当测序成本跌到 500 美元，分析反而成了新瓶颈
2001 年，测序一个人类基因组的成本约为 9500 万美元；到 2022 年，这个数字已经跌到约 500 美元。据美国国家人类基因组研究所数据，实验室产生生物数据的能力在二十年间膨胀了五个数量级，但把这些数据转化为可验证科学发现的能力并没有同步跟上。数千种专业生物信息学工具、碎片化的计算基础设施，以及长期短缺的计算人才，共同构成了一个越来越窄的通道：科学家往往要花数周时间协调分析流程、排查管线故障、等待计算结果，而真正用于提出假设和设计实验的时间被不断压缩。
这正是 Drylab AI 试图切入的位置。这家在新加坡与旧金山两地运营的创业公司，把产品定义为一类“自主 AI 研究智能体”：系统接收科研目标后，自行制定分析策略，从 800 多个集成科学工具与数据库中选取合适工具，配置计算资源，执行实验，解读结果，并在失败时自主排查。2026 年 10 月 13 日，公司宣布完成 300 万美元种子轮融资，由 Vertex Ventures Southeast Asia & India 领投，PatSnap 参投。
这笔钱的规模在 AI 创业公司的融资序列里不算大，但它押注的问题却相当具体：当生物数据已经便宜到可以大规模产生，真正稀缺的不再是数据本身，而是能够可靠地把数据变成结论的计算研究能力。Drylab 的答案是让智能体接管计算研究的执行层，而不是只做科学家的对话式助手。
| 字段 | 内容 |
|---|---|
| 公司 | Drylab AI |
| 轮次 | 种子轮 |
| 金额 | 300 万美元 |
| 投资方 | Vertex Ventures Southeast Asia & India（领投）、PatSnap（参投） |
| 总部 | 新加坡与旧金山 |
| 创始人 | John Phan（联合创始人兼 CEO）、Huy Phan（CTO）、Nhi Nguyen（首席科学官） |
| 官网 | https://thedrylab.com/ |
从“提示每一步”到“接管整段研究流程”，产品边界在哪里
Drylab 的产品叙事与常见的 AI 科研助手有一个关键区别：它强调的不是辅助，而是接管。据媒体报道，公司的智能体可以理解科研目标、制定分析策略、从 800 多个集成科学工具与数据库中选择工具、配置计算资源、执行实验、解读结果并自主排查失败，而不需要科学家在每一步进行提示或监督。这个“自主性”是 Drylab 产品定义的核心，也是它与传统生物信息学软件最大的差异点。
从已披露的工具目录看，Drylab 覆盖的范围相当宽：蛋白质结构与设计、分子对接、分子动力学、基因组学、单细胞分析与质控，示例工具包括 OpenFold3、TankBind、Kallisto GPU、OpenMM 和 Flye。这意味着它试图在一个平台上同时覆盖结构生物学、计算化学和基因组学等多个子领域，而不是从单一垂直场景切入。这种广度在商业叙事上有吸引力，但在工程实现上意味着更高的集成与可靠性成本。
产品形态上，Drylab 提供网页平台和本地优先的桌面应用。据媒体报道，系统可以部署在客户自有基础设施、本地工作站或隔离云环境中，数据与发现的所有权归客户。对于制药公司和研究机构而言，这个部署选项直接回应了一个现实障碍：敏感科学数据不必传输到外部平台，软件也能运行。公司还内置了一个基于真实科研分析运行训练的专有验证模型，据投资方转述公司口径，该模型用于评估分析决策、识别方法学错误，并让智能体在发现问题后自我纠正。科学家可以在设定检查点复核数据阈值与计算方法等关键决策，这构成了系统内保留人类监督的机制。
值得注意的边界是：Drylab 的“自主”并不是完全无人值守。从产品描述看，系统在关键决策点仍然需要科学家介入确认。这意味着它当前的产品定位更接近“自主执行、人工复核”的半自动研究管线，而非完全替代研究者的黑箱系统。这个定位在生命科学领域有其合理性，但它也意味着产品的价值释放高度依赖科学家对系统判断的信任程度。
OpenADMET 第 23 名：一次公开竞赛能证明什么
Drylab 在商业化叙事之外，提供了一个可被外部观察的技术验证点。据媒体报道，在 2026 年 OpenADMET PXR 挑战赛中，其系统在首阶段数据发布后自主运行七天，第一阶段在近 400 支国际队伍中位列第九，第二阶段在 100 支入围队伍中位列第 23。赛事规模与排名均来自公司口径，尚无独立第三方核验。
这个成绩需要被放在竞赛机制中理解。OpenADMET 挑战赛使用私有活性排行榜作为最终评判依据，目的是防止参赛者针对公开排行榜过拟合。若该排名属实，可能提示其系统在公开数据上的表现与在私有测试集上的泛化能力之间存在差距。这个差距本身并不罕见，但它指向一个关键问题：自主智能体在真实科研场景中的表现，是否能在未见过的数据分布上保持稳定。
