超30亿美元疯狂涌入，物理AI正在捅破AI制药天花板

最近，物理二字越来越频繁地出现在AI4S和制药界的叙事语境中。

尤其是在过去半年间，业务触及AI4S上、中、下游的初创企业，争相把对物理世界的求索，写进融资稿里。2026年8月，Transfyr成立即完成2500万美元种子轮融资，Physical AI Platform for Science（科学物理AI平台）的字样被写进融资新闻的标题中。在国内，术也科技9月完成Pre-A轮融资，同样将用Physical AI （物理AI）打造自驱动实验室，写进融资新闻稿标题，而6月近亿元A轮融资的津渡生科，也在新闻标题中赫然提出，以物理AI重塑生命科研范式。

尽管对于究竟什么是制药界物理AI，行业里还莫衷一是，但似乎只要握住了物理二字，就握住了真实世界的入口。

01

风口上的AI4S，出现物理大潮

物理AI，原本是一个出自科技世界的热门新词。在这轮新的人工智能热潮中，物理AI成为常常与具身智能、世界模型相伴出现。在科技界，物理AI通常指与物理世界相融合的AI，比如自动驾驶。在年初的国际消费电子展（CES）上，黄仁勋曾把物理AI称为AI的下一波浪潮。

相比具身智能和世界模型，物理AI给出了更大的概念外延和更广阔的想象空间，因此迅速获得了资本界、学术界、产业界的高度认可。如今，物理AI的大潮涌入了生命科学的世界，并且获得了更大的概念外延。

“其实物理AI这个词对业内同行来说，也是一个新词。”术也科技创始人兼CEO李谡告诉动脉网，“结合我们的经验来看，物理AI就是能够真实感知现实环境，并操控以往由人控制的设备去执行任务。放到实验室场景中，可以解释为让AI通过仪器或机器人参与实验。”李谡指出，物理AI在生命科学实验室的关键价值，体现在环境感知和决策判断环节。据动脉网不完全统计，过去一年多里，贴着物理AI 标签的生命科学企业密集获得融资，其中不乏早期的大额融资。

这一轮里颇受关注的两家，一家在纽约，一家在深圳。2025年底，总部位于纽约的AI机器人初创企业Medra 完成5200万美元A轮融资，加上此前 1100 万美元的种子轮，累计6300万美元。Medra的创始人，是华裔女科学家Michelle Lee，毕业于斯坦福大学，曾在斯坦福AI Lab从事多年机器人基础模型研究。2022年离开创业前，Michelle Lee还曾在马斯克的SpaceX实习。Medra致力于开发物理人工智能科学家用于药物发现，Michelle Lee将这项工作总结为两个层级的协同，即科学AI提出假设，物理AI操作仪器。

半年后，总部位于深圳津渡生科完成近亿元A轮融资，高特佳投资领投。此前，津渡生科在2025年连续拿下红杉种子基金、创东方投资和南山战新投的几轮融资。津渡生科由创始人兼CEO金泳成，与另外三位牛津校友共同领衔，他们曾在《Nature》等顶刊发表过六十余篇论文。官宣A轮融资时，津渡生物明确表示，这一轮资金将首先用于深化物理AI的底层架构。

此外，多家成立时间更早的公司，此番也借着物理AI的东风，重获资本青睐。2025年5月，苏州予路乾行完成数千万元A轮融资，元生创投领投，创始人郑铮曾表示，把予路乾行的技术路径，是深度融合AI与物理模拟，用分子动力学去算药物分子与靶点的动态相互作用。2026年3月，杭州合碳智能拿到5000万元新一轮融资，涌铧投资领投。此时距离它的上一轮融资，已经过去3年半。合碳智能创始人陈志刚做过药明康德的第一任首席数字官，他没有直接用物理AI 这个词，而是强调合碳智能要做一个通用的、由软件定义的机器人科学家。

同年8月，成立于2018年的杭州术也科技，完成Pre-A轮融资。术也科技创始人兼CEO李谡，是慕尼黑工业大学工程机器人方向的博士，公司的口号是Physical AI for Science。次月，成立于2013年的宇道生物宣布数千万美元C1轮落地。在融资新闻稿中，宇道生物强调AI加物理双轮驱动，用来识别传统力场抓不到的隐式变构位点。

