生命科学正在经历一场观测能力与理解能力之间的失衡。成像、组学和实验技术让研究者能够以前所未有的分辨率看到分子、细胞和组织的局部状态,但一次分子变化或药物干预如何传导为细胞功能改变、组织响应乃至健康结局,仍然难以预测。更棘手的是,疾病机制研究、靶点发现、药物设计和实验验证长期分段开展,不同环节积累的知识与结果很难贯通。一个实验室里得到的细胞响应数据,未必能直接帮助另一个团队判断候选分子的后续开发价值。

观壹智能(OneX Intelligence)试图用一套基础模型来连接这些断裂的环节。据投中网报道,这家生命模型智能公司宣布完成首轮数亿元融资,由IDG资本领投,创世伙伴创投(CCV)、沄柏资本、交大菡源资产、云启资本跟投,财务顾问为棕榈资本。据投中网报道,本轮资金将主要用于生命智能基础模型研发、湿实验平台建设和产业合作验证。

这笔融资的特别之处不在于金额规模,而在于它发生在创始人刚刚获得一项国际学术荣誉之后。据投中网报道,观壹智能CEO兼首席科学家谢伟迪于10月31日在2026世界顶尖科学家论坛颁奖典礼上获颁首届世界顶尖科学家奖“青年科学家奖”,为全球六位获奖者之一。学术声誉与资本动作在时间上的紧密衔接,让这家公司从成立之初就带有明显的“教授创业”色彩,也让它面临一个更尖锐的问题:实验室里的模型能力,能否在产业验证中兑现为可重复、可交付的研发价值。

字段 内容
公司 观壹智能(OneX Intelligence)
轮次 首轮(具体轮次标签未披露)
金额 数亿元人民币(精确金额未披露)
投资方 IDG资本(领投)、创世伙伴创投(CCV)、沄柏资本、交大菡源资产、云启资本
总部 未披露
创始人 王延峰(发起人)、张娅(联合创始人)、谢伟迪(联合创始人,CEO兼首席科学家)
官网 未披露

从医学影像到生命科学底层,团队把研究履历当作产品路线图

观壹智能的创始团队构成,决定了它不会是一家从商业需求倒推技术的公司。据投中嘉川CVSource数据,观壹智能由上海交通大学人工智能学院王延峰教授发起,张娅、谢伟迪为联合创始人,谢伟迪担任CEO兼首席科学家。三位核心成员中,王延峰是上海交通大学人工智能学院教授,张娅现任该学院副院长、特聘教授,谢伟迪则于2022年回国加入上海交通大学。

谢伟迪的研究路径经历了从通信工程到计算机视觉、再到医学影像和生命科学的多次转向。他本科就读通信工程,2013年前往英国伦敦大学学院攻读硕士,研究利用计算机视觉识别手写阿拉伯文,随后进入牛津大学视觉几何组(VGG)读博,师从Andrew Zisserman和Alison Noble,并获得首届Oxford-Google DeepMind奖学金。谢伟迪在报道中解释了自己进入医疗领域的原因:“我正好有医学影像的背景,所以先进入了医疗,再从疾病的外在表现,逐渐深入到生命科学底层的问题。”

张娅的履历则补上了团队在生物学与产业研发之间的缺口。她本科毕业于清华大学生物科学与技术系,博士毕业于美国宾夕法尼亚州立大学信息科学与技术学院,曾任雅虎实验室资深研发经理。这种“生物学本科+信息科学博士+工业实验室经历”的组合,在AI制药和生命科学建模领域并不常见,但它恰好对应了观壹智能试图跨越的学科边界。

团队的研究成果构成了一条从医学证据推理到细胞响应预测的线索。据投中网报道,谢伟迪与合作者的罕见病循证推理系统DeepRare发表于《Nature》,细胞扰动预测模型MAP发表于《Nature Machine Intelligence》。据团队介绍,OpenPheno已获《Nature Chemical Biology》接收,KEEP已发表于《Cancer Cell》。这些论文覆盖了罕见病诊断推理、细胞扰动建模、细胞表型与生物活性预测、知识增强病理基础模型等不同任务,构成了观壹智能技术叙事的研究底座。

