急性髓系白血病（AML）的复发率长期横亘在70%到80%之间，可用的靶点却极其有限。一家深耕该病种近二十年的免疫方向全国重点实验室，曾试图从文献与数据库中再筛出一批候选靶点，但真正值得推进实验验证的方向始终稀缺。改变来自一次私有化部署：一套科学智能体系统在十分钟内交回候选列表，排在首位的靶点此前缺乏直接文献报道和相关实验验证。实验室随后在多个细胞系中完成验证，并获得了初步正向结果。这个案例没有给出药物，也没有给出临床终点，但它指向一个更具体的问题：当AI开始把假设空间推到人类研究者长期熟悉的方向之外，科学发现的生产方式是否正在发生变化。
这套系统名为STELLA，来自科理新序（Scinetics）。2026年9月17日，科理新序宣布完成首轮近5000万元人民币融资，由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方及独家财务顾问。公司称，本轮资金将主要用于AI4S科学基座模型的迭代、自动化实验平台的规模化部署，以及核心团队的扩充。与许多AI制药或AI4S公司不同，科理新序没有把叙事停留在“更好的分子”或“更准的预测”上，而是试图把科学智能从单点模型推向一个跨模态基座模型，再向下接入真实实验设备，形成从假设生成到物理验证的闭环。
这轮融资的金额在AI4S赛道并不算大，但资本结构带有明显的早期孵化特征。光源资本既是战略孵化方，也是独家财务顾问；领投方英诺科创基金在声明中强调团队“以STELLA和LabOS为核心，实现了从假设生成、实验设计到执行的全链路自主闭环”。投资方的措辞高度一致地指向同一个判断：AI4S的竞争正在从模型能力转向系统能力。但系统能力是否已经真实存在，还是仍处于被资本话语提前确认的阶段，需要回到产品、数据与实验验证的细节中去判断。
| 字段 | 内容 |
|---|---|
| 公司 | 科理新序（Scinetics） |
| 轮次 | 首轮 |
| 金额 | 近5000万元人民币 |
| 投资方 | 英诺科创基金领投；沂景资本、小苗朗程、麟阁创投跟投；光源资本担任战略孵化方及独家财务顾问 |
| 总部 | 未披露 |
| 创始人 | 张载熙 |
| 官网 | https://scineticsinc.com/ |
从language token到scientific token：基座模型要解决的不是工具不够，而是信息在模态转换中持续损失
科理新序把自己的技术路线概括为“从language token走向scientific token”。公司称，其科学基座模型致力于跨模态理解DNA、RNA、蛋白质结构、组学矩阵和实验数据，并将这些多模态科学数据转换成模型能够统一理解和处理的基本单元。这个表述背后是一个具体的工程判断：现有科学智能体大多依赖语言模型调度外部工具，模型可以调用蛋白质结构预测工具，却未必真正理解三维空间；可以读取组学分析结果，却难以直接推理庞大的稀疏矩阵。不同模态的数据在文本、代码和工具之间反复转换，信息不断损失。
张载熙对此有一个更直接的表述：“专用模型解决一个点，智能体连接很多点，但中间还缺少一个真正理解科学世界的模型。”这句话来自动脉网对其的访谈。从已披露的信息看，科理新序的基座模型第一个版本将聚焦生命科学的中心法则，即DNA到RNA到蛋白质，再到功能和表型。这意味着公司没有在起步阶段同时铺开材料、量子、芯片等多个科学领域，而是选择了一个数据模态相对丰富、实验验证路径相对成熟的方向。公司称未来将逐步拓展至材料科学、量子物理、航空航天和芯片设计，但这一拓展的时间表与路径尚未披露。
张载熙给基座模型设定了一个具体标尺：抗体设计。据公司披露，当前行业最好水平下，十条设计序列往往只有一两条能成。张载熙称，希望基座模型在这个任务上能做到80%到90%，“就像AlphaFold那样的变革，从过去大概率失败，到现在大概率成功”。需要明确的是，这是创始人对未来模型能力的目标设定，而非已经实现的结果。目前公开材料中没有披露该基座模型在抗体设计任务上的任何实测数据，也没有第三方机构对其性能进行独立验证。因此，这一目标只能被理解为公司的技术愿景，而不是当前产品能力的证据。
