Cheiron获800万美元种子轮：AI原生操作系统将药物开发从碎片化搜索转向统一系统

生物制药行业有一个不为人知的悖论：决定一个分子能否最终成为药物的核心操作系统，至今仍是邮件、幻灯片和人的记忆。一个典型的三期临床项目会产生大量文档、监管函件和关键决策节点，而这些信息散落在不同的部门、格式和时区里。当开发团队需要回答“这个终点设计是否与FDA最近的审评倾向一致”或“竞争对手的专利声明是否与他们的公开数据矛盾”时，他们往往要花几周时间手动拼凑答案。

2026年7月22日，一家试图终结这种碎片化状态的创业公司宣布获得了来自硅谷顶级风投和一批行业重量级人物的支持。Cheiron，一家成立于2024年、总部位于加州洛斯阿尔托斯的AI原生命科学公司，宣布完成800万美元种子轮融资，由Menlo Ventures领投。这笔融资的特殊之处不在于金额——在生物制药工具领域这并非大额交易——而在于投资方名单揭示了某种共识正在形成：Moderna联合创始人兼MIT教授Robert Langer、前辉瑞首席医学官Freda Lewis-Hall、Chai Discovery联合创始人兼CEO Josh Meier、前星巴克CEO Laxman Narasimhan，以及苹果前机器学习与AI高级副总裁John Giannandrea，全部以个人身份参与了本轮。Menlo Ventures合伙人Venky Ganesan将加入Cheiron董事会。

SK Networks孵化的斯坦福团队，用一张知识图谱重构“药物项目”的定义

Cheiron的商业品牌背后是一家名为PhnyX Lab的韩国创业公司实体。这家公司诞生于SK Networks的早期孵化项目，一位SK Networks高管专程前往美国，亲自招募了一批斯坦福大学的研究人员和研究生来构建这一业务，并后续担任管理顾问支持平台上线和增长。Cheiron的三位联合创始人——CEO Minseok Bae、首席产品官Jason Park和首席技术官Harshit Gupta——被描述为“斯坦福培养的AI研究人员和生物制药运营者”。

但这轮融资标志着Cheiron首次获得外部投资，也是SK Networks孵化项目中第一个获得外部资本验证的公司。SK Networks全球创新部门负责人Sangeun Shin是Cheiron董事会成员，他在声明中表示，作为Cheiron最早的投资者，他近距离观察了这家公司“将一个雄心勃勃的想法转化为实际成果”的过程，并期待在新合作伙伴的加持下进入下一阶段增长。

Cheiron并没有选择做另一个生命科学搜索工具。公司构建了一个专有的“生命科学知识图谱”（Life Sciences Knowledge Graph，简称LKG），将全球的生物医学、临床、监管、专利和商业数据统一到一个结构化智能层中。与传统的文献检索或数据库查询不同，LKG的设计目的不是返回文档列表，而是让开发团队能够对复杂的假设和运营决策进行推理。

产品不是搜索引擎，而是一个可审计的推理系统

Cheiron将自身定位为“AI原生的药物项目操作系统”。这个定位的核心差异在于它将整个药物项目表示为一个单一的、连接的系统，而不是一组可查询的数据源集合。平台建立在检索增强生成（retrieval-augmented generation，RAG）技术之上，但关键架构决策在于知识图谱的引入——这使得系统可以跨域建立实体之间的结构化关系，而不仅仅是基于语义相似度检索段落。

Minseok Bae在声明中描述了这一设计哲学：“药物开发中的每一个重要决策都依赖于理解什么是已知的，什么是假设的，什么仍然不确定，以及什么已经被决定。我们构建Cheiron就是为了首次让这种状态变得可见，这样团队就可以花更少的时间在组装信息上，而将更多时间用于推进疗法。”

根据已披露的信息，Cheiron平台支持几类具体的跨工作流推理场景。在临床开发中，团队可以将试验设计与监管先例进行交叉引用，提前识别潜在的审批障碍。在竞争情报层面，系统能够标记出竞争对手公开披露的数据与其专利文件之间的矛盾。在早期研究阶段，平台允许团队对照实时更新的全球生物医学证据图谱，对机制验证假设进行压力测试。这些功能并不是孤立的模块，而是从同一个知识图谱中自然涌现的查询路径。

六个月内吸引数万用户，韩国头部药企率先部署

Cheiron声称，平台在上线后不到六个月内已被“数万名生物制药专业人士”采用，活跃用户平均每周运行超过40次研究查询，每周在平台上花费约6小时。这个用户黏性数据如果准确，意味着Cheiron的核心用户群体已经将其嵌入日常工作流，而非偶尔查询。

