引言：当一家AI蛋白质设计公司宣布完成数亿元A++轮融资，并将资金主要用于一个名为“MatwingVenus™（晓鹜™）”的“蛋白质科研智能体”时，这绝不仅仅是又一家生物科技公司的融资新闻。它背后隐藏着一个更尖锐的问题：为什么过去十年里，AI在蛋白质结构预测（如AlphaFold）上取得了爆炸性突破，但真正能用AI“设计”出可工业化生产的蛋白质，并将其从实验室推向循环经济、医药耗材等产业的公司却寥寥无几？天鹜科技给出的答案，或许触及了AI for Science从“论文级”到“产品级”最核心的痛点和解法——不是造一个更准的模型，而是造一个能“自己动手做实验、自己迭代学习”的闭环系统。
| 项目 | 详情 |
|---|---|
| 公司名称 | 天鹜科技 (Tianwu Technology) |
| 融资轮次 | A++轮 |
| 融资金额 | 数亿元人民币 |
| 累计融资 | 未披露（此前已完成多轮融资，投资方包括启明创投、涌铧投资、金沙江联合资本等） |
| 领投方 | 上海国投先导、国投创新 |
| 跟投方 | 聚杰微纤、宁波甬元兴仑君金创投、金景资本、孚腾资本、财鑫资本 |
| 成立时间 | 2021年（推测） |
| 总部 | 上海 |
| 官网 | https://www.tianwu.tech |
行业死结：蛋白质设计为什么卡在“最后一公里”？
要理解天鹜科技的价值，必须先理解一个残酷的现实：蛋白质设计行业过去十年陷入了“技术奇迹”与“商业荒漠”的巨大撕裂。
从技术端看，DeepMind的AlphaFold2在2021年解决了蛋白质结构预测的“圣杯”问题——给定一个氨基酸序列，预测其三维结构的准确率达到了接近实验水平。随后，Meta的ESM系列、David Baker实验室的Rosetta和ProteinMPNN等模型，让“逆折叠”（给定结构设计序列）和“从头设计”（从零生成全新蛋白质）成为可能。学术界一片欢腾，仿佛我们离“按需定制蛋白质”只差一个API的距离。
但从产业端看，现实却冰冷得多。一家典型的合成生物学或酶工程公司，其研发流程依然高度依赖“湿实验”的暴力试错：研究人员先通过文献调研或计算模拟提出候选序列，然后委托或自建实验室进行基因合成、蛋白表达、纯化、功能验证。这个过程周期长（一个典型项目3-6个月）、成本高（单次实验成本数千至数万美元）、且严重依赖资深科学家的直觉和经验。更致命的是，AI模型输出的“高分”序列，在真实湿实验中常常表现不佳——因为AI模型是在静态的、有限的训练数据上学习的，无法感知真实反应体系中pH值、温度、溶剂极性、底物浓度等复杂扰动对蛋白质折叠和功能的非线性影响。
这就是行业著名的“干湿鸿沟”。AI（干实验）能生成海量候选方案，但湿实验验证能力是瓶颈；湿实验能产生真实反馈，但反馈回AI模型进行迭代优化的链路极其漫长且非标准化。大多数公司要么是“纯AI平台”公司，卖软件或SaaS，但客户拿到序列后还得自己找实验室验证，转化率极低；要么是“纯湿实验”服务公司，靠人工和自动化设备堆砌产能，缺乏AI的智能筛选和迭代能力。两者都难以形成真正的“数据飞轮”——即每一次实验失败都能转化为模型优化的养分。
天鹜科技的核心洞察在于：蛋白质设计不是一个“预测问题”，而是一个“控制与优化问题”。你需要的不只是一个能预测结构的模型，而是一个能理解自然语言需求、自动调度计算工具、自主执行湿实验、并基于实验结果自我进化的“智能体”。这个智能体必须打通从“想法”到“产品”的全链路，让“干实验”和“湿实验”像呼吸一样自然闭环。
技术本质：MatwingVenus™——一个“会自己动手做实验”的蛋白质科研智能体
天鹜科技的核心产品MatwingVenus™（晓鹜™）被描述为一个“对话式蛋白质研发智能体”。这听起来像是又一个ChatGPT的生物学变体，但深入其底层架构，你会发现它远比“聊天机器人”复杂得多。
