2026年8月，一家瑞士生物技术公司公布了一组让AI蛋白质设计圈既兴奋又不安的数字：据公司披露，Anthropic的Claude Science模型在16个靶点上设计了1320条蛋白质序列，其中95%成功表达，354条真正结合了目标，平均命中率26.8%。这一结果来自Adaptyv自己运行的基准测试，测试靶点来自Adaptyv自己的公开设计竞赛，实验条件、成功标准和靶点选择均由Adaptyv控制。如果放在两年前，这个结果几乎不可想象。但真正的问题藏在数字背后——这些序列之所以能被快速验证，不是因为AI模型突然学会了做实验，而是因为一家位于洛桑的初创公司把湿实验室改造成了AI可以直接调用的基础设施。

这家公司叫Adaptyv。它刚刚完成4000万美元A轮融资，由Highland Europe领投，既有投资方ACE Ventures、byFounders和Y Combinator追加投资。Adaptyv做的事情听起来并不性感：DNA合成、无细胞表达、表面等离子共振结合测量、质量控制。但正是这些“不性感”的环节，正在成为AI驱动蛋白质设计从论文走向药物的关键卡点。

AI让蛋白质设计变得容易了。一个团队一个下午就能为一个靶点生成数千条候选序列。但要知道这些序列是否真的有效，仍然需要湿实验室。而大多数湿实验室是为“每个靶点测试20条序列”的时代建造的，不是为“每个靶点测试2000条序列”的时代准备的。Adaptyv试图用自动化弥合这个缺口。

字段 内容
公司 Adaptyv（Adaptyv Bio / Adaptyv Biosystems）
轮次 A轮
金额 4000万美元（约3435万欧元）
投资方 Highland Europe领投；ACE Ventures、byFounders、Y Combinator追加投资
总部 瑞士洛桑
创始人 Julian Englert、Daniel Nakhaee-Zadeh Gutierrez
官网 https://www.adaptyvbio.com/

一条数字序列进去，一组结合数据出来：Adaptyv把湿实验做成了API

Adaptyv的产品逻辑并不复杂，但执行难度极高。据公司披露，其平台接收的是一条数字化的蛋白质序列，输出的则是真实的实验数据：DNA在公司内部合成，蛋白质通过无细胞体系表达，结合力用表面等离子共振测量，整个过程带有质量控制。客户可以通过网页平台提交设计，也可以直接通过API让AI智能体自行下单实验。

这个“API化”的动作，是Adaptyv与传统合同研究组织最本质的区别。传统CRO的客户是人——科学家填写表单、发送邮件、等待报价、协调物流。Adaptyv的客户可以是AI模型本身。据投资方ACE Ventures披露，Adaptyv的公开API已经与Boltz、Chai、Cradle、Tamarind、Latent Labs和Benchling集成。这意味着一个AI模型可以在生成候选序列后，直接调用Adaptyv的实验室资源进行物理验证，拿到结果后继续迭代，无需人类科学家在中间充当“翻译层”。

从已披露的客户名单看，这个定位正在被市场接受。据公司披露，其客户包括Chai Discovery、Boltz、Roche、Novo Nordisk和Google DeepMind。据公司披露，超过100家客户覆盖了前沿AI实验室、大型制药公司和AI原生药物发现初创企业。其中，Roche和Novo Nordisk据投资方ACE Ventures披露使用Adaptyv后治疗性设计周期比内部管线快约4倍。

Anthropic基准测试的含金量：26.8%命中率背后，验证瓶颈才是真问题

Adaptyv与Anthropic的合作是这轮融资中最具传播力的故事。据EU-Startups报道，Adaptyv从其公开设计竞赛中选取了16个靶点，发送给Claude Science进行蛋白质设计，随后在Adaptyv的自动化实验室中对生成的序列进行匿名化测试。Adaptyv声称不知道哪条序列来自哪个模型。据公司披露，结果是：1320条设计中95%成功表达，354条结合目标，平均命中率26.8%。只有一个靶点零命中。与Adaptyv此前举办的Protein Design Competitions结果相比，据公司称Claude的设计命中率明显更高，在6个靶点中有5个会胜出。

