化学研发的“数据黑箱”：表格、记忆与重复实验
一家跨国化工企业的配方研究员想要调取三年前某个失败实验的完整条件，他需要先回忆当时负责的同事是否还在职，再翻找共享盘里以日期命名的 Excel 文件，最后在纸质实验记录本的扫描件里拼凑出反应温度与加料顺序。如果那位同事已经离职，这段实验历史大概率就此沉没。Albert Invent 联合创始人兼 CEO Nick Talken 在创立公司前担任 Henkel 数字研发负责人，他在接受媒体采访时给出的判断是：约 30% 的科学实验属于重复且浪费的工作，因为结果被记录在难以追溯的格式中。这一数字来自创始人个人估计，并非经审计的行业统计，但它指向的问题在化学研发领域并不陌生——实验数据分散在纸质笔记本、电子表格和不同系统中，组织记忆依赖个人经验而非可查询的资产。
2026 年 10 月 13 日，总部位于美国加利福尼亚州奥克兰的 Albert Invent 宣布完成 5500 万美元 B 轮融资，由 TCV 领投，新投资方包括 Delta-v Capital、Socium Ventures、HighSage Ventures、Coral Capital 和 Legion VC，现有投资方 Coatue、J.P. Morgan Growth Equity Partners、Index Ventures 和 Applied Ventures, LLC 参与。公司通稿称，新资金将用于扩展 Albert 的化学原生 AI 能力，缩短开发周期并减少产品上市时间。
这笔融资的特别之处不在于金额本身，而在于它所押注的命题：在通用大模型竞相争夺企业客户的背景下，一家成立仅四年的公司试图用“化学原生”的垂直 AI 操作系统，把散落在实验室里的非结构化数据变成可查询、可推理的研发基础设施。TCV 合伙人 Morgan Gerlak 在公司通稿中表示：“化学领域的研发仍然主要依靠电子表格和机构记忆运转。Albert 把数十年的实验室数据转化为更快的发现，它代表了我们所认为的垂直 AI 的未来形态。”
| 字段 | 内容 |
|---|---|
| 公司 | Albert Invent |
| 轮次 | B轮 |
| 金额 | 5500万美元 |
| 投资方 | TCV（领投）；新投资方 Delta-v Capital、Socium Ventures、HighSage Ventures、Coral Capital、Legion VC；现有投资方 Coatue、J.P. Morgan Growth Equity Partners、Index Ventures、Applied Ventures, LLC |
| 总部 | 美国加利福尼亚州奥克兰 |
| 创始人 | Nick Talken（联合创始人兼CEO） |
| 官网 | https://www.albertinvent.com/ |
从“记录实验”切入，Albert OS 试图把研发流程变成可推理对象
Albert 的产品逻辑与许多 AI 原生应用不同：它没有从“生成配方”或“预测分子性质”这类高价值但高风险的场景切入，而是先解决记录层的问题。公司通稿称，Albert 构建了化学原生 AI 操作系统 Albert OS，科学家可以用自然语言交互，通过 Ask Albert 调用工具、代理和模型来加速发明过程。具体功能包括：调取机构知识以避免团队重复工作、建议配方候选并设计实验以缩短开发周期、运行复杂数据分析以加速决策。
这一产品路径的合理性在于，化学研发的瓶颈往往不在计算能力，而在数据可用性。一个配方实验涉及原料批次、工艺参数、环境条件、测试结果等多维信息，这些信息如果没有被结构化记录，后续任何 AI 模型都缺乏可推理的基础。Albert 的策略是先让实验数据进入平台，再在数据之上构建智能层。公司通稿称，过去六个月内 Ask Albert 从 AI 搜索助手演进为“完整的研发伙伴”，能够在整个 Albert OS 范围内进行推理。
从产业链约束来看，这种“记录先行”的策略也面临现实挑战。大型化工企业的实验数据往往分散在多个既有系统中，包括实验室信息管理系统、电子实验记录本和企业资源规划系统。Albert 要成为“共享基础设施”，意味着它需要与这些系统集成，或者在部分场景中替代它们。公司通稿中提到的企业级能力——零数据保留、细粒度访问控制和推理审计追踪——正是针对化工企业在安全与合规上的刚性要求而设计。但通稿没有披露这些集成工作的具体范围、完成度或客户实际部署的深度。
Valence 模型与 FormBench 基准：45 倍准确率背后的验证边界
本轮融资公告中最具传播力的数字是“45 倍”。公司通稿称，其化学原生模型 Valence 在新研究中比通用 AI 在检索科学问题正确答案方面准确率高 45 倍，并称 Valence 之所以表现更好，是因为它在阅读文本时被训练来区分化学组成与功能，就像有经验的化学家那样。公司还创建了配方化学评测基准 FormBench，称其为评估该领域 AI 的“新全球标准”。