1. 自然语言交互：重新定义蛋白质设计的“入口”
传统蛋白质设计工具的门槛极高。研究人员需要掌握Python或R语言来调用Rosetta、AlphaFold等命令行工具，需要理解PDB文件格式、序列比对算法、分子动力学模拟参数。这使得大量有产业需求但缺乏计算背景的科学家（如发酵工程师、工艺开发人员）被挡在门外。
MatwingVenus™通过大语言模型（LLM）作为“翻译层”，将用户的自然语言需求（例如：“我需要一种能在60°C高温下稳定催化纤维素水解的酶，且对葡萄糖抑制不敏感”）自动解析为结构化的技术指标：目标温度、底物类型、抑制物耐受浓度、催化效率（kcat/Km）等。然后，智能体内部的任务编排引擎（类似于LangChain或AutoGPT的Agent框架）会将这些指标分解为一系列子任务：数据库检索（搜索UniProt、PDB、BRENDA等）、同源序列挖掘、结构建模、突变设计、虚拟筛选。
2. 百亿级真实蛋白质标签数据库：AI模型的“燃料”壁垒
天鹜科技声称整合了“百亿级真实蛋白质标签数据库”。这个数字需要被严肃对待。大多数公开数据库（如UniProt）包含约2.5亿条序列，但其中绝大多数是未经功能验证的预测序列。真正带有“功能标签”（如酶活、热稳定性、pH耐受性、底物特异性）的“湿实验验证数据”极其稀缺，全球可能只有几千万到几亿条。
天鹜科技如何构建这个数据库？核心在于其“干湿闭环”的商业模式：每一次为客户执行的湿实验（无论是成功还是失败），其数据（序列、表达量、纯化收率、活性数据、稳定性数据）都会被标准化、结构化后回流入数据库。这意味着，随着客户项目数量的增加，天鹜的数据库会像滚雪球一样自我膨胀，形成强大的数据护城河。相比之下，纯AI公司或纯CRO公司都无法获得这种持续、高质量、多维度、带反馈标签的数据流。
3. 200+专业工具与30+领域专家调优的Skills：一个“蛋白质设计操作系统”
MatwingVenus™内置了200多个专业蛋白质设计工具，涵盖了从序列比对（BLAST、HHblits）、结构预测（AlphaFold2、ESMFold、RoseTTAFold）、分子对接（AutoDock Vina、RosettaDock）、分子动力学模拟（GROMACS、OpenMM）、到定向进化库设计（NGS库、饱和突变）等全链条。这些工具并非简单堆砌，而是通过一个“工具编排层”进行智能调度。例如，当用户要求“设计一个对底物A亲和力提高10倍的酶变体”，智能体会自动选择：先用AlphaFold2预测野生型结构，再用Rosetta进行结合位点附近的饱和突变扫描，然后用AutoDock Vina评估突变体与底物的结合能，最后用GROMACS进行短时间分子动力学模拟验证构象稳定性。
更关键的是，这些工具被30多位领域专家（包括结构生物学家、酶工程专家、发酵工艺专家）调优过“Skills”——即针对特定任务（如“设计耐高温纤维素酶”、“设计高选择性转氨酶”）的专用工作流。这些Skills本质上是专家经验被编码为可执行的自动化流程，使得智能体在面对特定领域问题时，能直接调用最优的“最佳实践”组合，而非从头开始搜索。
4. 一键下单自动化湿实验：从“虚拟设计”到“物理验证”的闭环
这是MatwingVenus™最硬核、也最颠覆性的部分。智能体不仅输出序列，还直接链接到天鹜科技自建或合作的“云端自动化实验室”。用户点击“一键下单”后，系统会自动生成实验方案（包括基因合成、克隆、表达宿主选择、纯化方案、检测方法），并将指令发送到自动化液体处理工作站、高通量克隆挑选仪、蛋白质纯化系统（如ÄKTA）、酶标仪等设备。实验完成后，数据（如表达量、纯度、活性、Tm值、动力学参数）自动上传回MatwingVenus™，AI模型根据这些真实反馈数据自动进行下一轮优化设计。
