又融了1亿美金的AI公司，说AlphaFold不是生物世界天花板

文｜胡香赟

编辑｜海若镜

到了2026年8月，如果一家公司只想用AI“降本增效”，那很难吃到AI最大的红利。

这个观点从寻明生科创始人赵伟安口中说出，多少有些反常识，毕竟“降本增效”是过去几年AI制药公司最熟悉的脚本。他坦承，现阶段AI其实是“增本降效”的游戏：AI人才、算力和实验验证很昂贵；在传统大药企，给予AI更高决策权限，还可能产生额外的组织摩擦。

但是，今天AI能力已足够强，生物基础模型等呈现出的Scaling law，让业内看到“科学发现”推高智能上限的可能性。“AI在大分子设计方面的能力提升非常大，超越人类想象，只是大家尚未释放模型的全部潜力。”

基模开发、再造平台，未来可能批量产出差异化分子。如果这些资产的价值能够覆盖早期花的钱，意味着新一轮AI4S（AI for Science）游戏规则被改写。

2026年，资本再次涌向AI4S。新一波风口里，寻明生科（Aureka）是被资本选中的“年轻选手”。

暗涌Waves独家获悉，近日寻明生科再获总额1亿美金的B系列融资。首轮由Granite Asia（前身为纪源资本GGV亚洲业务）独家投资；后续轮次由知名产业投资人领投，弘晖基金跟投，启明创投、经纬创投及纽尔利资本等老股东追加。距离公司披露3500万美元A+轮融资，仅过去3个多月。

赵伟安曾在哈佛大学医学院完成‌博士后研究，随后加入加州大学尔湾分校担任终身正教授，也是一位连续创业者。

2023年创办寻明生科后，赵伟安和负责AI的联合创始人一道，搭建了生成式AI平台与高通量数字生物学平台，将AI设计与湿实验验证连成闭环。据介绍，这套体系产生千万美元级收入，也沉淀出一批候选药物管线。

但他并不满足于把公司定义为一家“AI biotech”。

去年底，寻明生科投入千卡规模算力，开发生物基座模型AuraIDE。今年7月，其开源了OpenDDE生物结构建模能力。赵伟安将这次开源称为一次“身份证明”，想要走上全球生物基座模型竞争的牌桌。

这一亿美元准备怎么花？AI能否从辅助工具变成研发的关键决策者？如何甄别谁是AI Native的新药公司？

借着这次融资，我们和赵伟安聊了聊他观察到的新价值与旧故事。以下是对话（经编辑）：

AI4S，先在新药赛道兑现

暗涌Waves：过去六七年，AI制药、AI新材料至少经历过两波风口，热钱来了又走。今年，AI4S成为国内一级市场投资的小热点，赛道再度升温的原因是什么？

赵伟安：核心就是AI能力的突破，没有任何其他原因。

从技术端，无论美国还是中国，AI大模型都是市场核心投资主线。但投资通用大模型的门槛越来越高，投资机构必然要布局AI产业链上的其他机会。AI4S是可以落地的优质应用场景，Science突破本身也将推动AI基模的智力上限。这两个原因，使得AI4S就是当下最好的投资方向。

制药，是AI4S里比较特别的应用。跨国药企与biotech之间管线交易、资产上市模式非常成熟，能按“研发里程碑”定价，不必等待超长周期。2025年，创新药管线BD授权交易浪潮，让投资机构看到了AI在制药领域完成商业闭环、资本退出的机会。

暗涌Waves：AI技术突破，让大药企更愿意和AI Native公司合作？

赵伟安：2025年底开始，全球药企对AI技术的认知发生了很大转变。

此前，我们感觉药企对与AI公司深度合作非常谨慎，但过去一年，行业愈发认可生物基座模型呈现出的Scaling law：模型能力越强，结构预测精度、生成候选分子差异化等方面的表现越好。Isomorphic Labs、Chai Discovery等公司接连不断地与跨国药企达成合作，也说明了这一点。

暗涌Waves：此前大药企应用AI时非常谨慎，他们主要的顾虑有哪些？

赵伟安：在我们的感知中，大药企一直存在强烈的AI落地焦虑，他们想知道如何用AI改变行业。但是，大家不希望这种改变耗费自己太多力气，如果要影响企业组织架构、改变现有研发流程，AI落地阻力会很大。

