社区

2026年以来，物理AI成了AI制药圈热门的话题。从旧金山湾区到深圳、杭州，从创业公司到制药巨头，都在谈“物理”。融资新闻里，这个词出现得越来越密。生命科学公司只要贴上物理AI标签，就更容易拿到钱，有些甚至刚成立就完成大额融资。钱涌得太快，这个还处在早期探索阶段的方向，已经显得有些拥挤。

资本开始下注

这一轮融资里，早期项目格外受关注。2026年8月，Transfyr刚成立就完成2500万美元种子轮融资，融资稿标题直接写上了“面向科学的物理AI平台”。国内也一样。术也科技完成数千万元Pre-A轮融资，“用Physical AI打造自驱动实验室”同样被写进融资稿里。深圳津渡生科完成近亿元A轮融资，资金主要用于物理AI（Physics-AI）底层架构研发、BioFord Agent具身自主科研平台迭代，以及全球市场拓展。

制药巨头的动作更直接。2026年1月，摩根大通医疗健康大会上，英伟达和礼来宣布共建人工智能联合创新实验室，未来五年计划投入最高10亿美元，用于人才、基础设施和算力建设，重点做药物发现和开发全过程的AI应用。2026年7月，先声药业宣布与美国薛定谔公司达成全球药物发现与开发合作，围绕未满足的临床需求推进创新药研发。

更大笔的钱也在进来。从谷歌DeepMind分拆出来的Isomorphic Labs，2026年5月完成21亿美元B轮融资。物理基础模型公司息壤开物成立仅两个月，就连续完成数亿元种子轮和天使轮融资，估值达到5亿美元。它由前**云大模型CTO李寅、**多模态首席科学家张含望联合创办。

两条路：把物理当场地，还是当知识

物理AI在制药里到底做什么？行业里还没有统一答案。从企业实践来看，大致可分为两类。

一类公司把物理当成“场地”，重点是让AI去操控真实实验设备，把湿实验的自动化流程跑通。这类公司的运作模式更像生命科学领域的具身智能。Medra创始人Michelle Lee把这件事分成两层：科学AI负责提出假设，物理AI负责操作仪器。2026年4月，Medra在旧金山建成Medra Lab 001（ML001），只用了77天，目前做抗体发现、蛋白质工程、基因编辑和细胞生物学等实验。国内，合碳智能的Talos系统在百济神州广州生物岛的真实制药实验室里连续试运行50天，完成50多个分子纯化实验。每个分子有200多个连续操作步骤，累计超过8000次物理操作，执行层面零失误。术也科技则做智能电动移液器、实验室自动化设备和AI驱动的实验室工作流系统，把物理AI的能力落在真实实验操作里。

另一类公司把物理当成“知识”，想搭建微观世界模型，把分子力场、构象动力学、量子化学等物理规律嵌进模型，先在计算机里完成一部分试错，再交给实验室验证。宇道生物搭建了蛋白构象调控数据库AlloMatrix，又通过深度学习做出全球首个蛋白构象变化特异性分子力场APSF，其首发管线p53 Y220C重激活剂NTS071，正在推进国际多中心I期临床，即将进入II期。深度细胞则提出，要把分子物理机制变成可学习、可验证的模型约束，而不是在模型外面再叠一层物理规则，目标是突破当前AI模型在精度和泛化能力上的瓶颈。

这两条路都围绕实验展开，但方向相反：一个提高实验效率，一个减少实验需求。从现在看，机器人实验室落地更快，已经有工业级交付案例；微观世界模型想象空间更大，但大多还在早期验证，离证明预测能力还有距离。

物理AI为什么突然火了

物理AI在这个时间点被盯上，是因为AI制药碰到了真实的天花板。过去五年，AI在药物发现早期环节提效很明显：更快找到潜在靶点，生成候选分子结构，减少需要合成验证的化合物数量。但效率提高并没有改变一个事实：截至2025年12月，全球AI制药企业已经超过350家，据行业公开信息，还没有完全由AI发现并设计的药物获得监管批准。AI在早期临床里展现的高成功率，尚未在后期临床试验中得到同等程度的验证。

问题出在模型能力上。CASP16（第16届蛋白质结构预测关键评估）首次在框架内评估药物样配体的构象与亲和力预测。结果显示，配体构象预测上，AlphaFold 3表现突出，平均LDDT-PLI达到0.80，超过所有参赛方法；但同届新设的亲和力预测项目上，各方法整体表现都不好，最优组的Kendallτ也只有0.42。这两件事不是一回事：构象预测回答的是“配体以什么姿态嵌在结合位点里”，亲和力回答的是“结合得够不够牢”。前者已经能用，后者还差得远，而后者恰恰决定一个分子能不能成药。

数据问题更麻烦。药物研发越靠近临床，数据越少。大量失败实验数据沉在企业内部，外部只能看到成功案例，容易造成幸存者偏差。对药企来说，外部AI工具的能力可以买，数据却不能给。可一份能用的训练集，必须同时有成功和失败的实验数据，才能形成闭环——这就成了一个结构性悖论。

这也解释了资本为什么追逐物理AI：当算法和算力的边际收益越来越低，AI制药的极限就不再只是数字世界的边界，而是物理世界的边界。谁能更高效地产生高质量真实实验数据，谁就更可能在下一轮竞争里占住位置。

当然，物理AI到现在仍是一个边界模糊的概念。热度里有风口成分，也有真实的产业需求。它能不能真正改变AI制药的格局，要看两件事：机器人实验室能不能在效率和可靠性上达到工业级标准，微观世界模型能不能在预测精度上经得住实验验证。这两件事，都还需要时间。

来源：医药研究社