超过90%进入临床开发的候选药物最终失败，其中约四分之三倒在疗效或安全性上。这不是理论测算，而是制药业每年以数千亿美元验证的现实。药企在每一道临床关口下注，而失败往往要到晚期才能确认——患者已入组、中心已启动、资本已沉没。这使得临床试验设计成为整个药物开发链条中风险密度最高的环节之一。任何一个关于入组标准、终点选择或剂量方案的误判，都可能导致数年工作归零，连带引发市值蒸发、管线收缩和战略转向。

2020年在特拉维夫成立的QuantHealth，试图用AI模拟来打破这个循环。它的产品不是用来筛选靶点或设计分子，而是在患者入组之前，让药企在计算机里预演整场临床试验。2026年8月4日，QuantHealth宣布完成4500万美元B轮融资，领投方为以色列成长型基金Qumra Capital。参投方包括Pitango HealthTech、Sanofi Ventures、Artofin Venture Capital Fund L.P.、Bertelsmann Healthcare Investments (BHI)、GC Ventures、NewHealth Ventures、Shoni Top Ventures和Esplanade Ventures。据公司说法，本轮融资前它在2025年实现了8倍销售额增长。

这笔钱的到来，让QuantHealth的总融资额站上了约7000万美元——但有媒体给出的数字是7500万美元，两种说法之间存在差异——同时也把一个更根本的问题推到了前台：一家创业公司用模型预测临床试验成败，到底能走多远？在这个问题上，客户数量、预测准确率和增长速度的公开数据都只能构成部分答案，真正决定公司长期轨迹的变量，藏在每个数字背后的验证逻辑和行业决策结构里。

字段 内容
公司 QuantHealth
轮次 B轮
金额 4500万美元
投资方 Qumra Capital（领投）、Pitango HealthTech、Sanofi Ventures、Artofin Venture Capital Fund L.P.、Bertelsmann Healthcare Investments (BHI)、GC Ventures、NewHealth Ventures、Shoni Top Ventures、Esplanade Ventures
总部 以色列特拉维夫
创始人 Orr Inbar, Arnon Horev
官网 https://quanthealth.ai/
前序投资者 Accenture Ventures等
总融资额 约7000万美元（另有来源称7500万美元）
员工规模 约85人

不是在筛分子，而是在预演整场临床试验

AI制药赛道早已拥挤。过去五年，数十亿美元涌向用机器学习发现靶点、设计新分子的公司。这些投资的前提是AI能缩短从靶点识别到先导化合物优化的时间窗口。QuantHealth选了一条不同的着陆点：它瞄准的不是”发现什么药”，而是”怎么证明药有用”。

CEO兼联合创始人Orr Inbar对Fierce Healthcare的表述很清晰：”我们的模型在患者级别模拟生物学反应，预测哪些因素会真正驱动试验成功。”这种颗粒度意味着，QuantHealth不是笼统地告诉药企”你的试验可能失败”，而是给出具体到患者亚群、终点选择、给药方案的参数级推演。公司称，其平台已模拟超过600项临床试验，覆盖30个适应症，预测准确率高达90%。

这个定位的价值在于：药物发现环节的优化只能缩短研发前端的时间线，而临床试验的失败往往发生在前端工作已经完成数年之后。药企此时已经为候选分子投入了数亿美元，患者招募、研究者费用和监管沟通成本也开始叠加。如果在设计阶段就能识别出有缺陷的方案——比如某个适应症下最优的患者分层策略、更敏感的替代终点，或者不同剂量组的效能差异——可能节省的成本不是渐进式的，而是几百倍的杠杆。这构成了QuantHealth商业叙事中最有说服力的那根支柱。