但需要指出的是,论文发表与产品化能力之间并不存在自动转换关系。DeepRare、MAP、OpenPheno和KEEP是分散在不同任务上的研究成果,它们各自解决了特定问题,却未必共享同一套模型架构或训练范式。观壹智能的核心命题,恰恰在于能否把这些分散能力收拢到一个共同的基础模型体系中。这是本文的分析,公司未就此给出明确说明。

虚拟细胞不是单一模型,而是一套跨层级推演架构

观壹智能把产品方向定义为“生命智能”(Biological Intelligence)基础模型。据投中网报道,公司将以基础模型连接分子、细胞和组织等不同层级的信息,以及疾病表型和相关医学知识,让模型学习生命系统中的联系与变化规律,并在此基础上构建以虚拟细胞为核心的生命推演模型,探索预测细胞状态与功能在不同条件和干预下的变化。

这个表述的关键词是“连接”和“推演”。与单纯预测蛋白质结构或分子性质的模型不同,观壹智能试图把分子层面的变化、细胞层面的响应、组织层面的表型以及医学知识纳入同一个推理框架。谢伟迪在报道中描述了一个具体场景:面对一种干预,研究人员需要了解它会改变哪些细胞功能、是否可能影响其他过程,以及下一步应当通过什么实验作出判断。这要求模型不仅输出一个预测结果,还要能够组织已有知识、提出假设并辅助规划实验。

在技术实现上,观壹智能采取的是数据与知识双驱动路线。谢伟迪在报道中表示,一次实验记录的是特定条件下的状态,模型还需要理解观测背后的条件和已有机制;语言模型部分用于检索文献、整合知识、调用工具和组织科学推理,并与细胞建模能力协同。据投中网报道,截至目前,在语言模型部分,观壹智能已利用现阶段的预训练模型面向生命科学展开后续训练,同时推进多模态整合。

这里存在一个值得注意的技术边界。观壹智能的语言模型部分并非从零训练的基础模型,而是在现有预训练模型基础上进行领域后续训练。这意味着公司在语言层的能力构建上,部分依赖于外部模型的技术栈。对于一家声称要研发“通用人工智能基础模型”的公司来说,这种依赖在短期内可以加速产品化,但长期看会带来两个问题:一是模型能力的上限受制于底层预训练模型的选择与授权条件;二是当生命科学任务需要更深层的架构调整时,后续训练能否触及底层表征仍然存疑。来源材料没有披露观壹智能使用哪些预训练模型、后续训练的数据规模与算力投入,因此这些约束的具体程度尚无法判断。

更核心的挑战在于虚拟细胞建模本身。细胞状态预测在学术界仍是一个开放问题,MAP等模型虽然在特定数据集上取得了发表级成果,但从“细胞扰动预测模型”到“能够推演生命过程的基础模型”之间,隔着数据覆盖度、跨条件泛化能力、可解释性和实验验证等多重障碍。观壹智能把湿实验平台建设列入本轮资金用途,正是试图用自有实验能力来弥补这一缺口,但平台本身尚未建成,模型能力仍需真实实验检验。

用罕见病做验证切口,但商业化路径指向药物发现价值分成

观壹智能选择罕见病作为初期验证场景,这个选择有其策略合理性。谢伟迪在报道中解释,部分罕见病具有相对明确的机制线索,适合围绕具体问题检验模型能否提出有价值的解释、预测干预响应,并为靶点选择和候选方案设计提供依据。与肿瘤或代谢性疾病相比,罕见病的机制空间相对收敛,验证周期和变量数量更可控,适合一家早期公司在资源有限的情况下跑通从模型预测到实验反馈的闭环。

