艾斐智药完成亿元天使轮融资：AI原生药物研发能否突破单点辅助瓶颈？

“AI原生”不是口号，而是一次对研发流程的重新切分

据公司披露，艾斐智药把自己的技术叙事拆成三个词：探索、决策、进化。探索层以DrugCLIP药物基础模型为基石，公司称相关工作已发表于《Science》期刊。决策层是PharmAgents——一个AI药物研发智能体引擎，据公司称其能够综合多源科学证据与专业模型输出，在庞大的化学空间中进行研发决策并推动真实实验验证。进化层则将实验结果、研发过程与专家反馈转化为模型和智能体的学习信号。上述三层架构均为公司口径，公开材料中未见独立验证。

这套三层架构的真正差异点不在模型本身，而在“决策”被放到了中心位置。传统AI制药的范式是：AI负责计算，药化团队负责合成，生物团队负责验证，三个环节之间靠文档和会议衔接。艾斐智药试图用“从第一天起就进入协同闭环”来规避这个问题。据公司披露，团队希望摒弃传统的“AI完成计算、交付给药化、药化再交付给生物”的接力式工作模式，让不同环节的研发人员从第一天起就进入协同工作、决策的闭环，搭建一套真正以AI作为核心生产力的AI Native新药研发体系。该工作模式与效果属于公司观点，公开材料中未见独立验证。

从已披露的信息看，艾斐智药的“AI原生”至少包含两层可验证的含义：其一，公司没有历史包袱，不需要在传统研发流程上嫁接AI工具，而是从组织架构和流程设计上以AI决策为轴心；其二，公司强调“干湿闭环”——即计算预测必须接受真实实验的反馈，而不是停留在虚拟筛选的舒适区。但“干湿闭环”的具体实现方式、实验设施是自建还是外包、闭环的迭代周期有多长，这些关键参数均未披露。

DrugCLIP与PharmAgents：技术底牌还是叙事框架？

DrugCLIP是艾斐智药技术故事的核心资产。据公司披露，相关工作已发表于《Science》期刊。一篇《Science》论文和一个能持续产出临床前候选化合物的工业级平台之间，隔着巨大的工程化鸿沟。论文证明的是方法在特定数据集上的有效性，而药物发现需要的是在开放化学空间中稳定、可复现、可解释的决策能力。

据公司披露，DrugCLIP的技术路径是用AI构建蛋白-分子共存的高维表征空间，采用双塔对比学习架构，将蛋白口袋、小分子映射至该高维表征空间。公司称，依托该模型，其能实现人类基因组规模虚拟筛选，支持千亿级别化合物库秒级检索。上述技术路径与能力描述为公司披露口径，公开材料中未见独立测试结论。

PharmAgents的定位则更激进。据公司披露，这是一个AI药物研发智能体引擎，能够综合多源科学证据与专业模型输出进行复杂研发决策。公司还预告，近期将发布PharmAgents技术报告与系统性Benchmark，首次在真实药物发现任务中量化评估其复杂决策能力；同时，多个由PharmAgents自主提出研发假设并已进入实验验证阶段的真实项目案例也将陆续披露。上述预告为公司口径，截至融资披露时点尚未有公开材料可独立核验。

这里有一个值得注意的时间差：技术报告、Benchmark和项目案例都是“即将发布”的状态。也就是说，截至融资披露时点，外界尚无法独立评估PharmAgents的决策能力。公司选择在融资消息发布的同时预告技术验证材料的发布，这在节奏上是合理的——先锁定资本，再释放技术证据。但这也意味着，本轮投资方襄禾资本和星连资本在做出投资决策时，可能基于未公开数据或团队背景做出决策，但外界无法确认。对于外部观察者而言，PharmAgents目前仍是一个待验证的假设，而非已被证实的工业能力。

从产业链约束的角度看，AI制药智能体的最大挑战不在模型层，而在数据层。药物研发的真实数据——尤其是负结果数据——高度分散在药企内部、学术实验室和CRO的数据库中，标准化程度低，获取成本高。一个智能体的决策质量上限，取决于它能看到多少真实世界的实验反馈。据公司披露，艾斐智药已与超过五家药企及Biotech开展共同开发。如果这些合作能够带来真实实验数据的回流，那么PharmAgents的学习循环就有了燃料。但联合开发中的数据所有权、数据共享边界和知识产权安排，往往是比技术本身更复杂的商业谈判。这些条款均未披露。