值得注意的是，对于极早期的物理AI生命科学项目，投资机构更表现出了极大的热情。2026年4月，Transfyr的 2500 万美元种子轮落地，约合人民币1.68亿元，这家公司直接将自身定位于科研可观测物理AI平台。在国内，2026年8月，深度细胞完成近亿元种子轮融资，提出以AI加物理，把分子物理机制写成模型约束。次月，成立刚满一个月的上海斐睿科思完成数百万元级首轮战略投资。斐睿科思将品牌名定为Phyraxis AI，公司定位更是直指面向科学的物理人工智能。斐睿科思创始人王童在论述公司业务时更提及具生智能，他曾指出，生命科学领域的具身智能不能只停留在机器人完成一次动作的演示层面。

另一边，制药巨头也拿出空前的热情，主动拥抱物理AI。2026年1月，英伟达与礼来宣布合作，在旧金山湾区建AI联合创新实验室，把前者的BioNeMo平台接进礼来的研发流程，预计5年内将为此投入最高10 亿美元，来支付由此产生的人才、基础设施和算力支出。在这场发布的新闻稿标题里，Physical AI与AI驱动的药物发现被放在并列的位置，赛默飞世尔、安进、罗氏、Multiply Labs等一众药企、自动化公司共同出现在生态名单上。此外，2026年8月，先声药业与薛定谔达成全球药物发现与开发合作。双方明确，先声将主导临床前和临床，薛定谔则提供的物理学加AI的计算设计能力。更早之前，大模型巨头Anthropic 与HHMI Janelia合作，开源了一套模型硬件标准 MHS，目的是让模型能够统一发现和调用显微镜、液体处理仪和机械臂，极大降低了AI进入实验室的难度。

至此，超30亿美元直接或间接流入，AI4S的物理热可见一斑。

02

物理AI4S要做什么？

究其本质，物理AI的核心是跳脱出计算模型，与真实世界相融合。那么物理AI4S所结合的真实世界，即是在AI浪潮下发生巨变的实验室。

随着生物大模型的不断进化，AI设计的产出已经足够繁荣，而验证和数据反馈极度匮乏，由此激发出巨大的湿实验需求。设计端每天在产出分子，验证端是唯一的出口，“这让真实实验的数据，尤其是失败的实验数据，变得至关重要。”一位从业者告诉动脉网。总体而言，眼下技术风格各异的物理AI4S，可以大致分成两类，即把物理当场地，做机器人，卖实验通量和证据链的公司，比如Medra、津渡生科，和把物理当知识，做模型，卖先算再试的公司，比如深度细胞、予路乾行。两类物理AI4S公司都围绕实验下功夫，前者提高实验效率，后者减少实验需求。

把物理当场地的公司，主要处理实验室智能化问题。这有点类似生命科学领域的具身智能，因此也更早引入物理AI的概念。尽管智能实验室并非新概念，但现在的实验室，绝大部分操作还握在人手里，除了部分单一环节实现了自动化外，从设定目标到结果产出的过程，仍需要研究者反复试错，繁琐而不智能。“对于物理AI4S而言，这其中真正的卡点，在于实验经验的流失问题，”前述从业者指出，“需要把资深科研人员靠长年手感积累的直觉和窍门，变成可复现、可追溯的数据。”因此，不少物理AI4S公司都提出了打造AI物理学家的终极方案。

具体来看，物理AI在实验室落地的模式可以分成两种。第一种是自建实验室，比如2026年4月，Medra在旧金山落成所谓全球最大实验室ML001，占地约3530平方米，上百台机器人全天候运行。另一种模式则更轻，把AI算法或者机器人送进现有的实验室，大多数物理AI4S企业扎根于此。

比如，术也科技用视觉-语言-动作模型构建“VLA Operon”物理多智能体集群，让移液、纯化等设备不再是孤立执行终端，而是具备感知、决策与协同能力的智能体，同时配合可智能乐高式组合的模块化工作站，把实验从人工操作变成自驱动流程。“加入 AI 之后，我们希望系统不仅能分析本批结果，更能帮助我们决定下一批优先尝试哪些条件，也就是帮助实验人员摸索前置条件。”李谡解释道。

再如，合碳智能把机器人百济神州广州生物岛创新中心的实验室，做药物分子纯化。据了解，试运行50天，合碳智能的Talos跑了15个真实药物分子，每个涉及两百多个连续操作步骤，累计超过3000次物理操作，成功纯化其中的14个药物分子。再如，涌生智能与上海人工智能实验室的四组湿实验更完整，96孔板接菌培养全部生长，24个菌落 PCR 全部扩增出预期条带，分子克隆做出两个质粒并测序确认15个突变体，PCA法组装在96个候选克隆里做出93个阳性。