这个“干湿闭环”的意义怎么强调都不为过。它解决了AI for Science最根本的“数据飞轮”问题：传统AI模型训练一次后，模型就“死”了，无法从后续实验中学习。而MatwingVenus™通过将湿实验反馈实时注入模型，实现了模型的持续在线学习（Online Learning）。每一次失败的实验，都成为模型避免再次犯错的经验；每一次成功的实验，都成为模型泛化能力的增量。这使得天鹜科技的AI模型在特定任务上的预测准确率，会随着项目数量的增加而指数级提升，形成真正的“经验曲线”效应。
商业路径：从“卖序列”到“卖结果”，天鹜如何构建高频复购的商业模式？
天鹜科技的商业模式并非简单的SaaS订阅或项目制收费，而是一种更接近“结果导向”的混合模式。
1. 客户画像：谁在为“蛋白质设计”付费？
天鹜科技的目标客户集中在四个领域：循环经济（如塑料降解酶、纤维素酶、生物基化学品合成酶）、创新药（如抗体工程、蛋白药物长效化、酶法合成中间体）、大健康（如食品酶、化妆品活性成分酶）、医药耗材（如诊断用酶、生物传感器用酶）。
这些客户有一个共同特点：他们需要的不是“一个序列”，而是“一个能稳定生产、性能达标、成本可控的蛋白质产品”。一家塑料回收企业，不会关心你用了什么AI模型，只关心你提供的PET降解酶能否在工业反应器中稳定工作、成本是否低于化学法。一家制药公司，不会为你的“预测准确率”买单，只关心你设计的抗体能否在动物模型中表现出预期的药效和低免疫原性。
2. 收费模式：项目制+里程碑+利润分成
天鹜科技目前主要采用“项目制+里程碑”收费。客户提出需求后，天鹜科技利用MatwingVenus™进行“干湿闭环”研发，在约定的时间内交付满足性能指标的蛋白质（如序列、表达菌株、纯化工艺包）。收费分为几个阶段：启动费（覆盖基因合成和初步筛选）、里程碑费（达到关键性能指标，如活性达标、稳定性达标）、以及成功费（产品进入中试或量产阶段）。
对于高价值、长周期的项目（如创新药靶点蛋白或工业酶制剂），天鹜科技也探索“利润分成”模式：客户无需支付高额前期费用，天鹜科技以技术入股形式参与，待产品商业化后按销售额分成。这种模式对客户极具吸引力，因为它将研发风险从天鹜科技身上转移到了客户身上——如果产品失败，天鹜科技承担了大部分研发成本；如果成功，天鹜科技获得长期收益。
3. 高频复购与数据飞轮：为什么客户一旦使用就难以离开？
天鹜科技商业模式的核心竞争力在于“数据飞轮”带来的锁定效应。客户第一次使用MatwingVenus™完成一个项目后，该项目的所有实验数据（包括失败数据）都沉淀在天鹜的数据库中。当客户启动第二个项目时，天鹜的AI模型已经“学习”了该客户的特定偏好（如偏好的表达宿主、常用的纯化策略、对某些底物的特殊要求），因此第二次项目的预测准确率和实验成功率会显著高于第一次。随着项目数量的增加，客户对天鹜的依赖度会越来越高，因为迁移到其他平台意味着放弃已经积累的、针对自身业务优化的定制化数据资产。
这种“数据飞轮”效应，使得天鹜科技在获取新客户后，能快速将其转化为高频复购客户。据行业经验，一家合成生物学公司如果与天鹜科技合作完成3-5个项目后，其内部研发团队对MatwingVenus™的依赖度会达到难以替代的程度，因为内部团队已经习惯了“自然语言对话+一键实验”的高效工作流，再回到传统的“文献调研+手动实验”模式，效率落差巨大。
竞争格局：天鹜科技 vs. 全球AI蛋白质设计玩家
天鹜科技并非孤军奋战。全球范围内，AI蛋白质设计赛道已经拥挤不堪，但各家打法差异巨大。
1. 国际巨头：DeepMind、Meta、David Baker实验室
