DataHow获A轮扩展融资：AI混合建模能否加速生物制药从自动化迈向自主化？

生物工艺的“事后分析”时差，正在拖慢新药上市速度

在生物制药车间里，一个尴尬的时差长期存在：工程师从生物反应器中取样，送检，等数据回来，再调整下一批次的工艺参数。这个过程短则数小时，长则数天。而当数据终于进入分析平台时，那批细胞可能已经错过了最佳补料窗口，或者已经积累了大量代谢副产物。更麻烦的是，上游细胞培养的数据往往与下游纯化环节割裂，两个团队各自优化各自的步骤，却没有人对整条工艺链的实时状态负责。

这不是某一家药厂的效率问题，而是整个生物工艺行业在数字化转型中撞上的一堵墙。生物药的生产过程远比小分子化学药复杂——活细胞是生产工具，它们对环境变化极其敏感，批次间差异天然存在。传统的“事后分析”模式意味着每一次工艺偏差都只能在下一批中修正。行业里越来越多人意识到，真正的解法不是更快地分析历史数据，而是让数据在产生的那一刻就参与决策。

瑞士公司DataHow在2026年9月2日完成A轮扩展融资，正是冲着这个时差去的。本轮由现有投资方Momenta领投，Rockwell Automation、HINA Bioventures和Zürcher Kantonalbank参与。据公司新闻稿，这笔资金将用于加速其DataHowLab平台的实时连接能力、模型驱动的过程控制，以及从上游向下游处理的扩展；该资金用途为公司口径，尚无独立验证。但比融资数字更值得追问的是：一家从苏黎世联邦理工学院（ETH）走出来的AI生物工艺公司，凭什么让工业自动化巨头Rockwell Automation连续两轮跟投？它所说的“实时控制”距离真正的自主制造还有多远？

混合建模：把“老师傅的经验”和“数据驱动”绑在一起

DataHow的核心技术路线有一个明确的名字：混合建模（hybrid modeling）。据Momenta官网披露，DataHow是ETH的衍生公司，成立于2017年，由具有行业经验的研究人员团队创立；该成立年份和衍生背景为公司口径，尚无独立验证。据公司新闻稿，这种方法将先验过程知识——也就是生物工艺领域积累了几十年的机理模型、热力学参数、反应动力学方程——与数据驱动的AI算法结合起来。简单说，它不是让AI在黑箱里自己找规律，而是先给AI一个“物理世界的骨架”，再让数据去填充和修正细节。该技术描述为公司口径，尚无独立验证。

这个技术选择在生物工艺场景中有其现实逻辑。纯数据驱动的机器学习模型在生物制药领域长期面临一个尴尬：训练数据太少。与小分子药物研发动辄可以调用数百万个化合物数据点不同，生物工艺的每一批实验都昂贵且耗时。在这种数据稀缺条件下，纯黑箱模型容易过拟合，或者学到的是批次间的噪声而非真正的工艺规律。混合建模的思路是，机理模型已经锁定了大部分已知的物理化学约束，AI只需要在残差上做文章，这大幅降低了对数据量的需求。该技术逻辑为编辑分析。

据公司新闻稿，自A轮融资以来，DataHow已将其混合建模技术部署到许多大型生物制药制造商中；该表述为公司口径，尚无独立验证。具体是哪些客户、部署到了什么环节、覆盖了多少条产线，公司未披露。这是一个需要保持审视的节点：在生物工艺软件领域，“部署”这个词的弹性很大——它可能意味着平台已经进入客户的日常生产流程，也可能只是完成了某个单点的试点项目。从公开信息无法判断DataHow的客户渗透深度，但投资方Momenta和Rockwell Automation的持续跟投至少传递了一个信号：这些最接近工业现场的资本方看到了某种可验证的进展。该判断为编辑分析。

DataHowLab的产品定位是让工艺科学家“无需数据科学知识”就能使用混合建模技术。据Momenta官网，该平台为工艺科学家设计，使其无需数据科学知识即可受益于高级混合建模技术。这个设计选择指向一个现实约束：生物工艺工程师的背景通常是生物工程、化学工程或生物化学，而非机器学习。如果工具要求用户自己调参、选模型架构、处理特征工程，它大概率会被束之高阁。DataHow的做法是把混合建模的复杂性封装在平台底层，用户面对的是工艺参数、批次对比和预测结果。从产品逻辑上看，这是对的；但“易用性”本身是一个需要大量客户反馈迭代才能兑现的承诺，目前公开材料中缺乏独立的用户体验验证。