在具体落地上,据投中网报道,团队研发的DeepRare已在新华医院完成院内部署,正在推进内测,后续拟用于罕见病诊疗质控。这是目前公开信息中观壹智能唯一披露的机构部署案例。需要区分的是,DeepRare是一个罕见病循证推理系统,其核心功能是组织医学证据、形成可追溯的推理过程,与虚拟细胞模型所强调的细胞状态预测并不完全等同。也就是说,新华医院的部署验证的是团队在医学推理方向上的能力,而非细胞建模能力本身。两者能否在同一个产品体系中协同,仍待观察。

在药物研发领域,据投中网报道,观壹智能正在与药企及合同研发生产机构(CDMO)洽谈合作,探索联合研究和实验验证,但这些合作处于不同推进阶段,尚未披露任何已签署的合同或具体合作方名称。这意味着观壹智能的商业化仍处在从学术成果向产业订单过渡的早期阶段。

商业模式上,谢伟迪在报道中表示:“对于我们来说,更有吸引力的是药物新发现所带来的价值,而不是单纯按模型调用量收费。”据投中网报道,公司将聚焦模型能力与机制发现,与药企、科研机构围绕具体课题开展联合研发,并希望通过联合研发参与成果价值分配。如果模型发现值得继续开发的靶点或候选方案,公司将寻求与具备后续开发能力的伙伴协作推进。

这是一种高风险、高延迟的商业模式。药物新发现的价值分配通常以数年甚至十年为周期,且取决于靶点验证、临床前数据、专利布局和后续开发进展等多个环节。对于一家刚完成首轮融资的公司来说,选择这条路径意味着它需要在相当长的时间内依靠融资维持研发,同时向合作方证明模型预测能够带来真实的新靶点或新候选方案,而非对已有知识的重新组合。来源材料没有披露观壹智能与药企洽谈中的具体合作条款、里程碑设置或价值分配比例,因此这一模式的可行性目前只能停留在公司表述层面。

资本结构中的高校色彩,与IDG领投的产业信号

观壹智能的本轮投资方组合值得拆解。IDG资本作为领投方,在AI制药和生命科学领域有持续布局,其参与为观壹智能提供了产业资源对接的想象空间。创世伙伴创投(CCV)和云启资本偏早期科技投资,沄柏资本则更多出现在产业升级与跨境投资语境中。最特别的是交大菡源资产,这家与上海交通大学相关的投资机构出现在股东名单中,强化了观壹智能作为“交大系”公司的身份标签。

从资本结构看,高校关联资本与市场化VC的混合,对观壹智能既是资源也是约束。一方面,上海交通大学在人工智能和医学领域的科研网络,可以为公司提供人才、数据和临床合作资源;另一方面,高校背景投资方的存在,可能让公司在治理结构、知识产权归属和商业化决策上面临比纯市场化创业公司更复杂的协调成本。来源材料没有披露各投资方的出资金额、持股比例或董事会席位安排,因此这些治理层面的影响只能作为结构性观察提出。

本轮融资的披露口径本身也留下了信息缺口。公司仅称完成“首轮数亿元融资”,没有给出具体轮次标签,也没有披露精确金额。在创投实践中,“首轮”可能对应天使轮、种子轮或Pre-A轮等不同阶段,其隐含的估值水平和稀释比例差异显著。金额表述为“数亿元”而非精确数字,在早期融资中并不罕见,但结合轮次标签缺失,外部很难判断这笔资金在公司资本化进程中的真实位置。同样未披露的还有公司官网、总部所在地和成立年份,这些基础信息的缺失增加了外部验证的难度。

财务顾问棕榈资本的参与,表明观壹智能在融资操作上引入了专业中介。棕榈资本在科技和医疗领域有项目经验,其介入通常意味着公司在估值谈判、条款设计和投资人组合上经过了相对正式的流程。但财务顾问的角色仅限于交易执行,不能作为对公司业务或技术能力的背书。