前几年，一些大药企的AI使用体验不够好，是因为大家以“降本增效”心态看待它。实际上，国内药企的研发成本控制已经很极致。

比如，某环节最低成本200万美元，大药企已经压缩到了220万美元，整套流程的“冗余”只有20万美元。如果AI公司为药企做的只是把20万再压缩至10万，不仅对药企的价值有限；在AI人才和算力都很昂贵的当下，也无法满足AI公司的收入预期。

本质上，AI不是“降本增效”的游戏，短期内它甚至会“增本降效”。关键在于AI能否持续产出传统研发体系难以长出的高价值资产，靠长期收益覆盖前期的增量成本。这才是游戏的核心。

暗涌Waves：短期的“增本降效”会阻挡很多公司投身AI。新游戏规则意味着什么？

赵伟安：意味着我们需要更符合AI生产力要求的生产关系。新的组织运营方式，基于模型授权、产品合作开发的新商业模式等等。

暗涌Waves：如何判断一家公司的AI原生程度？

赵伟安：至少早研阶段，可以看“AI在关键决策中占多大权重”。

小分子药物研发链条长，涉及AI、药化学家和生物学家三方协作。AI设计出的分子需要药化学家合成，再进入验证，中间环节较多。三方协调成本高，AI团队很难主导决策决策。

抗体等大分子相对容易解决，没有化学合成环节，核心链路可以简化为AI分子设计、湿实验验证两部分。AI更容易与湿实验形成闭环，也更适合建立由AI主导的研发架构。

一个直观的观测指标是专利署名。传统药企中，药物专利排名靠前的是生物、化学团队；但像我们这样的AI公司，核心药物专利中，AI算法人员直接位列第一、第二发明人。

以AI设计为起点，为之匹配合适的湿实验体系和研发架构，这非常重要。如果没有形成AI对应的生产关系，仍停留在为传统研发“降本增效”，未来行业可能会重回低谷。

开源基座模型，“上牌桌”

暗涌Waves：寻明生科2023年成立，AI开发的抗体分子已授权产生了千万美元收入。跑通了AI制药平台，为什么又在去年底投入千卡规模的算力，做生物基座模型？

赵伟安：生成式模型与高通量数字生物学平台的闭环跑通之后，我们开始追问：这套研发流程闭环的天花板在哪里？

如果类比造车，我们的前期工作像是建一条汽车生产产线，现在是要画出更好的汽车设计图。

过去两年，我们将AI设计与湿实验验证打通，形成覆盖靶点解析、分子设计和多轮实验验证的闭环。这套体系沉淀出一批药物资产；与欧美药企达成的抗体药开发合作，也产生千万美元级收入，说明这条“生产线”能够跑通。

但生产线能够制造出什么，取决于模型给出的“设计图”。既然生物基座模型也呈现出Scaling law，继续提升模型能力，就有机会抬高整套研发体系的上限。基于这个逻辑，我们投入千卡集群资源，基于专有蛋白质共进化数据自研了生物基座模型AuraIDE，并在7月对外发布了开源版本OpenDDE。

暗涌Waves：商业公司通常倾向于闭源，你们为什么选择开源OpenDDE？

赵伟安：在AI4S领域，如果发布一款可复现、经得起公开测评的模型，建立的行业信任和影响力会截然不同。

对寻明生科而言，开源也是一次身份证明。过去，外界倾向认为我们是一家AI生物科技公司，因为我们把药物研发、管线授权作为核心商业模式。

但现在我们希望向行业传递一个信号：寻明生科在严肃地做基座模型，准备上全球生物基座模型竞争的牌桌。

因此，我们把基于开源数据训练的OpenDDE开源，其训练数据集和数据划分规则与AlphaFold3、Boltz等生物计算模型一致，通过创新算法架构、算力调度实现性能提升。比如，在抗原、抗体结构预测方面，OpenDDE预测精度整体较AlphaFold3提升约1.5 倍。