斐睿科思和津渡生物的模式则更轻，前者把执行证据账本列为平台模块，记录指令、状态、视觉证据、操作结果和异常信息，后者围绕实验样本做全生命周期追踪，工单精确到液体体积、温度梯度、时间窗口。

把物理当知识的公司，则尝试构建微观的世界模型，把分子力场、构象动力学、量子化学等写进模型，先算，再交给实验室去验。

深度细胞的思路是把分子物理机制转成可学习、可验证的模型约束，而不是在模型外面叠几层物理规则。宇道生物收了十几年的蛋白构象做成数据库，在它上面训练出一个针对构象变化的分子力场，用来识别传统力场抓不到的隐式变构位点，代表管线是 p53 Y220C 重激活剂。Fathom 用量子化学加 AI，以原子分辨率模拟蛋白质运动，做的是一个模拟药物在活细胞中作用的世界模型。予路乾行走多尺度分子动力学，落在蛋白降解剂、GPCR 和核酸药物上。

这类公司减少实验需求的策略，是改变试错的位置。当物理规律被装进模型，一部分试错可以先在计算机里做完，即尽可能减少证伪的实验需求。总部位于法国的 Aqemia甚至宣称，不用实验数据，用物理算法就可以生成合成数据来代替，意味着将试错的过程，整体搬进计算机。当然，这类尝试大多尚处于早期，距离证伪或证实都很远。

03

当AI制药遭遇真瓶颈

在AI4S丰富的应用场景中，制药是最成熟、也最具潜力的一个。而物理AI4S大热的背后，AI制药时下正遭遇的困境，无疑是极大的助推因素。

随着AI制药终于将在研管线送进III期临床试验，AI给古老的制药工业带来的真实价值也越来越多被拷问。来自多个口径的数据都表明，尽管AI提升了新药筛选的效率，这些被AI选出来的分子，在后续临床试验中的失败率，甚至比传统流程下的分子更高。换言之，AI制药的进展集中在能算的那部分，精度和速度每年都在刷新，却没能真正改变新药研发高风险、长周期的本质。而这样的AI制药，天花板未必太高。过去几年，制药行业在AI上的投入持续加码，进入管线的分子数量逐年上升，真正走到后期的却寥寥无几。

瓶颈的位置，可以从模型能力说清楚。CASP16官方评估显示，AlphaFold 3在蛋白与配体构象预测上平均LDDT-PLI达到0.80，远超全部参赛组，但同一份评估对亲和力预测的判断是完全不可靠，与实验数据的最大Kendall τ只有0.42。模型能告诉你分子怎么结合，却不能告诉你结合得好不好。也就是说，突破AI制药瓶颈的关键，显然已经不在于大模型。正如Medra创始人Michelle Lee所言，当前AI加药物研发，软件远远超过了硬件。

模型学的是历史样本的统计规律，但在新药开发的过程中，深度挖掘统计规律所能带来的获益十分有限。“在生命科学实验室，最正常不过的情况，就是实验并不总是按预想发生，”李谡指出，“因此我们需要让实验系统具备自主感知异常状况的能力。”这就好比，在自动驾驶领域，在特定道路上做定速巡航，与在任意空间范围内做自动驾驶，两者差异巨大。

而真实数据恰恰是AI制药企业最不具备的。药物研发越靠近临床阶段，数据越少，大量失败实验数据沉淀在企业内部，外部只能看到成功案例，容易造成幸存者偏差。这就形成了一个结构性错配，模型最需要的那批数据，恰好是最不可能外流的那批。对药企而言，外部AI工具的能力可以买，数据却不外给。而一份可用的训练集必须同时纳入成功与失败的实验数据，才能形成闭环，进而对未知研发问题给出可靠判断，形成悖论。

AI制药的困境之下，实验需求骤然上升。AI制药的极限，不再是算法、算力的边界，而是物理世界的边界。

诚然，物理AI这个词现在的热度，确实有风口的成分。但努力的方向对了。毕竟物理AI4S热的落脚点不再是使模型更聪明，它开始碰实验台和数据。如果基于AI的尝试，让实验可复现、可记录、能反哺下一轮产能，那么物理AI4S能力，将成为AI制药最核心的卡位因素。

本文来自微信公众号“动脉网”（ID：vcbeat），作者：王世薇，36氪经授权发布。