在AI制药行业，一个日益尖锐的矛盾正在浮现：蛋白质结构预测的精度竞赛已近终点，但药物研发的真实瓶颈——准确预测分子在生物系统中的功能——却被卡在模型与实验的断层线上。一组抗体能否结合靶点，深度学习模型已能在几秒钟内给出高置信度的答案；但当这个分子进入细胞、组织乃至整个动物体时，它是否真的具备阻断疾病通路的能力，迄今仍高度依赖传统湿实验的一轮轮试错。正是在这个断裂带上，一批初创公司试图用“干湿实验闭环”完成卡位，而其中成立仅三年、总部横跨美国加州Laguna Hills和上海的Aureka Biotechnologies，正在成为资本在这一赛道上最激进的赌注。
2026年8月10日，Aureka宣布完成1亿美元B轮融资。Granite Asia独家出资了本轮的首期，其后由一家未披露具体名称的知名战略投资者领投后续部分，HighLight Capital（HLC）作为新投资方加入，现有股东MPCi和NRL Capital也完成了跟投。至此，Aureka累计融资接近2亿美元。在生物技术融资仍处寒冬余波的当下，这个金额和投资方组合释放的信号远比数字本身复杂——它指向的是一场从“AI辅助药物发现”向“AI原生药物引擎”的结构性迁移。
如果将这笔融资放回Aureka的成长时间线上观察，其融资节奏本身就是一个值得拆解的信号。公司2023年成立后，在不到三年的时间内完成了从早期轮次到A轮、A+，再到本轮B轮的多轮跳跃，累计资本吸纳量逼近2亿美元大关。在一级市场对生物技术标的仍然保持高度选择性的背景下，这种速度和规模意味着投资方对“AI原生”这一概念所承载的技术架构和商业想象给予了罕见的共识性投票。值得注意的是，公开材料中并未披露本轮融资后的估值，外界无从判断资金成本的变化轨迹，但融资额本身已足以将Aureka推入AI制药赛道资本密度最高的梯队。
| 字段 | 内容 |
|---|---|
| 公司 | Aureka Biotechnologies |
| 轮次 | B轮 |
| 金额 | 1亿美元 |
| 投资方 | Granite Asia、未披露知名战略投资者、HighLight Capital、MPCi、NRL Capital |
| 总部 | 美国加州Laguna Hills和上海 |
| 创始人 | Dr. Weian Zhao（赵伟安） |
| 官网 | https://www.aurekabio.com |
“模型能预测结合”已经不是壁垒，能预测功能才是
Aureka的技术叙事围绕着一个核心判断：药物发现的竞争已经越过了单点模型能力的阶段。回顾过去三年，从AlphaFold2到AlphaFold3，蛋白质结构预测与生物分子相互作用的基准测试分数被不断刷新；开源社区内，ESMFold等模型的涌现也在迅速拉平算法层面的准入门槛。当“能否生成一个结合靶点的分子”不再是差异化优势，整个行业的瓶颈就从计算问题转移到了验证问题——在真实的生物体系中，这个分子的功能是否成立？
这正是Aureka试图解决的核心问题。公司公开披露的技术架构包括四个层面：生物基础模型负责分子生成与属性预测；AI代理执行实验设计与假设生成；数字生物学层在虚拟环境中对分子行为进行仿真；而高通量微流控和单细胞功能筛选平台则在物理世界中产出高质量实验数据。关键在于这几个层面并不按传统的线性流程运作——先做计算，再送实验验证——而是被整合进一个“Lab-in-the-Loop”实验反馈系统。在这个系统中，模型不仅向实验提出可验证的设计方案，实验平台产生的功能性数据也能直接回流，进入模型的后续训练和能力迭代循环。