从“事后分析”到“实时控制”，中间隔着工业自动化的深水区

本轮融资最值得关注的信号，不是金额——金额未披露——而是资金用途的排序。据公司新闻稿，DataHow把“实时连接”放在三个优先事项的第一位，具体表述是“将DataHowLab直接连接到实验室和生产系统”。这背后是一个远比软件功能升级更复杂的工程问题。

生物制药的生产环境是一个高度异构的自动化世界。生物反应器、层析系统、过滤设备、分析仪器来自不同供应商，通讯协议五花八门，数据格式缺乏统一标准。更重要的是，GMP（药品生产质量管理规范）环境对任何接入生产系统的软件都有严格的验证要求。一个AI模型要在生产过程中实时给出控制建议，甚至直接干预参数，它必须经过工艺验证、计算机系统验证、数据完整性审计等一系列合规程序。这不是写几行API接口就能解决的事。

Rockwell Automation的参与在这里变得关键。据Momenta官网，DataHow是Momenta旗下Digital Industry Fund IV投资组合公司，而该基金由Rockwell Automation锚定投资。Rockwell Automation全球行业销售-生命科学副总裁在本轮融资声明中称，“连接、实时的数据是智能和自主生物制造的基础”，并表示DataHow“正在帮助客户从事后分析转向预测性、模型驱动的过程控制”。该副总裁姓名未披露，上述引语据公司声明，尚无独立验证。投资方声明中的这些判断需要放在利益关系中考量：Rockwell既是投资方，也是DataHow在OEM合作层面的潜在渠道伙伴。据公司新闻稿，DataHow的实时连接能力建设将“基于与客户和OEM合作伙伴的持续合作，包括投资伙伴Rockwell Automation”；该表述为公司口径，尚无独立验证。这意味着Rockwell的角色是双重的——它既押注DataHow的长期价值，也可能通过将DataHowLab接入自己的工业自动化生态来获得战略回报。这种“投资+渠道”的结构在工业软件领域并不罕见，但它同时意味着DataHow在商业化路径上对Rockwell生态存在一定程度的依赖。该判断为编辑分析。

从已披露的信息看，DataHow的实时控制路线图是分阶段的：据公司新闻稿，先实现“人在环中的过程指导”（human-in-the-loop process guidance），再逐步走向“完全模型驱动的扰动抑制、过程优化和控制”。这个顺序符合生物制药行业的监管现实——监管机构对完全自主的AI控制系统尚无明确的审批框架，先从“AI建议、人工确认”的模式切入是更可执行的路径。但这里有一个未被回答的问题：从“建议”到“控制”的跨越，究竟需要多长时间？公司没有给出时间表，而生物制药行业的验证周期通常以年为单位。

向下游扩展：补上生物工艺数字化的另一半拼图

据公司新闻稿，DataHowLab目前的能力重心在上游处理（USP）——也就是细胞培养和发酵环节。本轮融资的第三个优先事项是将平台能力向下游处理（DSP）扩展。下游处理包括细胞收获、层析纯化、病毒灭活、超滤浓缩、制剂灌装等步骤，其复杂度和成本占比往往被行业外的人低估。

层析填料的成本、纯化步骤的收率损失、每一步的质量检测等待时间，都是实打实的钱。更重要的是，下游处理直接决定最终产品的纯度和杂质谱，而这些质量属性与上游的培养条件之间存在复杂的关联。一个只覆盖上游的数字化平台，等于只看到了工艺链的前半段，无法回答“上游某个参数的变化会如何影响下游收率”这类跨环节问题。

DataHow向下游扩展的逻辑是清晰的：如果DataHowLab能够同时覆盖USP和DSP，它就能在一个统一的智能平台中提供端到端的生物工艺视图。据公司新闻稿，这一扩展将“在一个单一智能平台内实现整体、一致的数字化生物工艺产品”；该表述为公司口径，尚无独立验证。但下游处理的数字化有其独特的困难：层析过程的机理模型比细胞培养更复杂，涉及传质、吸附动力学、竞争性结合等多重物理化学过程；下游设备的自动化程度和传感器密度也参差不齐。DataHow的混合建模方法在下游是否同样有效，目前没有公开数据支持。公司称其上游能力“已建立”，但下游扩展仍处于早期阶段——从本轮融资才启动这一方向来看，这是一个合理的推断。

竞争格局：生物工艺数字化的牌桌上，DataHow坐在哪一席

来源材料中没有提供DataHow的直接竞品名单，但这并不意味着它在一个空白市场里独行。生物工艺数字化和AI应用是一个正在快速拥挤的赛道，从不同方向切入的玩家至少有四类。以下分类为编辑分析，基于公开产品类别和行业常识，非来源材料逐字披露。