从产业链角度看，Scientific Token的提法并不新鲜。把科学数据统一为可训练的token，是多模态科学模型长期面临的工程难题。序列、结构、图像、组学矩阵和实验读数在数据密度、噪声水平和标注成本上差异极大，统一表示是否会造成信息压缩或语义失真，取决于具体实现方式。科理新序尚未公开其token化方法的技术细节，也未披露基座模型的参数规模、训练数据构成或评测基准。因此，外界目前无法判断其“科学空间推理”与现有语言模型加科学工具链的路线相比，是否真的产生了质变。
STELLA的十分钟与一个未经验证的靶点：案例能说明效率，但还不能说明发现能力
科理新序最具体的商业化证据，来自前述急性髓系白血病靶点筛选案例。据公司披露，STELLA在私有化部署后十分钟交回候选列表，排在首位的靶点此前缺乏直接文献报道和相关实验验证，实验室随后在多个细胞系中完成验证并获得初步正向结果。公司还特别指出，如果由研究人员手动完成同等规模的文献检索、数据库比对和候选靶点初筛，通常需要数天到数周。
这个案例的信息增量在于：它展示了一个AI系统能够在远超人工速度的时间尺度上完成候选靶点初筛，并且给出的最高优先级候选不在该实验室此前重点探索的方向中。但必须同时看到，该案例的验证边界非常清晰。首先，实验室完成的是“初步正向结果”，不是临床前或临床验证；其次，该靶点“缺乏直接文献报道和相关实验验证”，意味着它既可能是一个被忽视的新方向，也可能是一个在更严格条件下无法重复的假阳性。公司没有披露该靶点的名称、验证实验的具体类型、样本量或效应强度。因此，这个案例能支撑的结论是：STELLA可以在特定任务中显著压缩初筛时间，并产生超出研究者原有假设范围的候选。但它尚不能独立证明STELLA的发现能力优于人类专家，也不能证明其候选列表具有更高的验证成功率。
用户规模是另一个需要拆解的数字。公司称STELLA系统已服务超过1000位科研用户，其中国内用户覆盖国家重点实验室及高校研究机构，国际用户中70%来自斯坦福、普林斯顿、哈佛、MIT等顶尖学府。这个数字来自公司披露，没有第三方审计。更重要的是，“服务超过1000位科研用户”没有说明这些用户的使用深度、付费情况或留存率。科研用户可能只是注册试用、完成一次查询或参与早期测试，这与持续付费的商业客户是两个概念。在AI4S领域，用户规模本身并不直接转化为收入，科理新序的商业模式也尚未公开披露。
BioClaw与Ginkgo Bioworks：社群数据是训练资源，但合作深度仍不透明
科理新序的另一条产品线是BioClaw。据公司披露，BioClaw社群已聚集1200多人，收到500多份共创者申请，并与美国生物科技上市公司Ginkgo Bioworks建立了合作。麟阁创投在投资声明中特别提到，科理新序“通过STELLA、BioClaw服务全球科研用户，尤其积累了来自国际顶尖高校和科研机构的真实科研交互数据，为科学基座模型持续训练和迭代提供重要基础”。
这是理解本轮投资逻辑的关键一环。科理新序的基座模型需要大量真实科研交互数据，而BioClaw社群和STELLA的用户使用行为，恰好可能构成这类数据的来源。如果社群用户持续贡献实验设计、模型调用、结果反馈和失败记录，科理新序就拥有了一条不同于公开数据集的私有数据管道。但公开材料没有披露BioClaw与Ginkgo Bioworks合作的具体内容、数据权益安排或商业条款。Ginkgo Bioworks是一家以合成生物学平台著称的公司，其合作可能涉及实验数据、自动化流程或模型部署，但“建立合作”这一表述本身无法支撑任何关于收入或数据规模的判断。
另一个值得注意的细节是，科理新序在与一家国内合成生物学公司的合作中，部署了专门采集中间数据的设备，用来提前判断优化的方向。公司称，论文发表出来的是最终结果，但合成产率、反应速度、中间图像等数据往往没有被系统整理并转化为模型可利用的反馈。这个动作的产业含义很明确：科理新序试图把实验过程中被丢弃的中间数据和失败数据变成模型训练的燃料。如果这条数据回收链路能够规模化，它可能构成比单点模型更强的壁垒。但目前公开信息只披露了一家合作公司，且没有说明数据采集的规模、频率或模型是否已经因这些数据而得到可量化的性能提升。