联合开发模式：比卖软件更重，比自研管线更轻

艾斐智药的商业模式以Co-development为主轴。据公司披露，其围绕创新靶点和管线，与大型药企、Biotech及科研机构开展深度协作，通过里程碑付款、License-out及后续收益分成等方式共享管线价值。截至目前，公司称已与超过五家药企及Biotech在代谢、CNS、自身免疫、药物递送等方向的创新药发现，以及靶点发现、反向找靶等研发任务开展共同开发，合作覆盖小分子、多肽等不同药物模态。上述合作数量与覆盖方向均为公司口径，公开材料中未见独立验证。

这个模式的选择有其务实的一面。编辑分析：纯软件授权模式在AI制药行业天花板有限，药企对AI工具的付费意愿受制于预算周期和内部评估流程，单笔合同金额难以支撑高估值；自研管线模式则需要承担从IND到临床的全周期成本和风险，对一家天使轮公司而言过于沉重。联合开发介于两者之间：用AI能力换取管线的部分权益，在早期不承担全部研发成本，在后期通过里程碑和分成获取上行空间。上述判断基于行业公开常识，并非艾斐智药已披露的财务数据。

但联合开发的另一面是：它要求合作方愿意把核心管线的部分权益让渡给一家成立仅一个月的公司。药企和Biotech在选择AI合作伙伴时，通常看重的是平台的可验证产出和团队的药物研发经验。艾斐智药的技术团队来自清华AIR，学术背景毋庸置疑，但学术团队向工业药物发现团队的转化并非无缝衔接。超过五家合作方的数量本身是一个积极信号，但合作深度、是否涉及核心管线、里程碑金额的规模，这些关键商业信息均未披露。在AI制药行业，“合作”一词的含金量差异极大——从付费试点项目到真正的管线共同开发，中间隔着数量级的资源投入差异。

资本结构里的信号：产业基金与智谱生态的交叉

本轮融资的出资方组合值得细读。领投方襄禾资本在AI和企业服务领域有较多布局，其参与AI制药天使轮并不令人意外。跟投方星连资本是智谱旗下基金，这一身份让艾斐智药与国产大模型生态产生了直接关联。另一跟投方为产业基金，来源材料未披露其具体身份。

编辑分析：从资本结构看，这轮融资的配置逻辑是，财务投资机构提供资金和公司治理支持，智谱生态提供大模型底层能力的潜在协同，产业基金提供行业资源和潜在的合作通道。对于一家AI制药公司而言，大模型生态的接入可能意味着PharmAgents在推理能力、多模态处理和工具调用方面有外部技术支撑。但智谱作为大模型公司，其药物研发领域的垂直能力并不突出，这种协同更多是基础设施层面的，而非药物发现know-how层面的。上述推断基于公开投资方身份，来源材料未披露各方具体的协同安排。

亿元级天使轮对应的是什么样的估值，来源材料未披露。在缺乏披露数据的情况下，无法做出可靠的估值判断。

Pre-PCC的含金量：一个被过早庆祝的里程碑

据公司披露，艾斐智药进展最快的First-in-Class管线已进入Pre-PCC阶段。这个表述需要被放在药物研发的真实时间轴上来理解。Pre-PCC意味着候选化合物尚未被正式提名，仍处于临床前优化的后期。从Pre-PCC到PCC提名，通常需要完成一系列成药性评价，包括药代动力学、安全性药理、制剂可行性等。从PCC到IND申报，还需要完成GLP毒理研究、CMC工艺开发等。从IND到临床I期数据读出，又是另一段以年为单位的时间。上述时间线为编辑基于药物研发一般流程的分析，并非艾斐智药已披露的具体时间表。

编辑分析：Pre-PCC距离“证明AI能发现药物”这个命题的最终验证，可能还有至少三到五年的路程。这一判断基于药物研发行业从临床前优化到临床数据读出的一般周期，并非公司披露的时间表。对于一家成立一个月的公司而言，管线进入Pre-PCC阶段意味着其技术平台在极短时间内完成了从模型到候选分子的跨越。来源材料明确提到“公司核心技术源自清华大学智能产业研究院（AIR）兰艳艳教授及张亚勤院士团队在AI for Science与药物研发领域的多年积累”，这意味着Pre-PCC管线的起点可能远早于公司注册日期。这并不减损技术的价值，但有助于理解“成立一个月即Pre-PCC”的真实含义：这不是一个月的产出，而是多年学术积累的公司化兑现。