这个案例的真正价值不在于证明Claude有多强，而在于它展示了一个此前不存在的闭环：AI模型设计蛋白质，自动化实验室完成物理验证，结果以数据形式返回，模型可以据此迭代。据投资方ACE Ventures的描述，这仍然是一个“开环实验”——Claude设计，Adaptyv测试，结果公开发布。下一步是闭合这个循环：智能体提出一批设计，接收真实数据，从失败中学习，自主选择下一批。当这个循环连续运行时，生物学进展的瓶颈就不再是人手，而是实验室吞吐量。

但这里有一个需要冷静看待的细节。26.8%的命中率来自Adaptyv自己运行的基准测试，测试靶点来自Adaptyv自己的公开设计竞赛。这意味着靶点的选择、实验条件的设定、成功标准的定义都由Adaptyv控制。这不是说结果不可信，而是说它更接近“厂商基准测试”而非“独立第三方评测”。据投资方ACE Ventures披露，Google DeepMind也在Adaptyv上运行类似的验证循环，Chai Discovery用它验证了Chai-2零样本抗体发布。

从9人到25人，收入增长10倍：一家“反AI叙事”的AI公司

Adaptyv的成长轨迹与大多数AI初创公司形成鲜明对比。大多数AI公司卖的是软件、模型或智能体服务，边际成本接近零，规模效应来自算力和数据。Adaptyv卖的是物理实验服务，边际成本来自试剂、仪器、实验室空间和操作人员。它的增长需要实实在在的资本开支和人员扩张。

据EU-Startups报道，Adaptyv的团队从2024年11月种子轮时的9人增长到25人。据公司披露，收入自种子轮以来增长约10倍。据公司披露，实验室吞吐量在过去一年增长超过5倍。公司还将DNA合成从外包转为内部完成，并推出了Proteinbase竞赛平台，据公司披露，该平台吸引了680名参与者和10000条蛋白质设计。

从资本结构看，这轮融资的参与方构成值得注意。Highland Europe是一家以企业软件和消费互联网投资见长的欧洲基金，领投一家需要大量硬件投入的生物技术基础设施公司，说明投资逻辑正在从“AI模型层”向“AI的物理执行层”迁移。ACE Ventures在2024年11月领投了Adaptyv的800万美元种子轮，这次选择追加投资。byFounders和Y Combinator的参与则延续了早期投资人的支持。从已披露信息看，本轮没有新的生物技术专业基金参与，这可能是Adaptyv未来需要补强的资本结构短板。这一判断属于编辑分析，基于本轮投资方名单与公开投资背景的比对。

“生物超级工厂”的野望：从结合测量到细胞功能验证的垂直跃迁

Adaptyv的创始人将公司的终点描述为“生物超级工厂”——拥有足够的自动化实验能力，让AI从物理现实学习的速度赶上它从文本学习的速度。这个愿景的路径分为两个方向。

水平方向是复制产能。据公司披露，一旦某个工作流程实现自动化，Adaptyv就可以复制整个工作单元：相同的协议、相同的软件、更高的吞吐量。据公司披露，公司计划到2026年底将实验室产能提高约3倍，并在2027年继续增长。该计划来自公司，尚未实现。据公司披露，团队将从25人扩展到约60人，重点招聘生产、自动化和软件人员。据公司披露，伦敦的新办公室和实验室计划于2026年第四季度开放。

垂直方向是进入更难的生物学问题。结合测量是起点，据投资方ACE Ventures估计，这个市场每年价值数亿美元。往上是可开发性和完整生物物理表征，再往上是肽、抗体偶联药物和降解剂等下一代模态，最终是细胞功能验证。据投资方ACE Ventures的分析，每一层的市场规模都远大于下一层。因为每个新工作流程都接入同一个自动化核心，第五十个工作流程的启动成本理论上应该比第一个更低、更快。但“理论上”是关键限定词——从结合测量到细胞功能验证的跃迁，涉及完全不同的实验体系、细胞培养条件和数据标准化挑战，Adaptyv尚未披露任何细胞功能验证的具体进展。

