人工审核;三维化学层面的设计并不总能顺利转换为通用大模型用于规划的语言。此外,各实验室的公开数据集质量参差不齐,而真正能够改善下一轮迭代的专有实验反馈信号稀缺且昂贵。

在这些缺口被填补之前,自主发现仍属于研究愿景。方向选择、资源分配以及判断应追踪哪一个异常现象,仍然由人来完成。

并非所有行业都会诞生独立的AI for Science公司。制药企业已经在采购软件并将部分早期研究外包,因此外部AI厂商拥有相对成熟的采购路径,但在多轮投资浪潮之后,竞争也已十分拥挤。材料领域之所以具有吸引力,是因为其性能可以用比临床试验更清晰的指标、在更短的周期内进行评分。光学等重度依赖仿真的领域同样因此进入投资者名单。

在其他领域,数据、工作流与人才都集中在现有巨头内部。芯片设计以及与国家规模设施相关的项目,更可能将AI作为内部能力吸收,而非催生独立的外部供应商。

该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。

赞 (0)
国元证券联合工银资本设立10亿元产业基金,聚焦量子科技与算力芯片
上一篇 2小时前
彼得·蒂尔:大模型时代难以复制谷歌式垄断,价值或流向算力与入口层
下一篇 2026年10月13日 上午10:42

相关推荐

发表回复

登录后才能评论
分享本页
返回顶部