这个数字需要被放在正确的验证框架中理解。pomegra.io 在报道中明确指出，FormBench 由 Albert 自己创建，而 Albert 的产品在该基准上表现最佳，公司未指明任何独立第三方验证 45 倍这一数字。这意味着“45 倍准确率”目前属于公司自建基准下的自测结果，而非经过外部审计或同行评审的结论。AI Weekly 的报道补充了一个技术背景：Valence 模型基于 1500 万条分子和化学专利语料训练。但该报道同样没有提供独立验证信息。
从编辑角度分析，自建基准并非罕见做法，尤其在垂直 AI 领域，通用基准往往无法覆盖专业任务。问题在于，FormBench 的题目设计、评分标准、对比模型选择和数据来源均未在本次公开材料中披露。如果 FormBench 的测试集与 Valence 的训练数据存在重叠，或者对比的“通用 AI”未经过任何领域适配，那么 45 倍的数字可能高估了实际性能差距。反之，如果基准设计严谨，这一数字则可能说明化学领域的语义理解确实需要领域特定训练。在缺乏基准细节的情况下，两种可能性都无法排除，这是本轮融资公告中最关键的待验证假设。
客户名单亮眼，但增长数据只衡量使用量而非收入
公司通稿列出的合作伙伴名单包括 AkzoNobel、Avient、BASF、Chemours、Clorox、Henkel、Kenvue 和 Nouryon，覆盖涂料、粘合剂、清洁产品、特种化学品和消费品等多个细分领域。Kenvue 研发数字能力负责人 David Lutness 在公司通稿中表示，与 Albert 的合作使研发部门能够在统一数据平台上实现互联，加速了面向消费者的新产品开发。AkzoNobel 项目经理 Milena Rosso-Vasic 则称，Ask Albert 让团队能够在一个地方查询从原材料到实验记录的所有内容，而不用在不同系统之间搜寻。
这两段客户引语来自公司通稿，属于客户对合作关系的正面评价，并非独立第三方验证。不过，客户名单本身与 AI Weekly 和 citybiz 的报道交叉一致，可以确认这些企业确实在 Albert 的公开合作名单中。值得注意的是，Talken 在创立 Albert 之前曾任 Henkel 数字研发负责人，而 Henkel 出现在客户名单中。这种创始人背景与客户重叠在垂直软件领域并不罕见，但也意味着 Henkel 这一标杆客户的获取可能部分依赖于创始人的行业关系网络，而非完全的市场化验证。
增长数据方面，公司通稿称过去一年项目创建量同比增长 26 倍，平台科学家用户数同比增长 6 倍、覆盖 44 个国家，工作流创建量同比增长 4 倍。这些数字的基数未披露，因此“26 倍”可能意味着从 10 到 260，也可能意味着从 1000 到 26000。更重要的是，这些指标全部是使用量数据，公司未披露收入、合同金额或客户数量。pomegra.io 在报道中特别指出，使用量增长“陡峭但未以美元计价披露”。对于一家 B 轮公司而言，使用量增长是产品市场匹配的早期信号，但能否转化为可持续的收入增长，取决于这些使用行为是否发生在付费合同框架内，以及客户是否将 Albert 从试点项目扩展为全组织的基础设施。
资本结构：TCV 从参与者到领投方的信号
本轮融资的资本结构值得拆解。pomegra.io 的报道梳理了 Albert 的融资历史：TCV 曾参与 2024 年 12 月由 Coatue 领投的 2250 万美元 A 轮融资，Albert 还在 2025 年 2 月获得 J.P. Morgan Private Capital 领投的增长投资。这意味着本轮 B 轮是 Albert 在不到两年内的第三轮机构融资，而 TCV 从 A 轮参与者变为 B 轮领投方，同时 A 轮领投方 Coatue 继续参与。
从投资逻辑看，这种“老股东升级领投、前轮领投方继续跟投”的结构通常被解读为内部信心信号，而非救援式融资或估值重置。pomegra.io 的分析指出，TCV 从参与者变为领投方，且 A 轮领投方仍在轮次中，是“内部信心而非救援或重置的常规信号”。这一判断基于已披露的融资结构和参与方，属于对公开信息的合理推断。
关于估值，AI Weekly 报道称 Albert 以“报道的 3.4 亿美元估值”完成本轮融资，但明确指出该数字归因于福布斯援引的一位匿名消息人士，应视为报道而非确认。公司通稿和 pomegra.io 均未披露本轮估值。pomegra.io 还指出，Albert 未披露累计融资总额，但此前披露显示本轮前融资额超过 4500 万美元。这意味着本轮融资的价格条款目前处于未公开状态，3.4 亿美元估值只能作为媒体报道口径引用，不能作为确认事实。
竞争格局：垂直 AI 的窗口期与通用模型的逼近
Albert 所处的赛道并非空白。一方面，传统实验室信息管理软件厂商正在为其既有产品添加 AI 功能，这些厂商拥有深厚的客户关系和系统集成经验。另一方面，前沿通用模型提供商正在争夺同一批企业研发预算，它们可以通过微调或领域适配来缩小与垂直模型在专业任务上的性能差距。Albert 的防御逻辑在于其“已安装的工作流”：一旦公司的实验数据进入平台，切换成本会随着数据积累而上升。