客户名单里的信号与噪音：谁在为自动化湿实验买单

Adaptyv披露的客户名单包含几个值得拆分的层次。Chai Discovery和Boltz是AI蛋白质设计模型公司，它们需要大量湿实验数据来验证模型预测的准确性。Google DeepMind代表前沿AI实验室对物理验证的需求。Roche和Novo Nordisk代表大型制药公司对加速药物发现管线的需求。Cradle、Tamarind、Latent Labs和Benchling则代表AI原生生物技术工具链上的不同环节。

这个客户结构揭示了一个关键事实：Adaptyv的客户不是传统意义上“外包实验”的制药公司，而是那些已经将AI深度嵌入研发流程的组织。对这些客户而言，Adaptyv的价值不在于“更便宜的实验”，而在于“AI可以直接调用的实验”。这是一个重要的定位差异。传统CRO的竞争维度是价格、质量和交付周期。Adaptyv的竞争维度是API的可用性、数据格式的标准化程度、以及AI智能体能否在不经过人类协调的情况下完成从设计到验证的闭环。

但这也意味着Adaptyv的客户集中度风险可能被低估。据公司披露，超过100家客户听起来不错，但如果收入高度依赖少数几家前沿AI实验室和大型制药公司，任何一家客户的内部策略变化都可能对收入产生重大影响。公司未披露客户集中度数据，也未披露合同期限或复购率。因此，上述客户集中度风险属于编辑分析，基于公司已披露客户名单和未披露集中度指标的信息缺口，而非已证实的事实。

4000万美元能买多少实验室产能：资金用途的硬约束

4000万美元对于一家需要建设物理实验室的公司来说，并不算充裕。Adaptyv计划用这笔钱做三件事：据公司披露，将实验室产能提高约3倍、将团队从25人扩展到约60人、在伦敦开设新办公室和实验室。

做一个粗略的算术。60人的团队，按瑞士和伦敦的生物技术行业薪酬水平，每年的人力成本可能在800万到1200万美元之间。这一估算基于行业平均水平的假设，并非Adaptyv披露的实际薪酬数据，属于编辑估算。验证方法是：待Adaptyv披露实际员工薪酬、设备采购合同或场地租赁协议后，可核验该估算区间。实验室设备的资本开支、试剂消耗、场地租金和运营成本，每年还需要数百万美元。4000万美元的A轮融资，在18到24个月的运营周期内，实际上给Adaptyv留下的战略缓冲空间并不大。这意味着公司需要在2027年底前证明伦敦实验室的产能利用率能够达到盈亏平衡水平，否则下一轮融资将面临更大的压力。上述资金消耗节奏和盈亏平衡时间判断属于编辑分析，基于已披露的融资额、团队扩张计划和行业成本假设。

从已披露信息看，Adaptyv没有公布单位经济性数据：每个实验的平均成本、平均客单价、毛利率、客户获取成本。这些是判断“实验室产能扩张”是否可持续的关键指标。据公司披露，收入增长10倍听起来令人印象深刻，但如果基数很小，绝对收入规模可能仍然有限。公司未披露具体收入数字。

竞争格局的空白：Adaptyv的对手是谁

本次采集材料中没有提到Adaptyv的直接竞争对手。这是一个值得注意的资料边界，不等于行业无竞争。自动化湿实验室并不是一个无人涉足的领域。大型制药公司内部有自动化筛选平台，传统CRO正在投资自动化能力，一些合成生物学公司也在建设高通量实验设施。Adaptyv的差异化在于“AI原生”的定位——从API设计到数据格式都围绕AI智能体的需求构建，而不是在传统CRO流程上叠加自动化。上述竞争格局判断属于编辑分析，基于公开材料中缺乏直接竞争对手信息这一资料边界。