开源的OpenDDE只覆盖生物结构建模，这是完整药物研发链条中一个环节，即便全部开源也不会冲击公司核心竞争力。从需求侧，当前开源社区内的生物基座模型供给稀缺，2024年AlphaFold3发布后至今，全球仅有1、2款开源模型实现明显性能超越。所以，开源出来，送一部分能力给大家也无妨。

OpenDDE在公开抗体—抗原结构预测基准FoldBench v1上的第三方评测表现（图源：Tamarind Bio）

暗涌Waves：有没有具体靶点发现，或抗体药物研发的案例，能证明OpenDDE的性能更优？

赵伟安：以一款自身免疫疾病靶点为例，其特点在于抗原表位埋藏浅，传统动物免疫、文库筛选很难筛选出高活性结合抗体。

2023至2024年，我们使用AF开源模型和内部模型设计这个靶点药物时，设计50条序列，通常只有五六条具备活性。今年将OpenDDE接入设计流程后，同样设计50条序列，有30多条表现出较高的生物活性，命中率提升至60%。

这让我们看到，模型性能提升后，生成高质量候选分子的概率也大幅提升。类似信号已经在多个靶点上出现，让AI攻克传统难成药靶点具备了更具体的可行性。

暗涌Waves：模型虽然开源了，但技术报告显示算力消耗很大，普通药企和科研机构用得起吗？

赵伟安：我们有专门团队负责开发轻量化推理分支，计划未来半年内正式发布轻量化版本。同时，我们也在和英伟达联合开发分子推理专项加速方案，模型会部署至专属算力加速集群，向药企、科研机构提供更低门槛的推理服务。

差异化分子，成为竞争核心

暗涌Waves：OpenDDE开源后，来自大药企的实际反馈如何？

赵伟安：已有不少第三方机构复现了OpenDDE的能力，也有许多大型药企资深科学家、VP级管理层主动联系我们，表达对这款模型的兴趣。

开源OpenDDE，对我们未来的商业拓展也有正向作用。近期，我们组建了专职BD团队，希望把市场对OpenDDE的关注，转化为基于模型、数据和湿实验闭环的实际合作。

暗涌Waves：能不能展开聊聊这些合作如何进行。

赵伟安：如今，大药企与AI4S企业的合作，正在融合新药管线BD授权、AI模型及应用销售两种模式。

现阶段，大药企锁定管线的节奏不断前置，对于高验证潜力、转化成功率稳定的靶点，他们愿意更早入场。

药企会拿出几个传统动物免疫、文库筛选方法做不出来的靶点，要求AI公司在指定条件及时间内，设计符合要求的候选药物分子。分子交付后的初步验证，可由AI公司在自有干湿闭环实验室完成，也可由药企/CRO独立评估。

这种模式启动门槛低，药企可以用一个具体项目，快速、轻量化验证AI公司的能力，甚至同时比较两三家公司。如果候选分子达到要求，双方再通过管线授权、合作研发等方式推进后续开发。AI公司也能因此跳出传统软件收费的限制，共享药物资产更长期的高价值。

暗涌Waves：在这个新趋势中，寻明生科的优势是什么？

赵伟安：核心优势是持续、规模化产出新颖的差异化分子。

一直以来，行业内都不缺乏加速或批量提供抗体分子的方法，真正稀缺的是围绕临床需求进行，做差异化定制设计。

以我们一条双特异性抗体自研管线为例，这款药物用于心血管代谢疾病，市面上虽也有类似产品，但由于使用剂量大，仅能静脉注射，患者依从性差。在AI模型的辅助下，我们定向设计出的高活性分子仅需同类产品1/6剂量，未来有望实现皮下注射，提升患者的就医便利性和接受度。

目前，我们已在心血管代谢、自身免疫、中枢神经系统疾病三大领域产出十数条候选管线，进展最快的心血管适应症管线预计在明年一季度递交临床试验申请（IND）。我们会在管线进入临床前候选化合物（PCC）阶段，就启动对外BD合作；部分核心管线会考虑自主推进临床开发。

早期药物研发领域的AI竞争，已经从蓝海走向红海。AI可以加快候选药物分子的产生，但后端临床资源依然有限，监管标准也不会因为AI而降低。如果大家只是围绕成熟靶点不断生成相似分子，前端效率越高，后端反而越拥挤。所以必须通过AI，实现差异化竞争。