湿实验平台是闭环的关键,也是最大的资本消耗点

观壹智能把本轮资金的三项用途之一明确为湿实验平台建设,这在AI生命科学公司中是一个值得注意的选择。大多数以模型为核心的AI制药公司选择与外部CRO或合作实验室完成实验验证,以保持轻资产结构。观壹智能则计划建设自有湿实验平台,将模型研发、生物观测与实验验证纳入同一研发闭环。

谢伟迪在报道中解释了这一决策的逻辑:现有模型已整合已有知识、提出机制假设并辅助设计实验,研究人员可通过实验检验预测,并根据结果修正判断、确定下一步研究方向;新的实验结果既能用于深化机制认识,也能为模型训练与评估提供依据。公司希望通过这一过程持续积累与研究条件相对应的观测和干预数据,缩短从模型预测到实验反馈的周期。

从技术迭代角度看,自有湿实验平台确实能带来数据生成与模型训练之间的紧耦合。当模型预测需要特定条件下的细胞响应数据时,自有平台可以按需设计实验,而不必受制于外部CRO的排期和标准化流程。这种能力对于训练和验证虚拟细胞模型尤其重要,因为细胞状态预测高度依赖实验条件的精确控制。

但从资本效率角度看,湿实验平台是典型的资金密集型和人才密集型投入。设备采购、实验室运营、生物样本管理、实验人员招聘和合规认证都需要持续现金流出。对于一家刚完成首轮融资、金额仅以“数亿元”计的公司来说,自有平台的建设和运营成本可能迅速消耗掉相当比例的融资额。来源材料没有披露湿实验平台的建设规模、选址、设备清单或人员编制,因此无法评估这笔投入的具体量级。但可以确定的是,观壹智能在选择了比同行更重的资产路径之后,其对后续融资的依赖度也会相应提高。

另一个隐含问题是数据质量与实验可重复性。自有平台生成的实验数据虽然可控,但如果实验操作、批次管理和质量控制体系不够成熟,反而可能引入系统性偏差,影响模型训练质量。学术实验室与工业化湿实验平台之间的差距,往往不在设备先进程度,而在标准化流程和质量体系的严谨性。观壹智能的创始团队主要来自学术背景,其在工业级实验平台管理上的经验尚未得到验证。

与替代方案相比,观壹智能必须证明“跨层级推演”的增量价值

要理解观壹智能的竞争位置,需要把它放在生命科学AI的替代方案光谱中。在分子层面,AlphaFold等结构预测工具已经将蛋白质结构预测变成了相对成熟的工程能力;在细胞层面,单细胞组学分析和扰动建模工具正在快速发展;在医学证据层面,文献检索和知识图谱系统已经能够辅助临床决策。观壹智能的差异化主张在于,它要把这些分散在不同层级的能力连接起来,形成一个能够跨层级推演的基础模型。

这个主张的吸引力显而易见:如果模型能够从分子扰动预测细胞响应,再结合疾病表型知识推断组织层面的结果,它就能为靶点发现和药物设计提供比单一层级模型更完整的决策支持。但问题在于,观壹智能目前披露的技术实现仍以语言模型后续训练和细胞建模协同为主,尚未公开跨层级推演的具体架构、训练数据或验证结果。分子到细胞的映射、细胞到组织的映射、组织到临床结局的映射,各自都有尚未解决的科学难题。把这些难题叠加在同一个模型中,并不自动产生更可靠的预测,反而可能放大误差。

来源材料没有提供观壹智能与具体竞品的对比数据,也没有披露其模型在标准基准测试上的性能指标。据投中网报道,团队研发的DeepRare、MAP、OpenPheno和KEEP等成果,分别发表在《Nature》《Nature Machine Intelligence》《Nature Chemical Biology》和《Cancer Cell》等期刊,这些发表记录证明了团队在各自任务上的学术能力,但不能直接等同于一个统一基础模型的产业竞争力。论文中的模型通常在特定数据集和特定任务上优化,而产业场景需要的是跨条件、跨数据分布的稳健性。