但“AI原生”是否构成可持续的护城河，取决于两个未经验证的假设。第一，AI智能体是否真的会成为实验服务的主要采购方，而不是人类科学家。第二，传统CRO是否无法在合理时间内复制Adaptyv的API化能力。这两点均为编辑推测，目前公开材料中没有直接证据支持或否定。可验证的方法是：观察Adaptyv的API调用量是否持续增长且来自AI智能体的比例上升；同时跟踪传统CRO是否推出类似的AI可调用实验接口。如果传统CRO意识到AI智能体客户的价值，它们拥有现成的实验室网络、客户关系和监管经验，转型的障碍可能比Adaptyv从零开始建设实验室要低。Adaptyv的防守逻辑在于其自动化工作流程的软件层——一旦某个实验流程被标准化为可复制的软件协议，复制产能的边际成本就会下降。但这个逻辑尚未在规模上得到验证。

待验证的假设：从“AI能设计蛋白质”到“AI能发现药物”的距离

Adaptyv的故事建立在一条清晰的因果链上：AI模型生成候选蛋白质的能力正在快速提升，因此需要验证的候选序列数量激增，因此自动化湿实验室的需求将随之增长。这条因果链的前半段有充分证据支持——据公司披露的Claude Science 26.8%命中率、Chai-2的零样本抗体发布、以及AI蛋白质设计领域的整体进展都指向同一个方向。但后半段存在几个关键的不确定性。

第一个不确定性是转化率。AI设计的蛋白质命中率提高，是否意味着进入临床前开发的候选分子数量会成比例增加？还是说，命中率提高反而让团队能够更早地淘汰失败候选，从而减少总体实验需求？这两种效应方向相反，Adaptyv的商业前景取决于哪一种占主导。这一判断属于编辑分析，基于Adaptyv当前以结合测量为核心服务、尚未披露下游转化数据的业务边界。

第二个不确定性是监管路径。Adaptyv目前的核心服务是结合测量。但从结合到成为药物，中间隔着可开发性评估、药代动力学、毒理学、动物实验和临床试验。Adaptyv计划向这些领域垂直扩张，但每一步都需要新的实验能力、新的质量标准和新的监管合规体系。公司未披露在这些领域的任何具体进展。

第三个不确定性是AI智能体的自主性边界。Adaptyv的长期愿景是AI智能体自主设计实验、提交测试、学习迭代。但当前的监管框架和制药行业的合规要求，是否允许AI系统在没有人类监督的情况下做出实验决策？这个问题不仅关乎Adaptyv，也关乎整个AI驱动药物发现领域的合法性基础。

从已披露的X（AI蛋白质设计能力快速提升）和Y（据公司披露，Adaptyv实验室吞吐量增长5倍、收入增长10倍）来看，这意味着自动化湿实验的需求确实在增长，Adaptyv的产品市场契合度正在被验证。但Z——客户集中度、单位经济性、垂直扩张的技术可行性——尚未披露，因此结论的边界是：Adaptyv证明了“AI需要湿实验”这个需求是真实的，但尚未证明“Adaptyv是满足这个需求的最佳长期方案”。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Adaptyv的A轮融资真正的看点不是4000万美元的金额，而是它把“AI的物理执行层”变成了一个可投资的品类。当所有人都在讨论模型层的参数规模和智能体的推理能力时，Adaptyv在解决一个更朴素的问题：AI生成的东西，谁来验证？这个问题的答案曾经是“科学家在实验室里慢慢做”，现在Adaptyv试图把它变成“AI自己调API”。但物理世界不会因为API的优雅而降低复杂性。从结合测量到细胞功能验证，从洛桑到伦敦，从25人到60人，Adaptyv的每一步都在测试同一个假设：自动化能否让湿实验的边际成本下降到足以支撑AI驱动生物学所需的吞吐量。这个假设的验证，需要的不是更多的融资公告，而是更多的实验数据。

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。