DeepMind的AlphaFold系列是结构预测的“王者”，但DeepMind本身是一家AI研究公司，其商业模式是技术授权（如通过Google Cloud提供API）而非直接服务产业客户。它没有湿实验能力，也不提供“端到端”的蛋白质设计服务。Meta的ESM系列模型在序列理解方面表现出色，但Meta同样缺乏湿实验闭环，且其战略重心已转向通用AI，对生物领域的投入有限。David Baker实验室（华盛顿大学）是蛋白质从头设计的“学术圣地”，其开发的Rosetta和ProteinMPNN是行业标准工具，但Baker实验室是学术机构，不直接商业化，其技术主要通过开源或衍生公司（如Sana Biotechnology、Lyell Immunopharma）进行转化。
这些“巨头”的共同弱点是：它们提供的是“工具”，而不是“解决方案”。客户拿到AlphaFold预测的结构或Rosetta设计的序列后，依然需要自己解决湿实验验证和优化问题。天鹜科技的“干湿闭环”智能体，恰恰填补了这个空白。
2. 国内竞争者：晶泰科技、深势科技、分子之心
国内AI for Science领域，晶泰科技（XtalPi）是AI制药的头部公司，但其核心优势在“小分子药物”的晶型预测和分子模拟，对“大分子蛋白质”的覆盖相对有限。深势科技（DP Technology）以“深度势能”分子动力学模拟为核心，擅长物理驱动的蛋白质构象采样和结合自由能计算，但其工具链更偏向“计算化学”而非“蛋白质工程设计”。分子之心（MoleculeMind）由许锦波教授创立，在蛋白质结构预测和设计方面有深厚学术积累，但其商业模式更接近“AI SaaS+咨询”，湿实验能力相对薄弱。
天鹜科技与这些国内竞争者的最大区别在于：它不只是一个AI平台，而是一个“AI+自动化湿实验”的混合体。这种“重资产+重数据”的模式虽然前期投入巨大（需要建设自动化实验室、积累湿实验数据），但一旦跑通，其护城河远比纯AI公司深厚。
3. 跨维竞争者：传统CRO与合成生物学公司
药明生物（WuXi Biologics）、金斯瑞（GenScript）等传统CRO巨头，拥有庞大的湿实验产能和丰富的项目经验，但它们缺乏AI驱动的“智能筛选”能力，其研发流程依然高度依赖人工经验，效率提升空间有限。华大基因、华大智造在基因合成和测序方面有强大基础设施，但缺乏蛋白质设计的AI核心能力。
天鹜科技的策略不是与这些巨头正面竞争，而是成为它们的“技术赋能者”。例如，天鹜科技可以为药明生物提供AI设计的候选序列，由药明生物进行大规模湿实验验证；或者为金斯瑞提供“智能体”工具，帮助其内部科学家提升研发效率。这种“合作而非替代”的定位，使得天鹜科技更容易进入传统CRO的客户网络。
投资逻辑：为什么VC在这个节点重注天鹜科技？
本轮融资由上海国投先导、国投创新联合领投，老股东集体加注，这释放了强烈的信号：国有资本和市场化VC同时看到了AI for Science在“硬科技”领域的确定性回报。
1. 宏观环境：AI for Science进入“产业验证期”
过去两年，AI for Science经历了从“概念炒作”到“落地验证”的转折。DeepMind的AlphaFold获得诺贝尔奖级关注，但真正让产业界兴奋的是：AI能否在真实工业场景中创造可量化的价值？天鹜科技在循环经济、医药耗材等领域的实际项目交付（如成功设计出工业级PET降解酶、高活性诊断用酶），证明了“干湿闭环”模式在商业上的可行性。对于VC而言，这不再是“赌一个未来”，而是“投资一个正在被验证的商业模式”。
2. 技术壁垒：数据飞轮与自动化基础设施
天鹜科技最被低估的资产，是其“百亿级真实蛋白质标签数据库”和“云端自动化实验室”。这些基础设施的建设需要大量资金（自动化设备、试剂耗材、实验人员）和时间（数据积累需要数年）。后来者即使拥有更先进的AI模型，如果没有同等规模的湿实验数据和自动化能力，也无法复制天鹜科技的“干湿闭环”。这种“数据+硬件”的双重壁垒，使得天鹜科技在短期内很难被超越。
