OpenAI、Anthropic争相收购AI科研公司：实验验证成稀缺环节

今年10月，OpenAI对外公布收购Orchestra Bio的消息。这家公司干的活，是帮生物医药团队协调研发任务、管理项目进度。同一个月，Anthropic也披露了一笔交易：7月已把Mithril Medicine收入囊中。两家头部模型公司，一前一后都在买。

Mithril的经历颇为传奇。被收购之前，全公司只有一名全职员工。创始人靠Claude协调11家外部实验室，合同、实验安排、数据分析都交给它处理，推进的是两类罕见肌营养不良症的药物研究。

一个科学家、一个AI助手，再加一张外部实验室网络，正在尝试过去要更大团队才能扛下来的研发工作。问题也随之变得具体：AI帮小团队推进的研究项目越来越多，随之增加的实验、执行和数据需求，由谁来接？

换句话说，在AI for Science里面，“卖铲子”的机会到底在哪？

2026年，Google DeepMind和MIT FutureTech联合发布《AI in Science: Early Insights》，把AI进入科研流程的早期图景描了出来。

637名接受调研的英美科研人员里，每天用AI的接近50%；大约41%的人头疼的是同一件事——手上积攒了太多还没验证的假设。

文献检索、写代码、计算预测、候选设计，这些环节都变快了，待验证的任务也跟着变多。可现实的约束动不了：样本要制备，细胞要培养，设备要排期，结果要复核。

上游假设的产出效率被AI抬了上去，下游验证能力反倒越来越稀缺。另一边，融资充足的头部公司陆续冒出来，提供下游验证服务的公司也就有了潜在的付费客户。

生命科学方向，跑出了Isomorphic Labs、Earendil、Xaira和Chai Discovery这些高融资额或高估值的公司；新材料方向有Periodic Labs。Discovery Loop的市场传闻估值口径甚至达到约500亿美元。

硅兔君制作，信息来自公开资料，数据截至09/2026

我们的判断是，头部AI for Science公司出现之后，一部分需求有机会从模型公司内部流出去，落到专业供应商手里。这里面能看到三类机会。

AI CRO——实验验证服务

CRO就是合同研究机构，接的是客户外包出来的研发工作。落到实验验证业务上，客户买的是一份实验结果：约定时间内返回，达到约定的质量要求。

传统CRO在行业里已经干了很多年，各家的自动化程度并不一样。新一代公司的机会在于把实验交付重新组织一遍：高频检测方法做成标准，报价、下单、排程、状态查询、结果交付串成一条连续流程，再用软件接口接进模型团队。

客户每一轮都要提交大量候选物，邮件来回沟通和人工交接的成本就会被放大。谁能稳定接住下一轮任务，谁才有机会进入客户的科研流程。

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

分工是这样的：AI模型厂商设计蛋白，Adaptyv负责制造DNA、把蛋白表达出来，再测试它能不能与目标结合、稳不稳定、能不能正常生产。

这一步过去通常得客户自己有实验室，或者找传统CRO外包，中间要反复询价、沟通实验方案、排队、做实验、拿Excel/PDF报告。

Adaptyv把它做成了一个标准产品。客户通过网站或者Agent调用其API提交蛋白序列，后面的合成、表达、纯化、测试都由公司负责，返回的是结构化实验数据，可以直接接上模型训练。

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披露过一项蛋白设计研究，正好说明了这种需求：Adaptyv测试了1320个Claude设计出来的蛋白，其中354个真的结合了目标，整体命中率约26.8%。

对基础设施创业者来说，要关注的是模型能力得靠真实实验结果来支撑。设计任务越多，实验验证就越可能变成持续发生的采购需求。

Adaptyv还展示了业务模式里隐含的数据变现价值。它推出Proteinbase数据库，把计算预测、设计方法和真实实验结果放在一起，还收录了较少公开的失败数据，这些都能成为模型测评和迭代的数据资源。

Dash Bio展示的，是研发链条上另一个位置的机会。

在药物研发链条上，Adaptyv偏上游，Dash Bio的位置更靠后。候选药进入动物实验或临床阶段之后，Dash Bio通过生物分析验证药效变化和免疫反应，为药物是否继续开发提供证据。

