OpenAI、Anthropic接连收购生物医药公司，AI科研验证服务的机会在哪

10月，OpenAI宣布买下Orchestra Bio，这家公司帮生物医药团队协调研发任务、管理项目进度。同一个月，Anthropic披露已在7月完成对Mithril Medicine的收购。两家头部模型公司先后出手，节奏几乎一致。

Mithril的经历颇有几分传奇色彩。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、数据分析都由它打理，推进的是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，再加一张外部实验室网络，正在做过去要更大团队才能承担的研发。问题也因此变得具体：AI让小团队推进更多研究项目之后，随之增加的实验、执行和数据需求由谁来接？

换句话说，AI for Science里“卖铲子”的机会，究竟在什么地方？

2026年，Google DeepMind与MIT FutureTech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名英美科研人员接受了这次调研，其中近50%每天都在用AI；约41%的人头疼的是手里积攒了许多尚未验证的假设。

文献检索、代码编写、计算预测和候选设计都在提速，待验证的任务因此变多。可现实约束没法绕开：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推高了，下游验证能力反而越来越稀缺。另一边，融资充足的头部公司陆续出现，给提供下游验证服务的公司带来了潜在付费客户。

生命科学方向跑出了Isomorphic Labs、Earendil、Xaira和Chai Discovery等高融资额或高估值公司；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公司出现后，一部分需求有机会从模型公司内部流向专业供应商。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，承接客户外包的研发工作。落到实验验证业务上，客户买的是在约定时间内返回、达到约定质量要求的实验结果。

传统CRO在行业里已经服务多年，各家自动化程度并不一样。新一代公司的机会在于重新组织实验交付：把高频检测方法做成标准，让报价、下单、排程、状态查询和结果交付连成一条流程，再通过软件接口接进模型团队。

客户每一轮都要提交大量候选物，邮件沟通和人工交接的成本就会被放大。能稳定接下下一轮任务，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。

AI模型厂商负责设计蛋白，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、是否稳定、能否正常生产。

这一步过去通常要靠客户自己的实验室，或者找传统CRO外包，过程中反复询价、沟通实验方案、排队、做实验、拿Excel/PDF报告。

Adaptyv把它做成了标准产品。客户现在通过网站或者Agent调用其API提交蛋白序列，后面的合成、表达、纯化和测试由公司负责，并直接返回结构化实验数据，与模型训练无缝衔接。

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，正好展示了这种需求：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，模型能力需要真实实验结果来支撑，这一点值得关注。设计任务越多，实验验证越可能成为持续发生的采购需求。

Adaptyv的业务模式还隐含数据变现的价值。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，其中包含较少公开的失败数据，可作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。

Adaptyv偏药物研发验证链条的上游，Dash Bio则更靠下游。候选药进入动物实验或临床阶段后，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。

比如分析血液、血浆、组织等样本，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。这一环节里，样本处理、检测与数据交付的快慢，会牵动后续研发安排。

Dash Bio靠自动化实验平台、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，其中包括4家全球Top 15医药公司。

早期项目里我们盯上了UpHonest Capital投的Templar Nova，它从肿瘤方向入手，靠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，交付时由AI智能体干活、专家把关。创始人当过美国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。

AI CRO的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。

投资人该追问的是：交付变快，靠的是能复用的系统，还是堆了更多人？设备利用率上去以后，毛利能不能跟着好转？客户会不会因为交付稳，就一路加采购？

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

这个机会盯的是怎么让现有实验室干活更快。有些设备本身能自动完成操作，可设备与设备之间，样本还得人送、文件还得人转、先后次序还得人排。

当模型一次提出上千个候选物，这些交接就可能成为瓶颈。

实验室AI操作系统，也就是Lab OS，想补的正是这一层。科学家或AI智能体把实验计划交上去，接下来由系统把计划变成设备动作，并把执行过程记下来。

Automata展现了这种路径。

它干的事是把不同的实验设备、机器人、软件系统和数据流连到一起：科学家只说“我要完成什么实验”，系统负责翻成设备动作和调度方案，按工作流排定“谁先做、谁后做、什么时候做、失败了怎么办”，全程数据一并留存。

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

交给客户的是一套软硬件系统。软件管工作流设计、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则包括工作台、机器人、轨道/运输系统、控制电子设备，还有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？

加一种仪器，要多少适配工作量？加一个实验流程，要多少工程师驻场？系统跑出错来，有多少情况能自己恢复？同一套能力落到第二家客户，部署是不是明显更快？

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。

实验室如果每进一家就得从头开发一套，平台业务想做出规模效应就很难了。

科学数据底座——让 AI 读懂实验

眼下科研数据有三个毛病：碎片化、没有上下文、难以复用。

碎片化来自存放数据的容器各干各的：实验员记一套，分析师析一套，管理层从流程系统里调出来的又是另一套。

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不受重视，实验结果的上下文因此缺了一块。人类科学家还能靠经验补齐，AI Agent 面对的却常常是一堆孤立文件，看不到连续的科研过程。

要给智能体打底的科学数据底座，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、结果怎样影响下一步决策；③记录真实实验到底怎么执行、怎么失败的。

硅兔君制作

Transfyr 选择从实验现场入手。今年 8 月它完成 2500 万美元种子轮融资，General Catalyst 领投，Lux Capital 等跟投。

很多影响结果的细节，在仪器输出文件之前就已经发生：移液手法、实际反应时间、试剂更换，还有人跟设备怎么操作。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

它的潜在价值，是帮团队回答一个常被忽略的问题：这次实验到底是怎么做完的，跟上次又差在哪。

公司目前的收入，来自给药企、科研机构和 AI/机器人客户部署实验可观测性系统。

这类公司的创业机会，通常出自某一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，就得有人把实验做完、把执行组织好、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、越做越高效的生意，会决定谁能在这一轮科研升级中成为基础设施供应商。