这种架构的设计逻辑值得深入审视。在传统的AI辅助药物发现流程中，计算团队和实验团队通常分属不同部门甚至不同公司，数据传递存在时滞和格式割裂，反馈周期以周或月为单位计算。而Lab-in-the-Loop试图将这一周期压缩到以天甚至以小时计。它的核心假设是：当模型能够以足够高的频率接收来自真实物理世界的信号，其预测能力的进化速度可能远超仅依赖公共数据集训练的同类模型。这并非理论推演——在自动驾驶和机器人领域，类似的闭环架构已被证明能显著加速模型在复杂物理场景中的学习效率。Aureka实质上是在生物体系这个远比道路环境更复杂的系统中，尝试复制这一范式。
Granite Asia投资方的代表Yinghui Kuang在声明中把逻辑说得更加直白：“AI驱动的药物发现正在超越对孤立模型能力的竞争，进入一个由数据、模型和实验在闭环中协同进化的新阶段。”他指出，干湿实验结合所能带来的抗体设计效率提升是指数级的。这里“指数级”这一措辞值得注意——它并非通用修辞，而是一个在技术投资叙事中具有特定含义的强度信号。Granite Asia管理着100亿美元资产，曾投资过127家估值超10亿美元的公司，其代表在选择这类表述时通常需要内部技术尽调的支持。但从另一个角度看，“指数级”也仍然是一个定性描述，其对应的定量指标——比如单轮设计-验证周期从几个月缩短至几周、候选分子命中率提升了多少倍——在公开材料中并未出现。
事实上，公开材料中并未透露这一闭环系统在实际抗体发现项目中所能压缩的具体时间周期或成功率提升的定量数据。目前可追溯的外部验证，来自其开源模型OpenDDE在独立第三方评估中位居全球开源生物分子模型前列。基准测试的具体来源被注明为Tamarind Bio的FoldBench v1评估，文章标题为《Open Models Beat AlphaFold3》。这表明其基础模型能力至少在特定评估维度上得到了认可，但从基准测试排名到药物临床候选分子之间的鸿沟，远非一个榜单位置所能弥合。FoldBench v1所覆盖的评估任务与实际药物开发中面临的功能预测需求之间可能存在结构性差异——一个模型可能在预测静态结构的任务上表现优异，但在模拟抗体在肿瘤微环境中的动态行为时仍存在显著不确定性。这部分差距的大小，将直接决定Aureka的技术叙事能在多大程度上转化为临床和商业成果。
开源作为技术路标，但商业护城河在闭环数据资产
Aureka采用的是一套在当前AI制药领域并不多见的技术策略：将核心模型的开源版本OpenDDE对外发布，同时保留完整的闭环基础设施作为商业化的核心引擎。这个双轨结构带来的信号值得拆解。
开源决定论在科技行业已被反复验证：通过将基础能力开源，可以快速获取社区贡献、建立技术声望，并以事实上的标准身份吸引合作伙伴。在药物发现领域，这一策略的潜在收益更大——大药企在选择AI合作伙伴时，对“黑箱模型”的不信任感仍然普遍存在。药物研发的决策链条涉及多层级的科学评审和合规审查，一个不能被独立验证的模型很难通过大型药企内部的技术尽调关卡。在这种情况下，一个可被独立评估、可被复现、甚至可被修改的开源模型，可能大幅降低合作前期的信任建立成本，缩短从初步接触到签署合作的时间窗口。
但开源的代价同样清晰：如果仅有模型开源，竞争对手可以用相同或类似的算法基座，搭配自建的实验体系形成竞争方案。这里的博弈在于，开源模型本身就构成了一个不断进化的公共资源池，任何参与者都可以在这个基础上构建自己的专有层。Aureka真正的壁垒因此不在模型参数本身，而在于闭环系统中持续产出的专有功能性数据，以及模型与其实验平台之间形成的耦合关系。每一轮“设计-验证-学习”循环产生的数据并非通用可转移资产——它们在特定实验条件下生成，携带着Aureka平台独有的实验参数、细胞株信息和灵敏度校准值。即便竞争对手使用了相同的开源模型，若无法获得同质同量的功能性数据来驱动模型的再训练，其生成结果的生物学相关性仍可能与Aureka的内部版本存在差距。