第一类是传统的生物工艺软件和数据平台供应商，它们拥有广泛的客户基础和工艺数据积累，但在AI能力上往往需要外部合作或收购来补齐。第二类是大型自动化与工业软件公司——Rockwell Automation本身就是其中之一——它们掌握着生产现场的硬件和控制系统入口，但缺乏生物工艺领域的深度机理模型。第三类是生命科学领域的专业软件公司，它们可能从实验室信息管理系统（LIMS）、工艺开发数据管理或质量分析等细分环节切入。第四类是从学术机构衍生出来的AI原生公司，DataHow属于这一类，其优势在于混合建模技术的原创性和对生物工艺机理的深入理解，短板则在于商业化规模、客户覆盖和工业级软件的工程化能力。

DataHow的差异化叙事集中在“混合建模”上。据公司新闻稿，公司称其技术“结合了先验过程知识的指导与数据驱动AI的灵活性”，能够“在减少实验工作量、时间和成本的同时，为工艺工程师提供更丰富的洞察和决策支持”。这一说法来自公司口径，目前缺乏独立的第三方技术评估来验证其相对于纯数据驱动或纯机理模型方法的实际优势幅度。但从技术逻辑上看，混合建模在数据稀缺的生物工艺场景中确实具有理论上的合理性——这个判断的边界是：理论合理性不等于商业验证，DataHow需要更多公开的客户案例和性能数据来支撑其技术领先性的主张。

编辑分析：由于来源材料未提供直接竞品名单，以下待核验指标可用于后续比较——客户名单及去重后的付费客户数量、可执行合同金额、收入确认口径、复购率、订单转化率、第三方测试条件下的模型精度与稳定性、与可比方案一致口径的性能对比数据。这些指标目前均未在公开材料中披露。

投资逻辑：Momenta的“工业影响力”押注与Rockwell的战略协同

据公司新闻稿，Momenta自称“Industrial Impact®”风险投资公司，其投资主题围绕能源、制造、智能空间和供应链的数字化与自主化。DataHow是Momenta Digital Industry Fund IV投资组合中的公司，该基金由Rockwell Automation锚定投资。这个基金结构本身就说明了很多问题：Momenta的投资逻辑不是单纯的财务回报，而是寻找那些能够嵌入工业自动化生态、与Rockwell等产业巨头形成战略协同的软件公司。以下关于投资方动机的推断为编辑分析，基于公开信息，不代表投资方已确认。

Momenta执行董事在本轮声明中称，“DataHow在实时、模型驱动的过程控制方面的进展，正是我们所相信的从自动化到自主化的转变——这种转变将定义下一代工业制造。”该执行董事姓名未披露，引语据公司声明，尚无独立验证。这句话值得拆解。“从自动化到自主化”是Momenta的核心投资主题，但自动化与自主化之间的区别在生物制药语境下有特殊的含义：自动化意味着设备按照预设程序运行，自主化则意味着系统能够根据实时数据自行调整策略。后者在监管严格的GMP环境中面临远高于其他制造业的准入门槛。编辑分析：Momenta的押注实际上是在赌一个长期趋势——生物制药行业最终会接受AI驱动的自主决策，而DataHow的混合建模路线是到达那个终点的可行路径之一；该判断基于公开信息，不代表投资方已确认。

Rockwell Automation的角色更为微妙。作为全球最大的工业自动化公司之一，Rockwell在生命科学领域有深厚的客户基础和系统集成能力，但它缺乏生物工艺领域的AI建模专长。通过投资DataHow并建立OEM合作关系，Rockwell可以在不自行开发生物工艺AI的情况下，为自己的自动化平台增加一个差异化的智能层。该推断为编辑分析，基于公开信息。这种“自动化巨头+AI垂直玩家”的组合在工业软件领域有成功先例，但也存在整合风险：如果DataHow的技术被绑定在Rockwell的生态中，它在面对其他自动化平台的客户时可能遇到渠道冲突。

HINA Bioventures的参与则提供了另一个视角。据融资声明来源，这是一家专注于“Bioprocess 4.0”——生物制造数字化——的生命科学投资机构，投资于“商业阶段的公司，构建下一代生物制剂开发、放大和制造背后的数字基础设施”。HINA的加入意味着DataHow的投资方组合中不仅有工业自动化资本，还有专注于生物工艺数字化的垂直资本。这种组合在早期阶段是加分项，但DataHow需要证明它能够在多个投资方的不同期望之间保持产品路线的独立性。该判断为编辑分析。

资金用途的弦外之音：桥接融资意味着什么

本轮融资被明确标记为“桥接融资”（bridge financing），是对A轮的扩展。在风险投资语境中，桥接融资通常意味着几种可能：公司需要额外资金来支撑一个关键里程碑，原定A轮资金消耗速度快于预期，或者公司正在为下一轮融资做准备但尚未达到理想估值条件。DataHow没有披露具体金额，也没有说明这笔资金预计支撑多长时间的运营，因此无法判断它处于哪种情境。以下情境列举为编辑分析，基于公开信息。

