药物发现领域存在一个被反复引用的矛盾：行业每年投入近3000亿美元研发，但单药从靶点到获批仍常以十年计。过去几年，AI制药公司试图用更好的算法压缩这一过程，却普遍撞上同一堵墙——高质量、干预性、时间分辨的细胞扰动数据并不存在。公开数据库里有的多是静态快照，记录的是关联而非因果；实验室仪器也并非为大规模捕获“细胞如何随时间响应药物”而设计。于是，模型层快速膨胀，数据层始终是短板。

2026年10月7日，一家成立仅一年多的巴黎公司Rivercell宣布完成2500万美元种子轮，试图从数据端而非模型端切入。公司称，其自研数据生成平台与自动化湿实验室将产出干预性、时间分辨、多模态单细胞数据，并以此训练“AI虚拟细胞”（AIVC）世界模型，在计算机中预测人类细胞对药物或基因变化的反应。领投方为HV，HCVC、Alven与Bpifrance Digital Venture参投。公司称，本轮资金将用于扩大自研数据生成平台、扩建巴黎湿实验室并启动AI Virtual Cell项目。

这轮融资的特殊之处不在于金额，而在于其前提：一家种子轮公司把“自建数据基础设施”作为核心叙事，而不是调用已有数据集训练模型。这既是Rivercell区别于多数AI药物发现公司的起点，也是其最大的资本开支与验证风险所在。公司于2025年夏由CEO Yann Fleureau创立，Eric Durand于2026年以联合创始人兼首席科学官身份加入。Rivercell总部位于法国巴黎，官网为rivercell.ai。本轮融资约合2200万欧元，公司未披露估值或模型时间表。

字段 内容
公司 Rivercell
轮次 种子轮
金额 2500万美元（约2200万欧元）
投资方 HV（领投）、HCVC、Alven、Bpifrance Digital Venture
总部 法国巴黎
创始人 Yann Fleureau（联合创始人、CEO）；Eric Durand（联合创始人、首席科学官，2026年加入）
官网 https://www.rivercell.ai/

AlphaFold的成功路径在细胞层面走不通，Rivercell把数据缺口变成公司定义

AlphaFold之所以能成为AI生物学的一个里程碑，部分原因在于它站在数十年积累的公开蛋白质结构数据之上。但细胞对药物和基因扰动的响应，没有可比的现成数据集。据daily.dev报道，现有细胞数据大多记录的是关联而非经过测试的干预，且通常只在单一时刻测量细胞的某一方面，覆盖的细胞类型也过少。Rivercell的回应是：不等待公共数据成熟，而是自己造数据。

公司称，其专有平台产出的是“干预性、时间分辨、多模态单细胞数据”。这三个限定词分别对应现有数据的三个主要缺陷：缺乏因果干预、缺乏时间序列、缺乏多维度同时测量。公司进一步称，现有实验室仪器并非为此应用设计，因此需要自研专用平台。公司将该平台描述为未来“生物数据中心的GPU”。这是一个有野心的类比，但GPU之所以成立，是因为它定义了计算负载的标准接口；而Rivercell的平台能否成为生物数据生产的标准接口，目前尚无独立第三方验证。

从数据策略看，Rivercell的切入方式与AlphaFold形成镜像。AlphaFold依赖的是已经存在、只是需要更好算法去解析的静态结构数据；Rivercell则必须先生成一种此前并不存在的数据类型，再训练模型。这意味着它的技术风险被拆成两段：数据生产是否可行，以及模型训练是否有效。任何一段失败，整个公司定义都会动摇。公司未披露其数据生成平台的具体技术路线，也未披露该平台与现有单细胞测序、高内涵成像或自动移液系统之间的差异程度，因此外界目前只能依据公司口径理解其“自研”边界。

两位创始人的履历分别覆盖了数据生产与模型训练，但“全栈”意味着双重资本开支

Rivercell的创始组合在纸面上高度互补。CEO Yann Fleureau毕业于巴黎综合理工学院与加州大学伯克利分校，曾联合创办AI心脏诊断公司Cardiologs。据公司披露，Cardiologs在2021年被飞利浦以九位数金额收购。他还联合创办了非营利组织Numina，开发用于数学和物理前沿推理的AI。CSO Eric Durand则于2026年加入，此前在诺华担任肿瘤学数据科学总监七年，据公司披露支持过数百个药物项目；之后在Owkin任首席数据科学官，将AI团队从20人扩展至100多名工程师，并联合创办了生物学基础模型公司Bioptimus，据公司披露该公司融资7600万美元。