3. 团队背景：跨界融合的稀缺性
天鹜科技的创始团队据称兼具AI算法、结构生物学、酶工程和自动化实验的跨学科背景。这种“既懂AI又懂湿实验”的团队在市场上极其稀缺。大多数AI公司创始人来自计算机科学背景，对生物实验的复杂性和不确定性缺乏深刻理解；而传统生物科技公司创始人则缺乏AI工程化能力。天鹜科技能够同时驾驭“干”和“湿”两个世界，是其能够提出“干湿闭环”这一独特解决方案的根本原因。
4. 政策红利：国有资本对“硬科技”的偏好
上海国投先导、国投创新等国有资本的参与，表明天鹜科技的项目符合国家“科技自立自强”和“生物经济”的战略方向。蛋白质设计能力是合成生物学、生物制造、创新药等关键领域的基础设施，国有资本愿意在早期阶段介入，支持这类“卡脖子”技术的突破。对于市场化VC而言，国有资本的背书也降低了投资风险，因为这意味着公司未来在政策支持、产业资源对接等方面有更强保障。
冷思考：天鹜科技需要跨越的三道鸿沟
尽管前景光明，天鹜科技依然面临严峻挑战。
1. 技术鸿沟：从“实验室成功”到“工业级稳定”的跨越
天鹜科技目前交付的蛋白质，大多停留在“实验室验证”阶段（如摇瓶发酵、微孔板检测）。但工业级应用（如万吨级发酵罐、连续流反应器）对蛋白质的稳定性、表达量、纯化收率提出了指数级更高的要求。一个在实验室条件下表现优异的酶，在工业发酵罐中可能因为剪切力、氧传质、底物抑制等因素而失效。天鹜科技需要证明，其“干湿闭环”智能体不仅能在实验室尺度优化蛋白质，还能在工业尺度实现“一次设计成功”。
2. 商业鸿沟：如何从“项目制”走向“产品化”？
目前天鹜科技的收入主要来自项目制收费，这意味着每笔收入都需要重新投入大量人力（项目管理人员、实验人员）和计算资源。这种模式虽然能保证现金流，但难以实现指数级增长。天鹜科技需要思考如何将某些高频、标准化的蛋白质设计任务（如“设计一个耐高温的PCR聚合酶”、“设计一个高选择性的转氨酶”）产品化，形成可重复销售的“蛋白质设计模板”或“标准化试剂盒”。这需要公司从“服务商”向“产品公司”转型，对组织能力和商业模式设计提出更高要求。
3. 竞争鸿沟：巨头入场后的生存空间
如果DeepMind或Meta决定亲自下场，利用其强大的AI基础设施和资金实力，构建类似的“干湿闭环”系统，天鹜科技能否守住阵地？或者，如果药明生物、金斯瑞等CRO巨头收购一家AI公司，并整合其湿实验产能，天鹜科技的技术优势是否会被迅速抹平？天鹜科技需要加快数据积累速度，并在特定垂直领域（如循环经济、医药耗材）建立深度行业Know-how，形成“数据+行业知识”的双重护城河，而不是仅仅依赖“AI+自动化”的通用能力。
核心判断
核心判断：天鹜科技的“干湿闭环”智能体MatwingVenus™，代表了AI for Science从“论文级”到“产品级”的关键跃迁。其真正的护城河不在于AI模型本身，而在于通过“数据飞轮”和“自动化湿实验”构建的“经验曲线”——每一次实验失败都转化为模型优化的养分，每一次成功都成为客户锁定效应的基石。未来12-18个月，关键观察指标是：天鹜科技能否将“项目制交付”的成功率提升至80%以上，并推出至少2-3个“标准化产品”（如特定领域的蛋白质设计模板），从而验证其商业模式的规模化潜力。如果成功，它将成为中国AI for Science领域最接近“平台型公司”的存在；如果失败，它可能沦为一家“高端的AI+CRO服务商”，估值天花板将显著受限。
分类与标签
| 分类 | 科技 / 生物科技 / 人工智能 |
|---|---|
| 标签 | AI for Science, 蛋白质设计, 干湿闭环, 智能体, 合成生物学, 酶工程, 自动化实验室, 数据飞轮 |
| 适合读者 | 生物科技创业者、AI for Science研究员、合成生物学投资人、医药研发高管、科技政策制定者 |