从产品角度看，七天自主运行这个事实本身比排名更有信息量。它说明系统至少可以在一个限定任务中，在没有人工干预的情况下持续完成计算、评估和迭代。但 OpenADMET 是一个边界清晰、评价标准明确的竞赛任务，与制药公司内部复杂、多目标、数据质量参差的研究流程并不等同。将竞赛表现外推到商业场景，中间还隔着相当大的验证距离。
商业化上线八个月，付费客户名单仍然是个黑箱
据公司口径，Drylab 平台于 2026 年 2 月商业化上线，此后已签约付费客户，客户来自美国、欧洲和亚洲的制药公司、癌症中心、生物医学研究机构与大学。在客户名称与收入数据未披露的情况下，外界尚无法判断这些付费客户是深度使用核心自主研究能力，还是仅在小规模试点中测试平台。
商业模式上，Drylab 采用 SaaS 订阅，分层从 Individual 到 Enterprise，高等级包含高性能计算与云集成、本地部署以及 H100、H200 级 GPU 配置。公开定价未列出。对于面向企业客户的科研软件，不公开定价并不罕见，但它也使得外界难以评估其收入质量与客户生命周期价值。
一个值得注意的对比是团队规模。据 Founderland 援引 LinkedIn 数据，团队规模为 2 至 10 人，而公司称其平台编排了 800 多个科学工具；LinkedIn 数据未经公司确认。这个对比不必然构成矛盾——工具集成可以通过自动化与开源社区维护实现——但它确实提出了一个运营层面的问题：一个十人以下的团队，如何同时支撑工具集成的持续维护、企业级部署支持、销售与合规认证推进。
PatSnap 的参投不只是财务行为
本轮融资的资本结构有一个值得拆解的细节：领投方 Vertex Ventures Southeast Asia & India 是机构投资者，而参投方 PatSnap 本身是一家创新情报平台，也是 Vertex 投资组合中的公司。据 Vietnam Investment Review 报道，PatSnap 的全球生命科学网络、数据和 AI 能力将支持 Drylab 在制药和生物技术研发领域的增长。
PatSnap 的参与意味着本轮融资带有一定程度的战略色彩。PatSnap 在专利、科研文献和生命科学数据领域有既有积累，而 Drylab 的智能体需要大量科学工具与数据源作为执行基础。在来源材料未披露具体商业合作条款的情况下，这种协同目前只能视为编辑分析层面的可能性，尚待验证。来源材料也没有说明 PatSnap 的投资金额或持股比例。
从投资逻辑看，Vertex Ventures 的普通合伙人 Genping Liu 将这笔投资放在“AI for Science”的框架下。他在公开声明中称：“正如 AI 改变了软件工程，AI for Science 将重塑实验室研究。”这类类比在 AI 投资叙事中已经相当常见，但它回避了一个关键差异：软件工程的产出可以在持续集成环境中被自动测试，而科学研究的“正确性”往往需要在物理世界中被独立验证。将软件工程的自动化逻辑直接映射到生命科学，需要额外的论证链条。
300 万美元能买到什么：资金用途与合规门槛
据媒体报道，本轮资金将用于三个方向：扩充工程与生物学团队、招聘企业销售人员和销售团队，以及申请服务大型研究机构所需的安全与合规认证。这三个方向分别对应产品能力、商业转化和信任门槛，构成了一个典型的早期 B2B 创业公司资源配置结构。
合规认证是其中最具约束力的一项。大型制药公司和研究机构在采购新软件时，通常要求供应商通过特定的安全与合规审查。Drylab 的网站称其与 AICPA SOC Type 2 及 ISO 27001 框架对齐，但尚无公开的第三方证书。公司未披露其瞄准的具体合规标准。对于一家声称要服务“高度监管行业”的公司来说，这个差距不是小问题：没有第三方认证，很多企业采购流程甚至无法启动。
300 万美元的种子轮资金在同时支撑工程扩张、销售招聘和合规认证时，分配空间相当有限。合规审计与企业级销售推进通常需要较长周期和额外成本，这是 B2B 软件行业的一般性常识，并非本项目来源中的具体数据。这意味着 Drylab 需要在资金耗尽前，证明其产品能够在一个或多个细分场景中形成可重复的付费转化，否则下一轮融资的叙事基础会变得薄弱。
自主智能体进入实验室，信任问题比技术问题更难解
Drylab 面临的真正挑战，可能不在于智能体能否执行更多工具，而在于生命科学机构是否愿意把关键研究交给一个自主系统。这个行业的容错率极低：一个方法学错误可能导致数月实验数据被污染，甚至影响后续的临床决策。Drylab 的验证模型和人工检查点设计，试图在自主性与可控性之间找到平衡，但这些机制的有效性尚未经过大规模、多样化的真实研究环境检验。