Agentic-VLA与200种仪器的沙盒：物理AI是最大差异点，也是最大成本中心
科理新序与大多数AI4S公司最显著的区别，在于它把机械臂和实验设备纳入了产品体系。公司称正在搭建一个包含200多种实验仪器的沙盒环境，训练了Agentic-VLA（视觉-语言-行动）系列模型，让智能体直接控制机械臂，能对复杂实验流程进行任务拆解、实时监控实验执行，并在实验失败时自主纠错与恢复。这套系统据公司披露已在英伟达GTC大会和CES等活动上展示。
张载熙对现有自动化设备的批评指向了一个真实痛点：“不是没有设备。问题在于现有自动化设备主要面向高通量、高度固定的流程，一旦改实验方案，重新配置的成本就很高。而探索性的、定制化的实验，恰恰是科研里最有价值的部分。”这一判断与实验室自动化行业的现状基本一致。高通量筛选设备在固定流程中效率极高，但面对探索性实验的频繁改动，重新编程和硬件调整的成本往往超过实验本身。科理新序试图用视觉-语言-行动模型让机械臂具备更强的泛化能力，从而降低定制化实验的自动化门槛。
但这条路线也意味着科理新序必须同时承担模型训练和硬件集成的双重成本。200多种实验仪器的沙盒环境，无论是以仿真形式还是实体形式存在，都需要大量工程投入。公司没有披露该沙盒环境是纯仿真、虚实结合还是实体实验室，也没有披露Agentic-VLA模型在真实实验中的成功率、纠错率或与人类实验员的对比数据。英伟达GTC和CES的展示只能说明系统可以运行演示流程，不能说明它能在真实科研场景中稳定替代或辅助实验员。从已披露信息看，Agentic-VLA仍处于早期验证阶段，其商业化路径和单位经济性均未公开。
投资方在押注什么：不是单一模型，而是数据闭环的复利效应
四家投资方的声明在措辞上高度一致，但侧重点略有不同。英诺科创基金强调“自进化AI科学家+干湿闭环实验室”体系，认为团队“真正让AI从‘预测’走向‘执行’”。沂景资本董事总经理沈琴博士把AI4S定义为“一场日益明确的国家间的竞争”，并看好科理新序“以Science-Native AI4S基模融合物理AI执行引擎”。小苗朗程合伙人赵沛舟则把趋势概括为“AI4S从单点工具迈向科学基座模型与自进化闭环”。麟阁创投的表述最接近数据逻辑：它强调科理新序“积累了来自国际顶尖高校和科研机构的真实科研交互数据，为科学基座模型持续训练和迭代提供重要基础”。
从这些声明中可以提炼出一个共同的投资假设：科理新序的价值不在于任何一个单点模型，而在于模型、智能体、实验设备与真实科研数据之间的闭环。如果这个闭环能够运转，每一轮实验反馈都会让基座模型更强，而更强的模型又会吸引更多科研用户，产生更多数据。麟阁创投称之为“长期复利效应”。这个逻辑在纸面上成立，但它的前提是闭环中的每一环都能独立工作并产生可量化的改进。目前，科理新序的基座模型尚未公开评测结果，STELLA的案例只有初步验证，Agentic-VLA的物理执行能力缺乏真实场景数据，BioClaw的数据管道规模也未披露。换句话说，投资方押注的是一个尚未被证明能够完整运转的系统。
光源资本的角色同样值得注意。作为战略孵化方和独家财务顾问，光源资本称“从公司创立第一天起便深度陪伴”。这种深度参与意味着光源不仅是交易中介，还可能在公司战略、团队搭建和后续融资中扮演更重要的角色。对于一家首轮融资近5000万元的公司来说，战略孵化方的存在可以降低早期运营风险，但也可能意味着公司对外部资源的依赖度较高。科理新序的估值、股权结构和创始人持股比例均未披露，外界无法判断这轮融资对创始团队控制权的稀释程度。
张载熙的选择：港科大教职、300万美元package与一个未定义的商业模式