这种数据护城河的逻辑在理论上是自洽的，但它成立的前提是实验平台自身足够高效并且持续产出高质量数据。一旦竞争对手在单细胞功能筛选或微流控等环节获得可比或更优的实验通量，数据锁定的优势就可能被稀释。更值得关注的问题是数据规模的门槛效应——功能性数据需要积累到何种量级才能产生不可逾越的优势，目前整个行业都缺乏共识性的参照基准。公开材料未提供Aureka实验平台的通量、单次筛选成本或数据产出的具体指标，外界无从判断其数据资产的积累速度和规模是否已越过这一模糊的临界线。
进一步看，开源策略本身也可能成为人才竞争的杠杆。在AI研究人才高度流动的当下，一个有影响力的开源项目能够吸引顶尖研究者关注并贡献代码，其中一部分人可能转化为公司团队的候选人。在生物基础模型这一交叉学科领域，同时精通机器学习、结构生物学和实验设计的人才极度稀缺，任何能扩大人才漏斗的机制都具有战略性价值。从这个角度看，OpenDDE在开源社区中的排名不仅是技术能力的背书，更可能是一个活跃招募管道的外在表征。
“知名战略投资者”领投的隐性含义
本轮融资结构中一个关键细节是领投方被描述为“知名战略投资者”，但具体身份未被披露。在创业公司的融资公告中，这种模糊化处理通常指向两种可能：其一，投资方自身在医疗健康产业链中占据重要位置，过早披露可能引发商业竞争上的被动——比如该战略投资者与多家平台型AI公司同时保持合作关系，提前暴露对单一标的的资本押注会引发其他合作方的顾虑；其二，双方的合作条款包含排他性或权益绑定条款，需要在后续节点才能对外明确边界，在此之前信息披露受到合同约束。
在抗体药物发现领域，战略投资者的入场通常意味着一家能力型平台正在向资产型伙伴关系演进。传统上，大型药企与AI初创的合作趋向于逐个项目交易：药企提供靶点和验证数据，AI公司交付候选分子，双方按里程碑结算费用。这种合作模式下，AI公司本质上是一个技术服务供应商，难以分享药物资产增值带来的远期收益。但如果在资本层面建立股权纽带，合作深度就可能从项目制推进到平台长期共建——包括靶点策略的联合制定、内部数据管道的对接，甚至在特定治疗领域内形成半排他性联盟。这种深度绑定意味着药企可能向Aureka开放部分内部数据——这是AI模型训练最稀缺的燃料——同时Aureka的基础设施也将被嵌入到合作方的研发流水线中，成为其内部决策流程的一个组成部分。
本次融资公告明确表示，资金将用于推进生物基础模型和闭环AI原生基础设施的共同进化，加速模型能力在活体药物发现项目中的验证和转化。后半句暗示，Aureka目前可能已拥有正在进行中的药物发现项目，且其进度足以让战略投资者看到资产转化的明确路径。如果战略投资者在尽调过程中审查了这些内部管线的初步数据，并据此决定领投，这意味着Aureka的技术能力已经越过了“概念验证”的早期阶段，进入了以具体药物候选分子为产出物的实质性推进期。但管线具体涉及的靶点、治疗领域和当前的开发阶段均未披露，外界无法判断这些项目距离IND申报还有多远。
另一个值得留意的信号来自跟投方NRL Capital的表态。公告中提到NRL Capital“将继续支持公司的全球扩张和其AI基础设施的全球价值实现”。NRL Capital是一个横跨人民币和美元双币种运作的资本平台，其在声明中专门点出“全球价值”这一维度，可能意味着Aureka的国际化路径已被纳入后续议程——无论是跨境合作管线的布局，还是在海外市场建立独立实验能力，都可能成为这一轮资金的使用方向之一。
两种商业路径的拉扯：平台公司还是管线公司
对于Aureka这类AI原生生物技术企业，资本市场一直在用两种价值评估框架反复折射它们。按照平台公司逻辑，价值核心是基础设施的通用性——它能被多少合作伙伴使用，每年产生多少技术许可或合作里程碑收入，收入的可预测性和重复性决定了估值倍数的天花板。按照管线公司逻辑，价值锚定在自己的药物资产离获批还有多远——每一期临床数据的读出都可能带来估值的阶梯式跃升，但同时也意味着更高的资本消耗密度和更长的回报等待期。