从已披露信息看，Drylab 的验证模型基于真实科研分析运行训练，能够标记方法学错误。但“真实科研分析运行”的具体来源、规模和多样性均未披露。一个在有限数据集上训练的验证模型，能否识别出从未见过的边缘案例，仍然是一个开放问题。从公开的行业讨论看，自动化系统在生物信息学中的失败可能集中在参数设置或数据格式转换等环节，但这需要针对 Drylab 的具体验证，目前尚无公开数据支持对其验证模型覆盖范围的判断。
另一个待验证假设是跨研究环境的可靠性。Drylab 支持本地部署、客户自有基础设施和隔离云环境，客户来自美国、欧洲和亚洲的制药公司、癌症中心、生物医学研究机构与大学。这种部署多样性虽然解决了数据安全问题，但也意味着系统需要在更多样的硬件和软件栈上保持稳定。可核验指标包括：已部署客户环境数量、跨环境失败率、分析结果复现率。公司尚未披露这些数据。
市场层面的竞争也在升温。据 Founderland 援引塔夫茨药物开发研究中心去年流传的分析，AI 智能体可将癌症试验开发缩短约 10 周、削减后期成本最多 560 万美元；该分析为第三方转述，非 Drylab 独立验证。同一报道还提到，Danaher 于 2026 年 10 月宣布 AI 驱动的自主实验室计划。这些信息说明大型生命科学公司已经开始在自主实验系统上押注。对于一家种子轮公司来说，与 Danaher 这类行业巨头在同一方向上竞争，时间窗口并不宽裕。
越南创始团队与新加坡总部：一个跨国产能组合
Drylab 的创始团队构成带有明显的跨境特征。据 Vietnam Investment Review 报道，CEO John Phan 曾在字节跳动 Seed 团队从事 AI 研究，CTO Huy Phan 曾任吴恩达 Landing AI 的访问研究工程师，首席科学官 Nhi Nguyen 是南洋理工大学生物医学科学博士候选人。三位创始人均为越南裔，公司在新加坡与旧金山两地运营。Vertex Ventures 的 Genping Liu 将这一组合描述为“来自越南世界级科技人才库的全球雄心”。
需要说明的是，VietnamNet 在报道中将 CTO 写作 Henry Phan，与 Vietnam Investment Review 及其他来源中的 Huy Phan 存在拼写差异。本文采用多数来源使用的 Huy Phan。
三位创始人的分工与产品问题来源各有对应：John Phan 的字节跳动 Seed 团队经验提供了大规模 AI 系统工程能力，但大型科技公司的 AI 研究环境与制药公司的合规采购流程之间存在组织与行业距离；Huy Phan 在 Landing AI 的经历涉及工业级 AI 应用落地；Nhi Nguyen 自学分析实验室数据的经历直接催生了 Drylab 的产品问题意识，但个人研究场景与企业级多用户部署之间的差距，仍然需要工程与销售团队来弥合。
从公司成立时间看，Drylab 成立于 2025 年，到 2026 年 2 月商业化上线，再到 10 月宣布融资，整个节奏相当紧凑。这种速度在早期创业公司中可以被解读为执行力，但也意味着产品在进入市场时，可能还没有完成足够长的真实环境验证周期。
本轮融资的宣布日期为 2026 年 10 月 13 日，但来源材料未披露融资的实际交割时间。公司估值未披露。对于一家声称已经签约付费客户的 B2B 公司来说，客户名称的缺失在早期阶段可以理解，但收入数据或至少付费客户数量的缺失，则让“商业牵引力”的叙事缺乏可核验的锚点。
验证边界与可复核指标
本文涉及的 Drylab 关键声明——包括 800 多个集成工具、OpenADMET 排名、付费客户签约情况、验证模型能力、SOC Type 2 与 ISO 27001 框架对齐——均来自公司口径或媒体转述的公司口径，尚无独立第三方核验。以下指标可作为后续复核的锚点：已部署客户环境数量与失败率、付费客户数量与收入规模、第三方安全认证证书的取得情况、OpenADMET 排名在独立竞赛记录中的可查证性、验证模型训练数据的规模与多样性。
RecodeX 极客视：Drylab AI 的种子轮融资，本质上是在押注一个尚未被证明的命题：生命科学机构是否愿意把计算研究的执行权，交给一个自主智能体。300 万美元能买到的，不是市场领导地位，而是一个验证窗口。OpenADMET 从第一阶段第九到最终第 23 的曲线，客户名称与收入数据的缺失，以及 SOC Type 2 与 ISO 27001 尚无第三方证书的现状，共同构成了这家公司当前最具体的验证缺口。真正的分水岭不在于智能体能否跑通更多工具，而在于它能否在制药公司的真实研究环境中，反复产出经得起方法学审查的结果——而这一点，目前还没有公开证据能够回答。
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。