具体做法是对血液、血浆、组织等样本进行分析，看药物进入人体后有多少、多久被代谢掉、是否引发免疫反应。样本处理、检测和数据交付的快慢，会直接影响后续研发安排。

业务组织方式上，Dash Bio靠自动化实验平台、公开的固定价格和自助报价来运转。公司在其2025年总结中称，多类检测结果数天内就能返回，交付速度约为行业常规水平的10倍。

今年8月，Dash Bio还官宣了3000万美元A轮融资，Oak HC/FT领投。公司称已签约30+客户，其中有4家全球Top 15医药公司。

更早的项目中，UpHonest Capital 投的 Templar Nova 选的是肿瘤方向。公司用自研平台把医学报告、数据管理、生物统计和实验运营串成一条流程，落地方式为 AI 智能体干活、专家把关。其创始人做过美国 FDA 临床药理办公室药代动力学审评组长，也是 FDA 把 AI/ML 用到药物审评上的牵头人。

对AI CRO创业者来说，切口可以很窄：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。

对投资人来说，要问的是：交付变快靠的是可复用的系统，还是靠堆了更多人？

设备利用率提高后，毛利能否改善？客户是否会因为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

这个方向盯的是现有实验室效率怎么往上提。有些设备能自己完成动作，可设备与设备之间传样本、转文件、排先后，还是得靠人。

当模型一次提出上千个候选物，这些交接就可能成为瓶颈。

Lab OS，即实验室 AI 操作系统，想补的正是这一环。科学家或 AI 智能体把实验计划交上来，系统负责将其翻译成设备动作，并记下执行过程。

Automata展现了这种路径。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”，系统负责把它翻译成设备动作和调度计划，按照工作流去安排“谁先做、谁后做、什么时候做、失败了怎么办”，并把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，并把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+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，并把Scientific AI的决策转化成真实世界动作。

两家公司，Automata今年1月完成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？

系统跑出错以后，哪些情况能自己恢复？同样的能力搬到第二家客户那里，部署会明显更快吗？

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。

实验室一家家进，每进一家都得从头开发一遍，平台业务那种规模效应就很难兑现。

科学数据底座——让 AI 读懂实验

眼下科研数据卡在三个地方：碎片化、缺上下文、难复用。

碎片化是因为存放的容器各干各的活。实验员记一份，分析师析一份，管理层从流程管理系统里调的又是另一份。

过去很长时间里，实验数据重结果、轻过程，操作流程记录和失败数据都靠边站，实验结果的上下文因此缺了一块。对人类科学家来说，这些信息还能靠经验补个大概；AI Agent 看到的却往往是一堆孤立文件，拼不出连续的科研过程。

面向智能体的科学数据底座，核心能力有几项：①统一数据格式，让 Agent 能直接读懂、直接调用；②记下为什么做这个实验、用了什么模型、结果又怎样影响下一步决策；③记录现实实验到底怎么执行、怎么失败的。

硅兔君制作

Transfyr 选的是从实验现场切入。今年 8 月它完成 2500 万美元种子轮融资，General Catalyst 领投，Lux Capital 等参投。

很多影响结果的细节，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，还有人跟设备之间的操作过程。Transfyr 用视频、传感器和多模态 AI 把这些信息抓下来，试着把隐性经验变成可分析的记录，用于实验排错、流程优化、技术转移和培训。

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

它潜在的价值，是帮团队回答一个常被跳过的问题：这次实验究竟是怎么做完的，跟上次又差在哪。

目前这家公司靠给药企、科研机构和 AI/机器人客户部署实验可观测性系统来赚钱。

这类公司的创业机会，通常来自某个具体的上下文缺口：实验失败查不出原因、分析过程复现不了，或者手里的数据没法被智能体可靠调用。

谁能成为 AI 科研时代的“卖铲人”？

想在 AI for Science 里创业或投资的人，这场变化值得一直盯着。

模型每多提一批值得验证的候选，就得有人把实验做完、把执行组织起来、把可信记录留下来。这些需求能不能做成稳定交付、持续复购、越做越省力的生意，决定了谁能成为这轮科研升级里的基础设施供应商。