从编辑推断的角度看,观壹智能面临的真正竞争可能不是某一家具体的AI制药公司,而是“分段式研发”这一既有工作方式本身。观壹智能要说服客户把多个环节的决策支持交给一个统一的模型体系,需要的不仅是模型性能的证明,更是对现有研发流程的重构意愿。这种改变的成本和阻力,往往被技术叙事所低估。

资金用途清晰,但验证路径上仍有多个未闭合的假设

观壹智能本轮融资的资金用途——生命智能基础模型研发、湿实验平台建设、产业合作验证——在方向上没有悬念,但在执行层面存在多个待验证假设。

第一个假设是,团队在分散任务上的研究成果能够收敛到一个共同的基础模型架构中。DeepRare的医学证据推理、MAP的细胞扰动预测、OpenPheno的表型与活性预测、KEEP的病理基础模型,分别服务于不同的输入模态和输出任务。将它们统一到一个模型中,需要解决架构设计、训练策略、数据对齐和评估标准等一系列问题。据投中网报道,观壹智能目前只披露了“语言模型部分已利用现阶段预训练模型面向生命科学展开后续训练”这一进展,对于细胞建模与语言模型之间的具体协同方式,仍停留在方向性描述。

第二个假设是,自有湿实验平台能够在合理时间内建成并产生高质量数据。湿实验能力的建设周期通常以年计,且需要持续的运营投入。在平台建成之前,观壹智能的模型迭代仍将依赖外部实验数据或合作方反馈,这与其“数据生成与模型研发紧密衔接”的目标之间存在时间差。

第三个假设是,药企和CDMO愿意为“机制发现”而非“模型调用”付费。谢伟迪在报道中表示,更有吸引力的是药物新发现带来的价值,而非单纯按模型调用量收费。这种模式要求合作方认可观壹智能在靶点发现或候选方案设计中的实质性贡献,而这种认可通常需要经过多个成功案例的积累才能建立。在首个合作案例尚未公开的情况下,这一假设的验证周期可能比公司预期的更长。

从已披露的信息看,观壹智能目前最接近产业验证的进展是DeepRare在新华医院的院内部署和内测。但如前所述,这一部署验证的是医学推理能力,而非虚拟细胞模型的核心预测能力。药物研发领域的合作仍处于洽谈阶段,没有签署合同或进入实验验证环节的公开记录。因此,观壹智能的产业验证路径上,从“论文成果”到“部署案例”再到“付费合作”的每一步,都还需要更具体的证据来支撑。

本项目的统计口径与验证边界需要集中说明:本轮融资的“数亿元”为区间表述,来源未给出精确数字;轮次仅称“首轮”,未披露具体标签;公司官网、总部和成立年份均未在来源中出现;投资方出资金额、持股比例和估值信息未披露。据投中网报道,DeepRare已在新华医院完成院内部署;据团队介绍,OpenPheno已获《Nature Chemical Biology》接收;与药企及CDMO的洽谈进展来自投中网报道。上述进展均无独立第三方核证。这些信息缺口不意味着相关事实不存在,但意味着外部暂时无法对公司的资本化阶段和商业化进展做出更精确的判断。

RecodeX 极客视:观壹智能把“数亿元”首轮融资同时押在基础模型、湿实验平台和产业合作验证上,真正的观察点不是金额,而是这三笔投入能否在罕见病这个初期切口上形成闭环。DeepRare在新华医院的部署验证的是医学证据推理,不是虚拟细胞预测;与药企和CDMO的洽谈仍停留在推进阶段,没有公开合同。自有湿实验平台一旦启动,就会成为持续消耗现金流的重资产,而语言模型部分又依赖现有预训练模型做后续训练,底层技术栈的边界尚未披露。观壹智能的下一步,不是继续扩展论文成果,而是要在罕见病场景里拿出一个从模型预测到实验反馈、再到合作方认可的完整案例。这个案例出现之前,它的跨层级推演主张仍然只是研究叙事。

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。