待验证的假设：智能体决策能否跨越从论文到病人的鸿沟

艾斐智药的故事里，最核心的未验证假设不是模型性能，而是“AI智能体作为研发决策主体”的可行性。药物研发决策的复杂性在于：它需要在信息不完备、目标多维、约束相互冲突的条件下做出不可逆的选择。一个靶点是否值得推进，一个分子是否值得优化，一个毒性信号是否构成终止理由——这些决策在传统流程中由经验丰富的药物化学家和生物学家做出，其判断依据往往包含大量隐性知识和直觉。

PharmAgents能否替代或显著增强这种决策能力，取决于三个前提：第一，它能否获取足够质量和数量的真实实验数据作为决策输入；第二，它的决策逻辑能否被药化团队理解和信任；第三，它的决策结果能否在真实项目中产生可归因的改善。这三个前提目前都没有公开证据支持。公司预告的Benchmark和项目案例如果如期发布，将是评估第一个和第三个前提的重要材料。但在那之前，PharmAgents的决策能力只能被视为一个待验证的技术主张。

从已披露的信息看，艾斐智药至少做出了一个正确的战略选择：它没有把自己定位成又一个AI分子生成工具，而是试图切入研发决策这个更高价值的环节。如果PharmAgents真的能在真实药物发现任务中展现出可量化的决策优势，那么联合开发模式的议价能力将远超工具型AI制药公司。但从Pre-PCC到临床数据，从技术报告到工业验证，这条路上的每一步都充满变数。亿元级天使轮买的是一个期权——一个关于AI能否从“计算工具”进化为“决策主体”的期权。这个期权的行权条件，是未来12～24个月内PharmAgents的公开验证结果和合作管线的实质性推进。上述行权时间窗口为编辑基于公司预告节奏的分析，并非公司披露的明确时间表。

团队与管线：清华AIR背景下的工业转化信号

艾斐智药成立于2026年，由清华大学智能产业研究院兰艳艳教授、张亚勤院士团队孵化成立。公司核心技术源自清华大学智能产业研究院（AIR）兰艳艳团队在AI for Science与药物研发领域的多年积累。上述团队背景为来源材料披露口径。

从团队配置看，艾斐智药试图在AI能力和药物工业经验之间建立平衡。但来源材料未披露药化、结构生物学和商务合作负责人的具体履历，也未披露公司自研管线的具体适应症方向。学术团队向工业药物发现团队的转化并非无缝衔接，这一判断基于药物研发行业的一般规律，并非艾斐智药已披露的具体信息。

行业位置：AI制药两代演进后的“决策责任”叙事

据公司披露，国内AI制药类企业此前已完成两代演进：第一代企业主要利用AI解决药物研发当中的单点任务；随后，行业开始追求用AI赋能研发全流程和自动化实验室建设。公司认为，艾斐智药等更新一代AI Native制药公司的核心工作，是让AI承担起研发决策责任。传统药企背负历史业务包袱，较难彻底重构组织与流程，而从零搭建体系的公司在这方面会更灵活。上述行业代际划分为公司观点，公开材料中未见独立验证。

从可核验事实看，艾斐智药确实在组织架构上选择了从零搭建，而非在传统药企流程上嫁接AI工具。但“AI承担研发决策责任”是否构成一个可验证的行业新阶段，取决于PharmAgents能否在真实药物发现任务中展现出可量化的决策优势。目前，这一优势尚未被公开Benchmark或项目案例证明。

从竞争比较的角度看，来源材料未提供艾斐智药与英矽智能、晶泰科技等同类AI制药公司的量化对比数据。可比较但尚未披露的指标包括：DrugCLIP与同类药物基础模型在相同数据集上的筛选精度、PharmAgents在真实药物发现任务中的决策成功率、联合开发管线的里程碑金额规模、以及从Pre-PCC到PCC提名的实际转化周期。这些信息缺口构成艾斐智药当前最重要的验证边界。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：艾斐智药的天使轮融资之所以值得关注，不在于金额本身，而在于它试图回答一个行业十年未解的问题：AI能否从药物研发的“加速器”变成“决策者”。DrugCLIP的论文背书和PharmAgents的智能体架构提供了技术想象空间，但Pre-PCC的管线进度和超过五家的合作方数量都还停留在公司口径层面。真正考验这家公司的时刻，是它承诺即将发布的Benchmark和项目案例——如果那些数据能证明AI决策在真实药物发现任务中优于传统流程，这轮亿元融资就是起点；如果不能，它只是又一家拿着顶级学术背景讲AI制药故事的公司。