创始人背景为这条路径提供了某种合理性。Inbar此前在ConcertAI工作，这家公司本身专注于肿瘤领域的真实世界数据和AI解决方案。联合创始人Arnon Horev则先后在生命科学公司Nucleai负责业务运营，以及医疗技术公司EarlySense管理营销和销售。两人都没有传统意义上的药研背景，但他们组合的技能恰好覆盖了AI建模和医药商业两端。这种组合可能有利于QuantHealth在制药业的采购和合作谈判中找到切入点——它既不是来自学术界的计算模型团队，也不是缺乏技术纵深的数据服务商。

技术架构方面，QuantHealth的核心资产是一套结合大规模真实世界数据的AI模型。公司声称拥有该类别中规模最大的真实世界数据集之一。这类数据通常来自电子健康记录、保险索赔数据库、基因组学数据和其他来源，能够反映药物在临床试验受控环境之外的真实表现。但真实世界数据的质量直接决定了模拟的可信度：样本偏差、编码错误、随访缺失、不同医疗卫生体系间的数据标准差异，都可能将偏差注入模型。这意味着QuantHealth既要维护数据获取管道——这涉及与医疗机构、数据供应商、甚至保险机构的持续合作——也要持续应对各监管机构对不同来源真实世界证据的态度变化。后者的不确定性不在公司控制范围内。

12家大药企成为客户，但”被采纳”不等于”被依赖”

客户名单是QuantHealth目前最具说服力的凭证。公司表示，世界排名前20的制药公司中已有12家成为其客户。对于一个成立仅五六年、提供非传统决策工具的公司来说，这个覆盖率在行业内是显眼的。

Sanofi Ventures的合伙人Cris De Luca在融资声明中给出了一个有用的注脚：”作为QuantHealth最早的投资者之一，我们有机会目睹这家公司帮助定义AI与临床开发交叉领域的新品类。”大型药企通过战略投资部门在技术供应商中获取股权和董事会层面的信息通路，在制药业并不罕见。这种战略投资既是一枚背书——因为它通常意味着某种程度的技术验证——也提示了一种尚未充分验证的市场信号：如果大药企只是把模拟当作现有流程的辅助参考，而非决策依据，那么QuantHealth的定价权和复购率将面临完全不同的天花板。

这里存在一个关键区分。”被采纳”意味着采购部门签了合同，可能用于特定业务单元或探索性项目；”被依赖”意味着研发团队在做关键决策时——例如是否推进一项成本高达数千万美元的三期试验，或选择哪个适应症作为新药的首次上市方向——模拟结果成为决策流程中不可或缺的一环。从目前公开信息看，QuantHealth尚处于前者到后者的过渡区间。客户数量增长和8倍销售增长虽然引人注目，但销售增长的起点规模未披露，读者无法判断这是从10万美元到80万美元的早期实验性采购增长，还是从1000万美元到8000万美元的规模化部署。这一信息缺失并不是QuantHealth独有的问题——大多数未上市的创业公司不会披露绝对收入数字——但确实限制了外界对其业务体量的判断。

此外，Top 20药企中60%的覆盖率也意味着还有40%未采购，包括多家同样在AI和数字化上投入巨资的制药巨头。这些公司未列入客户名单的原因可能有多种：它们可能在使用内部的替代方案，可能正在观望竞争产品的成熟度，也可能在经历早期的失望后采取了更审慎的态度。任何一种情形都提示，QuantHealth的市场渗透虽然达到了一定规模，但尚未形成绝对的行业共识。

在行业痛点上切一刀，但真正的阻力来自制度惯性

QuantHealth讲述的逻辑在产业层面是成立的。临床试验开支占药物开发总成本的大头——从一期到三期，单次试验成本动辄数千万甚至上亿美元——任何从程序上缩短周期或降低失败概率的手段，都有明确的经济学动机。但这套逻辑在落地时，面对的不只是技术可行性，更是监管架构、组织惯性和责任链条。