从资金用途的表述来看，三个优先事项——实时连接、模型驱动过程控制、下游扩展——都是产品开发和技术能力建设，而非销售扩张或市场推广。这暗示DataHow目前的重心仍在产品成熟度上，而非大规模商业化。对于一个2017年成立、2024年才完成A轮的公司来说，这个节奏并不异常，但它也意味着公司距离自我造血的阶段还有相当距离。该判断为编辑分析。

一个值得注意的细节是：根据MarketScreener记录，本轮为第二批次也是最后批次，但A轮初始时间未在公开材料中明确，因此无法确认总跨度。Momenta官网显示A轮初始投资发生在2024年5月28日，而MarketScreener另一条记录显示2026年9月2日完成最终批次。公开材料不足以对融资节奏做出更精确的判断。

风险与待验证假设：从“被部署”到“被依赖”的距离

DataHow面临的核心风险可以从三个层面来审视。

第一层是技术验证风险。混合建模在生物工艺中的有效性虽然在学术层面有大量文献支持，但DataHowLab作为一个商业产品，其实际性能、稳定性和可扩展性缺乏独立的第三方评估。据公司新闻稿，公司称其技术已“部署到许多大型生物制药制造商”，但“部署”不等于“日常依赖”。一个平台可能被部署到客户的某个开发项目中，但如果它没有进入客户的标准工作流程，它的商业价值就仍然有限。DataHow需要公开更多关于客户使用深度、续约率和实际工艺改进效果的证据。具体核验方法包括：要求公司披露去重后的付费客户数量、合同续约率、收入确认金额，以及第三方测试条件下模型精度与稳定性的对比数据。

第二层是监管与合规风险。DataHow的路线图明确指向“模型驱动的过程控制”，这意味着AI模型的输出将直接影响药品生产过程。在GMP框架下，任何影响产品质量的系统都必须经过严格的计算机系统验证（CSV）和持续的性能监控。AI模型的“黑箱”特性——即使是混合建模也保留了数据驱动组件的非线性特征——与监管机构对可解释性和可验证性的要求之间存在天然张力。DataHow的混合建模方法在一定程度上缓解了这个问题，因为机理模型部分提供了可解释的物理基础，但数据驱动组件的验证方法仍然是一个行业性难题。公司没有披露其在监管合规方面的具体进展或策略。

第三层是商业依赖风险。DataHow的投资方组合中，Rockwell Automation既是股东又是OEM合作伙伴。这种关系在渠道拓展上可能带来便利，但也可能限制DataHow与其他自动化平台的合作空间。如果DataHow的实时连接能力在技术实现上深度依赖Rockwell的自动化基础设施，它在面对使用其他自动化系统的客户时可能面临适配成本。据公司新闻稿，公司称其合作对象包括“客户和OEM合作伙伴”，但未披露Rockwell之外的OEM合作是否已经落地。

第四层是DataHow特有的技术适用性风险。据公司新闻稿，DataHow的混合建模方法已部署到许多大型生物制药制造商，但来源材料未明确区分上游或下游环节。下游层析、过滤和病毒灭活等单元操作的机理模型复杂度高于上游，且公开文献中针对DataHow具体混合建模架构在下游场景的验证数据不足。建议核验方法：要求公司披露下游处理试点项目的工艺类型、模型预测误差、与纯机理模型或纯数据驱动模型的对比结果，以及是否已有客户将下游模块纳入日常生产流程。

从已披露的A轮时间线和本轮桥接融资的性质来看，DataHow仍处于从技术验证向商业验证过渡的阶段。它的混合建模技术路线在生物工艺数据稀缺的约束下具有逻辑上的合理性，它的投资方组合提供了产业资源和垂直专业知识的双重支撑，但“被部署”与“被依赖”之间的距离，需要更多公开的客户证据来填补。在生物制药这个以保守和审慎著称的行业中，DataHow试图推动的“从自动化到自主化”的转变，注定是一场以年为单位的长跑。

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：DataHow真正的赌注不是AI能替代工艺工程师，而是混合建模能在数据稀缺的GMP环境里，把“老师傅的机理直觉”和“机器的模式识别”缝合得足够可信。实时连接和下游扩展听起来是产品路线图，实质上是它在测试一个更根本的问题：生物制药行业愿不愿意让一个外部AI平台从“分析工具”升级为“控制节点”。这个问题的答案不在融资新闻稿里，而在那些未披露名字的药厂车间里。