Aureka目前明显偏向平台路径。公告称，公司已与多家全球领先制药公司建立战略合作伙伴关系，以推进新型抗体疗法的开发。但这批合作的条款结构——前端首付金额、里程碑规模、销售分成比例——均未披露，外界无从判断平台能力的商业转化效率。在平台模式下，关键的衡量指标通常包括合作伙伴的数量与质量、单笔合作的年均收入贡献、合作伙伴的续约率以及合作产品进入临床的比例等。这些指标中的任何一项若能在后续披露中得到量化，都将为估值框架提供更坚实的锚点。
与此同时，融资用途中专门提及“加速模型能力在活体药物发现项目中的验证和转化”，说明公司内部存在自主管线的运作空间。拥有自主管线意味着需要承担临床开发成本和风险——从IND-enabling研究到I期临床，单条管线的推进成本可能高达数千万美元——但一旦在关键疾病领域获得概念验证数据，公司的估值可能获得比单纯平台公司更陡峭的增长曲线。这是AI制药领域一个反复出现的战略困境：平台路线可以在多个合作项目中分摊研发成本，现金流的波动性较低，但天花板可能受制于合作方的推进速度；自主管线路线则集中了风险和资源，但成功的回报也更集中。
这两条路线的资本消耗节奏完全不同。1亿美元的新增资金为两条路径都提供了选择空间，但执行层面如何分配比重，来源材料未提供明确说明。外界能观察到的线索是，在累计近2亿美元的融资规模下，公司可能已经具备了同时推进平台合作和若干自主管线早期开发的资金储备，但这取决于平台合作的现金流入规模以及内部管线的阶段。如果自主管线尚处于发现期或先导化合物优化阶段，其资本消耗相对可控；如果已有一至两条管线准备进入IND-enabling阶段，则资金分配将面临更紧的约束。
来自开源基准测试的竞争信号
公开信息中唯一可追溯的竞争参照坐标，是其开源版本OpenDDE被独立第三方评价为“在全球开源生物分子模型中处于领先地位”，且基准测试来源注明为Tamarind Bio的FoldBench v1评估。这个信号表明，至少在FoldBench v1所覆盖的评估维度上，开源社区中的某些模型正在接近甚至超越AlphaFold3这类闭源或受限发布模型的性能。
这同时构成一个硬币的两面。对Aureka而言，正面是在开源生态中占据了技术声望的高地——在一个开源模型与闭源商业模型并行的竞争格局中，这种声望可以转化为合作机会和人才吸引力。反面是FoldBench v1这类榜单的学术评估任务与实际药物开发中的功能预测需求之间可能存在显著差异——模型可能在精确预测晶体结构的任务上接近完美，却在预测某个抗体在肿瘤微环境中的免疫招募效应时仍高度依赖猜测。这种从结构到功能的跨越，正是整个AI制药行业尚未解决的核心难题。
更广义的竞争格局是，AI药物发现赛道内的主力玩家正在沿着不同路径分化：一部分企业坚持将计算层做到极致，依赖合作伙伴完成实验验证，这种模式下公司可以保持相对轻资产的运营结构，但对验证环节的质量和速度缺乏直接控制；另一部分自建实验能力但规模有限，本质上仍是计算驱动的公司，实验平台更多起到筛选辅助作用而非真正的数据引擎；极少数企业在尝试真正让计算和实验在同一个闭环中持续迭代，这第三条路径在技术架构上最接近“AI原生”的理想形态，但同时也意味着资本和运营的复杂度最高——公司需要在AI人才、生物学人才和自动化实验工程人才三个高度稀缺的领域同时保持竞争力。
Aureka的Lab-in-the-Loop架构将自己推入了第三条路径。这意味着它的竞争维度不仅是模型性能的单项比拼，更是整个基础设施综合效率的对抗——模型的预测能力、实验平台的通量、数据回路的延迟、以及三者协同形成的迭代速度，共同构成了一个难以被单一维度超越的系统性壁垒。但在现阶段，这种系统性壁垒的强度更多还存在于逻辑推演层面，缺乏来自管线推进速度和合作伙伴反馈的外部印证。竞争对手若能在计算层面与开源社区保持同步，同时在实验端通过外包或合作方式获得足够的功能性数据，也可能在特定项目上达到类似的迭代效率。