这一防御逻辑的强度取决于两个前提。第一，客户是否真的将核心实验数据迁移到 Albert OS，而非仅将其作为查询层或辅助工具。第二，Albert 的数据积累是否形成了通用模型难以复制的领域壁垒。如果客户只是用 Ask Albert 查询分散在各处的数据，而数据本身仍存储在原有系统中，那么 Albert 的护城河就比“数据在平台内”的情形浅得多。公司通稿中“共享基础设施”的表述暗示了更深度的部署目标，但实际部署深度未在本次公开材料中披露。
从产业趋势看，化学与材料科学正在成为垂直 AI 的活跃试验场。这一领域的吸引力在于：数据高度专业化、错误成本高、企业付费能力强，且通用模型在理解化学语义上的确存在短板。但吸引力也意味着竞争会加速。Albert 的窗口期取决于它能否在通用模型提供商和传统软件厂商完成领域适配之前，把足够多的客户数据和工作流锁定在自己的平台上。
资金用途与商业化瓶颈：从使用量到收入的验证路径
公司通稿对资金用途的表述较为概括：扩展 Albert 的化学原生 AI 能力，缩短开发周期并减少产品上市时间。这一表述没有涉及具体的产品路线图、团队扩张计划或市场进入策略。从 B 轮融资的典型阶段来看，5500 万美元的规模通常对应销售团队扩张、产品线延伸和国际化尝试，但 Albert 未在本次公告中披露这些细节。
商业化层面的关键瓶颈在于客户结构的集中度。Albert 的公开客户名单以大型跨国化工企业为主，这类客户的销售周期长、合规要求高、决策链条复杂，但一旦签约则合同金额和续约率通常较高。问题在于，大型客户的获取速度能否支撑起与 26 倍项目增长相匹配的收入曲线。公司未披露收入数据，因此无法判断当前的增长是来自少数大客户的深度使用，还是来自更广泛客户群体的初步采用。
另一个待验证的假设是 Albert 的定价模式。公司通稿未披露 Albert OS 的定价方式，是按用户数、按项目数、按数据量还是按企业级订阅收费。不同的定价模式直接影响收入增长的可持续性和客户扩展的经济性。如果定价与使用量挂钩，那么 26 倍的项目增长可能直接转化为收入增长；如果定价是固定企业订阅，那么收入增长更依赖于新客户获取和合同续约，而非现有客户的使用深度。
风险与待验证假设：自建基准、匿名估值与未披露的收入
本项目最核心的验证边界集中在三个层面。第一，45 倍准确率的有效性。该数字由公司自建基准 FormBench 得出，公司未指明独立第三方验证。在 FormBench 的题目设计、评分标准和对比模型选择公开之前，这一性能声明只能作为公司自测结果引用，不能作为行业公认的性能结论。
第二，3.4 亿美元估值的可靠性。该数字来自福布斯援引的一位匿名消息人士，经 AI Weekly 转述为“报道的估值”。公司通稿与 pomegra.io 均未披露估值。在正式融资文件或后续披露出现之前，本轮融资的价格条款属于未公开信息。
第三，增长数据的商业含义。26 倍项目增长、6 倍用户增长和 4 倍工作流增长均为使用量指标，公司未披露收入、合同金额或客户数量。使用量增长可以证明产品被采用，但不能直接证明商业模式的可持续性。从使用量到收入的转化率、客户留存率和合同扩展率，是判断 Albert 商业价值的关键指标，而这些指标目前全部处于未披露状态。
从已披露的信息看，Albert 的叙事逻辑是清晰的：化学研发的数据基础设施长期滞后，通用 AI 无法直接解决领域特定问题，垂直 AI 操作系统有机会成为研发数据的新入口。这一逻辑的成立条件包括：客户愿意将核心实验数据迁移到第三方平台、自建基准的性能优势能在真实工作流中复现、使用量增长能转化为付费收入。这些条件中，第一项取决于客户对数据安全和治理能力的信任，第二项取决于 FormBench 的独立验证，第三项取决于公司未来是否披露收入数据。在目前的信息边界内，这三项均属于待验证假设，而非已确认事实。
RecodeX 极客视：Albert Invent 的 B 轮融资把一个老问题重新推到台前：化学研发的数据基础设施长期停留在表格与个人记忆的时代，而 AI 的价值前提是数据可查询、可结构化、可推理。这家公司的策略是先让实验数据进入平台，再让模型在数据之上工作，路径清晰但验证链条尚不完整。45 倍准确率来自自建基准，3.4 亿美元估值来自匿名消息，增长数据只衡量使用量而非收入。真正值得关注的不是这些数字本身，而是它们背后的验证路径：当一家垂直 AI 公司同时扮演基准制定者和产品提供者时，市场需要更独立的性能证据；当使用量增长陡峭但收入未披露时，商业模式的可持续性仍然是一个开放问题。化学研发的数字化改造不会因为一笔 5500 万美元的融资而加速完成，但它确实为这个长期被忽视的领域提供了一个值得跟踪的观察样本。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。