在现有的监管框架下，任何技术都无法取代随机对照试验作为药物审批的证据基础。美国FDA和欧洲EMA的评审仍以受控试验数据为核心，真实世界证据虽然在某些场景下被接受——例如罕见病药物的补充数据、上市后安全性监测——但在决定性审批环节，它的角色依然次要。QuantHealth的角色定位因此必须清晰界定在”前置决策层”：帮助药企在投入真实患者和资金之前，识别有缺陷的设计或找到更优方案，而非替代试验本身。这个定位在公司对外传播中是明确的。Inbar说：”今天，临床开发决策仍然主要通过真实世界迭代做出——运行试验、等待结果、以巨大的成本和风险进行调整。我们正在从根本上改变这种模式。”

“从根本上改变模式”这个表述本身，恰恰暴露了难度。药物研发的决策链条越靠近核心管线，保守性越强。一个Phase III试验的失败可能意味着数十亿美元市值蒸发，影响可能传导至公司整体战略、投资者信心甚至高管去留。在这种压力下，研发负责人会天然倾向于已被验证的方法——无论是内外部专家意见、历史数据还是传统统计模型——而非一支AI模型给出的推演。引入一个技术上的新决策变量，意味着增加一层解释责任：如果模拟建议与专家判断冲突，以谁为准？如果采纳了模拟建议而试验仍然失败，责任由谁承担？这些不是在技术层面能够回答的问题。

QuantHealth的扩张路径，因此不只是技术迭代和模型精度提升的问题，更是一场行业内的信任建构。这需要远比600项模拟更庞大的案例库，需要前瞻性的、公开可验证的预测记录，以及无法绕开的监管对话——即与FDA等机构就模拟数据在申报决策中的地位进行沟通。目前，公司尚未披露是否已启动此类监管层面的对话。

Qumra的视角：赌的不是一项功能，而是一个品类

领投方Qumra Capital的合伙人Reut Yehuda Golan在融资声明中给出了一个野心勃勃的定位：”AI已经改变了药物发现，临床试验是下一个前沿。这是一个每年在临床试验上花费数千亿美元的市场，一个已经成熟、可以被更智能、更高效方法改造的市场。”

这种措辞不是针对一个SaaS产品的投资逻辑，而是针对一个可能成为基础设施的品类。Qumra是典型的成长型基金，通常在验证了产品-市场匹配后才进入，而不是在概念或早期商业化阶段下注。它在此时领投B轮，引用QuantHealth成熟的AI模型、市场准备状态和已有的验证点作为关键依据。这透露出一个判断：QuantHealth可能处于从”有用工具”到”行业标准步骤”的拐点。这个判断如果成立，意味着公司未来的增长将不再是线性的——它可能被嵌入药企的标准SOP、被监管认可为申报的补充材料、甚至成为合同研究组织竞相集成的能力模块。

但拐点也是风险聚集点。本轮参投方构成复杂，除Qumra外，还包括战略投资者Sanofi Ventures——这意味着客户与股东利益的重叠；出版巨头贝塔斯曼旗下的医疗基金BHI——这提示了某种对内容、数据和医疗服务交叉领域的兴趣；以及多家早期健康科技基金如Pitango HealthTech、GC Ventures、NewHealth Ventures和Esplanade Ventures。一个多元化的股东结构可以带来产业资源、市场通道和不同地域的触角，但也可能在公司需要做出产品取舍或战略聚焦时，产生分歧的张力。

前序投资者还包括咨询巨头Accenture的投资部门Accenture Ventures。这意味着QuantHealth的资本结构中，既有药企的钱，也有科技集成商的钱，还有媒体背景的基金以及战略咨询公司的钱。这些力量的诉求并不天然一致：药企希望获得定制化工具和数据优先接入；咨询公司可能期待与自身数字化转型服务形成协同；成长型基金关注估值增长和退出路径；早期基金则需要倍数回报。当公司需要在通用产品路线和单一大客户的定制需求之间做出权衡时，不同股东群体的压力方向可能产生矛盾。目前，公司未披露董事会构成和不同投资人的持股比例，但这张股东名单本身，已经提示了未来治理层面可能的复杂度。