目前已确认的客户名单全部来自韩国制药行业：Boryung（保宁制药）、Hanmi Pharmaceutical（韩美药品）、Dong-A Socio Group（东亚社会集团）和GC Biopharma（绿十字）。其中Boryung是韩国前五大制药公司之一，其CEO Jung Gyun Kim提供了直接引语：“Cheiron帮助我们从在碎片化来源之间搜索，转向理解一个项目的完整状态。通过将证据、假设、风险和决策连接到一个地方，这个平台为团队提供了一种更清晰的方式来评估项目并支持关键决策。”

客户全部集中在韩国市场这一事实值得关注。Cheiron的总部设在硅谷核心的洛斯阿尔托斯，投资方和顾问团队几乎全部来自美国，但首批付费或深度采用的客户却是韩国企业。这可能与公司通过SK Networks孵化、创始团队的韩国背景以及早期在韩国生物制药生态中的商业拓展路径有关。Menlo Ventures的领投和Langer等人的站台，显然是Cheiron向全球市场扩张的信号，但目前尚未披露任何美国或欧洲的客户案例。

Menlo Ventures的赌注：不是AI+制药，而是制药的基础设施层

Menlo Ventures是硅谷最老牌的风投之一，也是Anthropic和Uber的早期投资者。合伙人Venky Ganesan在声明中将Cheiron置于一个明确的叙事框架中：“Minseok和团队没有做另一个生命科学搜索工具——他们重新思考了药物项目实际上是什么。”他补充说，Cheiron给药物开发者提供的关于整个项目的证据、假设、风险、决策和承诺的单一结构化视图，“有潜力成为疗法开发方式的基础设施”。

这个论调与AI制药领域过去几年的投资热潮有明显区别。大多数AI制药公司试图用机器学习加速靶点发现、分子设计或临床试验预测——本质上是在研发链的某个环节提供预测模型。Cheiron的投资逻辑不同：它并不声称自己能够预测哪种分子更可能成功，而是试图为已经正在进行中的药物项目提供一个统一的、可审计的系统记录层。Ganesan将其类比为“操作系统”，暗示Menlo投向的是一个横向基础设施平台，而非垂直应用。

Robert Langer的参与为这一叙事增加了可信度。作为Moderna的联合创始人和40多家生物技术公司的联合创始人，Langer在行业中的地位意味着他的支持本身就是一个强信号。“发现获得了大部分关注，但执行最终决定了新药多快能到达患者，”Langer在声明中说，“像Cheiron这样的技术，帮助压缩整个药物生命周期的开发时间线，可以在加速这一过程中发挥重要作用。”他没有谈到分子设计或靶点发现——他谈的是“执行”和“时间线压缩”，恰好与Cheiron的定位吻合。

从韩国到全球：资金用途指向明显的增长路径，但全球扩张的假设尚未验证

Cheiron计划将800万美元用于三个方向：加速LKG的开发，将平台能力扩展到临床、监管和战略工作流，以及扩充工程、产品和生命科学团队。伴随本轮融资，公司新增了三位顾问委员会成员：Robert Langer、Freda Lewis-Hall，以及前绿十字和GI Innovation首席执行官BG Rhee。

这笔资金的使用方向与企业当前的缺口一致。Cheiron的客户基础集中在韩国，但总部设在硅谷，投资方来自美国。公司需要在美国和欧洲市场证明其价值主张能够跨越不同的监管环境和组织文化——韩国制药公司的决策结构和FDA/PMA导向的开发流程可能存在显著差异。Cheiron还需要证明LKG能够覆盖亚洲之外的监管先例数据，例如EMA（欧洲药品管理局）和FDA的完整审评历史，以及不同市场的专利和商业数据。

另一个待验证的假设是付费意愿。目前没有任何关于Cheiron商业模式、定价策略或收入的公开信息。数万名注册用户和每周6小时的使用时间说明产品有吸引力，但未披露这些用户中有多少来自付费企业客户，多少是免费或个人用户。Boryung等四家韩国药企被标记为“客户”，但客户关系的深度——是全面部署还是试点项目——同样没有数据。在生命科学领域，从免费采用到企业级采购需要跨越的鸿沟不小：安全合规审查、验证研究、现有系统集成，每个环节都可能拉长销售周期。

竞争格局与潜在风险：真正的对手是组织惯性

在已披露的信息中，Cheiron没有提到任何直接竞争对手的名字。但这并不意味着市场是空白的。药物开发团队目前在用的“替代方案”不是一个产品，而是一整套碎片化的工作流：PubMed和Google Scholar用于文献检索，Cortellis或Pharmaprojects用于竞争情报，内部SharePoint和邮件用于决策记录，Excel用于风险追踪矩阵。Veeva Systems提供生命科学领域的云解决方案，Benchling覆盖研发数据管理，但它们都没有声称能够将整个药物项目表示为一个单一的、AI可推理的知识图谱。