科理新序的创始人张载熙，1998年出生，中科大少年班学院理论与应用力学本科，中科大计算机科学博士，哈佛医学院联培，普林斯顿大学AI实验室博士后。据动脉网报道，他博士毕业后手握十多所海内外顶尖高校的教职offer，包括宾夕法尼亚大学、密歇根大学、清华大学、香港科技大学等，其中一所美国Top20高校开出了约300万美元的startup package。他最终选择香港科技大学，于今年7月加入担任助理教授，获化学与生物工程系、计算机科学与工程系、医学院三系同聘。
这个背景对科理新序有两重含义。一方面，张载熙的学术履历和产业研究经历，使他能够同时触达AI模型、生命科学问题和实验验证资源。公司核心团队成员来自普林斯顿、剑桥、中科大以及Google DeepMind、微软、腾讯、华为等机构，这种跨学科组合在AI4S早期公司中并不常见。另一方面，张载熙同时担任港科大助理教授和公司CEO兼CTO，意味着他需要在学术与创业之间分配精力。港科大对年轻PI的考核压力、实验室建设、学生培养与公司产品迭代之间的时间冲突，是科理新序必须面对的现实问题。公开材料没有披露张载熙在港科大的教学与科研工作量，也没有披露公司日常运营是否由其他高管分担。
更根本的问题是商业模式。科理新序的公开材料中没有说明公司如何赚钱。STELLA服务了超过1000位科研用户，但未披露其中有多少是付费客户；BioClaw社群有1200多人，但社群本身不是收入来源；与Ginkgo Bioworks和国内合成生物学公司的合作，也没有披露合同金额或收入确认方式。公司称资金将用于基座模型迭代、自动化实验平台规模化部署和团队扩充，这意味着在可预见的未来，科理新序仍将处于高投入阶段。对于一家首轮融资近5000万元的公司来说，资金消耗速度取决于团队规模和实验平台的建设方式，但公司没有披露任何财务数据，外界无法评估其跑道长度。
资金用途与待验证假设：基座模型、实验平台和团队扩充背后的优先级
科理新序披露的资金用途只有一句话：AI4S科学基座模型的迭代、自动化实验平台的规模化部署，以及核心团队的扩充。这三个方向分别对应公司的技术核心、物理执行能力和人才密度，但公司没有披露资金在这三者之间的分配比例。从产品逻辑看，基座模型迭代和自动化实验平台部署之间存在资源竞争关系。基座模型需要大量算力和数据工程投入，而200多种仪器的沙盒环境和Agentic-VLA训练则需要硬件、仿真和机器人工程投入。在近5000万元的首轮融资规模下，同时推进这两条线，意味着每一侧的投入都可能不足以形成决定性优势。
科理新序面临的核心待验证假设可以归纳为三个。第一，Scientific Token能否真正统一多模态科学数据，并在具体任务上产生优于专用模型和语言模型工具链的性能。第二，STELLA和BioClaw积累的科研交互数据，能否转化为基座模型训练的持续优势，而不是停留在用户规模的故事层面。第三，Agentic-VLA能否在真实实验室环境中实现足够高的成功率和纠错能力，使定制化实验的自动化成本低于人工操作。这三个假设中的任何一个被证伪，都会动摇“自进化AI科学家+干湿闭环实验室”的整体叙事。
张载熙本人对风险有清醒的表述。他说：“通往Scientific AGI的道路不会一蹴而就，AI for Science必将经历多个周期。我们做好了以长期主义穿越周期的准备。”这句话来自沂景资本官网发布的融资新闻。它承认了技术路线的不确定性和时间跨度，但也意味着科理新序需要持续融资来支撑长期投入。在AI4S赛道，资本耐心与技术验证速度之间的张力，往往比技术本身更早决定一家公司的命运。科理新序的首轮融资已经完成，但真正的验证才刚刚开始。
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：科理新序讲了一个从Scientific Token到干湿闭环的完整故事，但这个故事目前只有十分钟的靶点筛选和一次初步实验验证作为支点。它的真正赌注不在任何一个模型，而在于科研交互数据能否通过实验反馈形成复利。如果这个闭环转不起来，科理新序就只是一家同时做基座模型和实验室自动化的早期公司；如果转起来，它可能重新定义AI4S的竞争单位——从模型变成系统。