从”设计试验”延伸到”推向市场”，战线正在拉长

QuantHealth的B轮资金用途，勾勒了一个雄心超出当前产品边界的中期路线图。公司计划将产品从临床试验设计延伸至整个临床和商业生命周期，包括上市策略。具体表述是：扩展产品组合，覆盖从试验设计到上市定位的整个临床和商业生命周期，同时关注可衡量的影响力。这一转变的含义是：QuantHealth不只想告诉药企”这个试验该怎么设计”，还想参与回答”这个药上市后该怎么定位”。

从商业逻辑看，平台向价值链下游延伸是自然选择。上市策略的决策涉及定价、医保谈判、适应症选择、患者分层、竞争者定位等多个关键节点。这些领域的决策数据化程度远低于研发端——目前上市策略大量依赖咨询公司的行业智慧、市场调研和类比推理——意味着更大的差异化空间和潜在的价值捕获机会。如果QuantHealth能将试验模拟中积累的患者级数据和疾病进展模型延伸到商业化场景，理论上可以提供从分子到市场的连贯量化推演。

但这也意味着QuantHealth将进入一个完全不同的竞争领域。在研发端，主要的替代方案是药企内部的统计团队、传统的试验模拟方法，以及少数的专业软件供应商。而在商业和上市策略领域，它将面对IQVIA这类兼具CRO、数据和分析能力的行业巨头、ZS Associates这类专业生命科学咨询商、以及McKinsey的生命科学实践等既有的服务商和咨询机构。这些机构的产品形态可能是服务而非软件，但它们通过对行业知识的多年积累和客户关系，已经深度嵌入制药公司的商业化决策流程。

同时，公司对技术研发的表述也值得审视。QuantHealth表示将投入下一代AI模型、扩展数据集并增加治疗领域覆盖——从30个适应症扩展至超过40个，聚焦肿瘤、心血管代谢疾病和炎症等领域。每一次适应症扩展，都需要获取和处理对应的高质量真实世界数据，并在特定疾病模型上进行模型训练和验证。这意味着资源需要在新适应症拓展与现有适应症深化之间做分配，而不同治疗领域的疾病进展模型在复杂度上可能差异巨大。适应症数量增长与模型精度之间，可能存在资源分配的竞争关系。公司如何平衡广度与深度，将是产品战略中一个持续存在的张力。

90%准确率是一个数字，但它的分母是什么？

QuantHealth反复引用一个数据：预测准确率高达90%。这个数字出现在多篇报道中，是公司最具传播力的技术名片。公司称其平台已模拟超过600项临床试验，覆盖30个适应症，并取得了这一准确率水平。但任何对AI产品有了解的人都会问同一个问题：90%是在什么基准上、对什么任务的准确率？

具体来说，是预测试验整体成败的二分类准确率，还是预测某个特定终点数值的误差范围？是在回顾性验证的数据集上——即用已知结果的试验数据来测试模型——还是在前瞻性应用中？如果是回顾性验证，模型的训练集和测试集是否存在时间上的数据泄露——即接受了其”预测”事件发生之后才产生的数据？600项临床试验的模拟数量看似庞大，但若分布在30个适应症中，平均每个适应症仅20项，这一样本量在统计学意义上在各个方向上都算不上充分，尤其是在罕见病或细分癌种上，可获得的试验级数据可能更为有限。

公司未披露详细的验证框架和外部审计结果——比如是否有独立的第三方对其部分预测进行盲法验证，或者是否发表了同行评审的方法学文章——这使得90%这个数字在一个需要极高证据标准才可能改变决策的行业里，更像一个进入对话的敲门砖，而非可被独立复现的科学结论。这个问题不是QuantHealth独有，而是整个AI加临床试验赛道共同面临的挑战：没有足够的前瞻性、独立验证案例，技术能力就始终停留在企业宣传材料里。