资金用途框定了路线图，但风险在于闭环能否从演示级走向规模化
融资公告列出的资金用途覆盖四个方向：推进生物基础模型和闭环AI原生基础设施的共同进化；加速模型能力在活体药物发现项目中的验证和转化；扩展生成式AI在抗体药物开发中的应用；升级Lab-in-the-Loop实验反馈系统。整体而言，资金用途与公司设定的“生物世界模型”目标之间逻辑是自洽的——模型、实验系统、药物管线三线并进，而三者之间的耦合性正是其价值主张的核心。
但其中藏着一组需要时间来检验的假设。闭环基础设施能否产生真实的飞轮效应，取决于反馈链路的速度和信号质量。如果模型给出的设计方案在实验中不断被证伪，而实验数据回流入训练后仍不能显著提升预测精度，那么闭环只是一个昂贵的概念验证装置，而非加速引擎。在结构预测类任务上，闭环系统已被一些早期案例证明可以迅速收敛——因为结构和结合力的实验验证相对标准化，数据噪音较低，模型能从失败案例中明确学习。但抗体功能优化涉及的是多目标、多约束的复杂场景——一个理想的候选分子需要同时满足高亲和力、低免疫原性、良好的药代动力学特征和可制造性等多个维度的要求——在这种高维空间中，模型的收敛难度会指数级上升。闭环系统是否能在这种复杂场景中保持有效的学习速率，目前仍然是一个未经验证的假设。
另一个待验证假设是商业转化节奏。Aureka与大型药企的战略合作仍然处于未披露细节的阶段，外界无法判断这些合作处于从签署到产生实质收入之间的哪个位置。在本轮融资中出现的“知名战略投资者”可能正是合作深度升级的信号，但这也可能意味着另一层风险——平台被少数战略合作方牵引而偏离其通用基础设施的定位。如果战略投资者的业务重点集中在特定治疗领域，Aureka的基础设施可能在不经意间向着满足少数合作伙伴需求的方向优化，从而削弱其在更广泛治疗领域中的通用性。这种导向性风险在平台型公司的成长过程中并不罕见，但目前无从判断Aureka是否有意识地设置了防火墙机制。
累计融资接近2亿美元的Aureka，目前披露的团队数据仍然集中在创始人赵伟安一人。赵伟安在新闻稿中展现了对技术架构的清晰表述，但一家需要在AI、生物实验和商业合作三条战线上同时作战的公司，其执行能力最终取决于机构化的研发和管理团队能否跟上资本涌入的节奏。在AI和生物技术交叉领域，中层技术管理者和项目领导者的储备直接决定了管线推进和实验平台运营的效率。公开材料未提供团队规模和核心管理层构成的具体信息，这使得外界难以评估公司在高速扩张期面临的组织管理风险。1亿美元的B轮融资为技术平台的扩张提供了充足弹药，但组织能力的建设是一个无法用资本密度替代的过程——它取决于招聘速度、跨领域团队的磨合周期以及管理流程的成熟度，这些软性基础设施的建设节奏，将在很大程度上决定这笔资金是真正转化为技术复利，还是进入一轮昂贵的平行试错周期。
RecodeX 极客视：抗体设计的竞争正在越过“谁能更快生成一个结合分子”的阶段，真正拉开距离的是谁能建立一套让模型在生物真实反馈中迭代进化的系统。Aureka用开源模型OpenDDE占住了技术声望，用闭环基础设施讲了一个数据护城河的故事，再用战略投资者的隐名参与留下了想象空间。但闭环的飞轮目前更多还是一张设计蓝图——在结构预测这类低噪音任务上，闭环的优势可能迅速显现；但在抗体功能优化的高维复杂场景中，模型的学习曲线是否能保持陡峭，仍是整个行业都未曾回答的问题。从演示级的迭代验证走向规模化、可复制的抗体开发流水线，还需要管线数据和商业条款的双重验证。如果这套架构真的能在复杂性阶梯上逐级跑通，它定义的将不止是Aureka一家公司的估值，而是整个AI原生药物发现的标准基础设施形态。
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。