Cheiron面临的真正竞争可能不是某个具体产品，而是组织惯性。制药公司的大型三期项目通常运行数年，牵涉数百名内部和外部利益相关者。要让他们将项目“迁移”到一个新的操作系统上——即使这个系统能够提供更好的全局视图——需要改变已经运作的SOP（标准操作流程）、培训团队、并说服监管事务和临床运营等风险厌恶的部门接受一个新平台作为关键决策基础设施。Cheiron的“系统记录层”定位意味着它所追求的不是一个可选的效率工具，而是希望成为药物团队日常工作的默认界面。这种深度嵌入的采用曲线通常远比搜索工具陡峭。

Cheiron面临的核心风险不太可能是技术可行性，而是类别定义的挑战。“药物项目的操作系统”是一个新的品类，这意味着公司在销售时不能简单地与现有预算项目对齐。制药公司的IT和研发组织已经有清晰的采购类别：电子实验室笔记本（ELN）、临床试验管理系统（CTMS）、监管信息管理（RIM）、竞争情报工具。Cheiron可能跨越了多个类别，但却不完全属于其中任何一个。如果采购决策者无法在现有的RFP模板中找到“操作系统”这一行，那么采用可能需要从更高层级推动，销售周期会相应延长。

另一个风险是创始人-市场匹配的时间窗口。Cheiron的三位联合创始人被描述为斯坦福培养的AI研究人员，这意味着他们的专业优势在技术构建，而非在大型制药公司的内部销售。面向韩国客户的早期商业化可能依靠了本地网络和SK Networks的关系，而打开美国和欧洲市场将需要建立一支有生命科学企业销售经验的团队。800万美元种子资金在同时支撑技术开发、团队扩张和市场拓展的情况下，能够维持的时间有限。

个人投资者拼图：技术、监管与商业的全覆盖

这批个人投资者的背景组合是经过考量的。Robert Langer代表科学可信度和生物技术创业网络。Freda Lewis-Hall带来了监管和临床开发视角——作为前辉瑞首席医学官，她对大型制药公司的决策流程有直接经验。Josh Meier作为Chai Discovery的CEO，了解新一代AI驱动药物发现公司的需求，可能成为渠道合作伙伴或集成点。John Giannandrea是AI基础设施领域的权威，他的参与强化了Cheiron在技术能力上的可信度，尤其是在知识图谱和检索系统方面。

Laxman Narasimhan的参与相对特别。作为前星巴克和利洁时的CEO，他的专业领域是消费品牌和全球运营，而非药物开发。他的加入可能指向Cheiron的商业扩展野心，或者是对管理团队在规模化运营方面的补充。目前没有披露任何一位个人投资者的具体金额或是否以顾问身份参与日常运营。

知识图谱+生成式AI的技术路径，能否突破生命科学领域的RAG限制？

Cheiron的技术架构结合了两个当前AI领域的关键组件：RAG用于从非结构化文本中提取和生成洞察，知识图谱用于建立实体之间的结构化关系。单纯依赖RAG的系统在生命科学领域有已知的局限：科学文献和监管文件中的概念密度极高，同义词、缩写和上下文依赖使得纯语义检索容易遗漏关键关联或产生幻觉。知识图谱可以通过预先建模的实体关系（例如特定靶点-适应症-临床试验-监管先例之间的链接）来约束和引导生成过程，提高输出的准确性和可追溯性。

但构建和维护一个覆盖全球生物医学、临床、监管、专利和商业数据的知识图谱是极其资源密集的。数据的更新频率、不同来源之间的实体对齐、以及保持图谱覆盖范围的广度，都需要持续的工程投入。Cheiron目前没有披露LKG的规模（实体数、关系数）、更新机制或与公开知识图谱（如UniProt、DrugBank、ClinicalTrials.gov）之间的关系。这800万美元种子资金中有多少将直接用于知识图谱的扩展和维护，也是一个未披露的细节。

RecodeX 极客视点：Cheiron试图做的事情，本质上是将药物开发从一个基于文档的工作流转变为一个基于结构化知识图谱的推理系统。这个目标如果达成，将解决制药行业投入数百亿美元却缺乏统一系统记录层的根本矛盾。但“操作系统”的隐喻既是护城河也是陷阱——它意味着Cheiron不仅要做到足够好到被采用，还要做到足够不可或缺以至于被依赖。六个月内数万用户的早期牵引力是一个好信号，但客户全部集中在韩国、未披露收入数据、以及全球竞争格局尚不明确，意味着这个叙事还有很长的路要走。接下来最值得关注的两个里程碑：第一家美国或欧洲药企客户的公开部署，以及是否能在Boryung等现有客户中从部门级使用扩展到企业级协议。