这构成了QuantHealth最大的待验证假设：当AI模拟被用于一项真实的、尚无结果的三期临床试验时，其预测能否持续保持统计显著性和临床意义？这不是一个可以通过模拟数量累加来回答的问题——它需要的是前瞻性验证，即在实际试验启动前做出预测，在数据库锁定后对比结果。这个过程在药企的时间线上可能需要数年。在得到这种量级的验证之前，大药企为模拟工具付费的意愿，理论上取决于模拟能在多大程度上影响他们视为低风险的、可逆的决策，而非核心管线的赌注。

资本在赌一个范式转换，但范式转换需要的是”例证链”

QuantHealth的B轮融资发生在一个微妙的时间点。AI制药赛道在经历了2022-2024年的热潮后，开始面临更严苛的审视。一些明星公司的药物发现合作没有产生预期中的临床候选分子，一些靶点发现工具的生物学验证结果参差不齐，一些早期投资者从”AI能改变一切”的热情转向”到底改变了什么”的具体追问。

在这个语境下，QuantHealth拿到4500万美元并获得Top 20药企中60%的客户覆盖率，意味着它的价值主张至少通过了大型药企创新采购部门的初筛——这些部门近年正在主动筛选能帮助解决研发效率问题的技术。但从”初筛通过”到”进入标准采购流程”，再到”被整合进核心研发决策”，每一步的难度都呈指数级增长。若干大型药企的采购流程涉及内部分析验证、安全审计、法务审核，以及最重要的内部客户——研发团队——的认同。这个过程可能在六个季度到三年之间。

公司称其”8倍销售增长”为持续投入提供了信心基础，但起点基数未披露。资金来源包括药企战略投资、成长型基金和媒体背景的LP，显示出其业务在当前阶段既需要产业背书来证明产品价值，又需要可以承受较长回报周期的耐心资本来铺开市场。公司现有员工约85人，分布在纽约和特拉维夫两个办公室，这个规模尚处于可管理范围内。随着产品线扩展和客户交付的增加，团队规模和职能复杂度可能都需要相应提升。

QuantHealth站在一个明确的行业趋势上——临床试验的数字化和智能化——但趋势不等于护城河。如果它的模型确实能持续在真实世界中提升临床试验的成功概率，并且能够积累起一项又一项被独立验证的前瞻性案例，它有机会变成制药业的基础设施。如果准确率和可复现性在规模应用中衰减，或者大药企始终将它定位为众多参考输入中的一个而非差异化的决策依据，它可能止步于一个有用的辅助工具。4500万美元B轮买的，正是验证这条边界的时间。这笔资金的效率，最终取决于公司能否在未来两三年内，产出一个让行业无法忽视的例证——一项在盲态下预测成功、结果公开、且足以改变某一具体研发决策的案例。那将是比任何融资数字都更具说服力的里程碑。

RecodeX 极客视：QuantHealth讲的是一个在药物开发最昂贵环节用AI做”预演”的故事。它的逻辑在纸面上成立——临床试验的超高失败率和巨大沉没成本，为任何能提前识别风险的工具体系留出了明确的经济空间。客户名单也足够漂亮，Top 20药企中拿下12家，在B轮阶段算得上一份有分量的成绩单。但有几件事我们暂时不下结论：第一，把”90%预测准确率”当作信任压舱石为时过早——这个数字背后的验证设计、训练/测试集划分方式、以及是否存在前瞻性验证都未公开。第二，”8倍增长”如果没有基数，就无法映射到竞争格局中的真实位置。第三，从可用工具变成行业共识，需要克服的阻力可能比技术层面大一个量级——在最保守的制药研发决策链上，AI模拟从”参考”进化为”依据”甚至”标准”所需要的，远不止更多模型和计算资源。它需要的是一种新型的制度信任。而信任的建立，历来比技术的迭代慢得多。这笔4500万美元的B轮，将在这两个速度的落差之间接受检验。

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。