HV Principal Maxi Pethö-Schramm在投资方声明中称：“下一个前沿是预测细胞如何行为，这需要一种全栈方法，把新型平台、自动化湿实验室和世界模型结合起来。Yann和Eric正好带来这种组合的专业能力，加上Rivercell同时立足巴黎AI生态与巴塞尔制药集群，使其具备独特的领导地位。”这是投资方的判断，而非已验证事实。从已披露的履历看，Fleureau的强项在AI产品化与商业化退出，Durand的强项在制药数据科学与团队建设；但两人此前都没有直接运营过大规模自动化湿实验室。Rivercell的全栈路径意味着它要同时承担数据生产基础设施与模型训练的资本开支，这在种子轮阶段并不常见。

更具体地说，Fleureau在Cardiologs的经历更接近“用已有临床数据训练诊断模型”，而Rivercell要求的是“先造仪器、再产数据、后训模型”。Durand在诺华和Owkin的经验集中在如何组织数据科学团队、如何把AI嵌入药物研发流程，但Owkin的数据策略仍以联邦学习和合作医院数据为主，并非自建湿实验室。因此，两位创始人的履历虽然覆盖了Rivercell叙事中的两个关键词——AI与药物数据科学——却未必直接覆盖其最重的执行环节：自动化湿实验室的工程化运营。这一缺口可能由未披露的团队成员填补，也可能成为后续执行中的关键变量。

“世界模型”不是单一疾病模型，横向定位扩大了潜在市场，也模糊了首个验证场景

Rivercell称其平台是“横向、不依赖特定适应症的发现引擎”，可应用于肿瘤、免疫、罕见病与心血管代谢疾病。公司解释，AIVC学习的是人类细胞对药物和基因变化响应的底层规则，而非单一疾病的特征。这一设计逻辑与基础模型的思路一致：先学习通用表征，再适配具体任务。

但横向定位在商业化早期是一把双刃剑。它避免了被单一适应症的临床失败风险锁死，但也意味着公司没有一个明确的、可优先验证的疾病场景。在药物发现领域，平台公司常面临“什么都能做，但什么都还没做成”的质疑。Rivercell未披露首个合作靶点、首个适应症或任何客户信息。从已披露信息看，公司尚处于构建数据与模型基础设施的阶段，距离证明其平台能在具体药物项目中产生优于现有方法的命中物或先导化合物，还有相当距离。

横向定位还带来一个隐含问题：AIVC的预测对象是“人类细胞对药物或基因变化的反应”，这是一个极其宽泛的生物学空间。细胞类型、组织微环境、药物浓度、暴露时间、基因背景等因素都会影响响应结果。一个不依赖适应症的模型，意味着它必须在极多样化的条件下保持预测稳定性，这比针对单一疾病通路的模型更难验证。公司未披露AIVC的训练数据规模、细胞类型覆盖范围或预测输出的具体形式，因此外界无法判断其“通用细胞规则”的边界在哪里。如果AIVC最终只能在少数细胞系上表现良好，其横向定位可能被市场重新理解为“尚未聚焦”。

与Relation、Chai Discovery、Anew Labs并列，但竞争实质是数据策略之争

在AI药物发现领域，Rivercell被daily.dev与Relation、Chai Discovery、字节跳动Anew Labs并列提及。但这几家的数据策略并不相同。Relation据公开报道与GSK有合作，其路径更接近与大型药企绑定、在特定疾病领域内构建数据与模型闭环；Chai Discovery更侧重于分子层面的AI模型；Anew Labs则背靠字节跳动的算力与工程资源。Rivercell的差异在于，它把自建湿实验室和数据生成平台放在最前面，模型训练依赖自有数据。

这意味着Rivercell的竞争壁垒如果成立，将来自数据资产的独占性与数据生产成本的持续下降；如果失败，则可能陷入“自建数据太贵、外部数据不够”的中间地带。公司未披露其数据生成平台的通量、单次实验成本、数据标准化程度或与现有单细胞测序技术的成本对比。这些指标是判断其数据引擎能否真正规模化的关键，目前均未披露。

从竞争维度看，Relation与药企绑定的策略可能更快获得收入，但也可能被特定合作方的需求牵引，削弱平台通用性；Chai Discovery的分子模型策略资本开支较低，但无法直接回答细胞层面的响应问题；Anew Labs的算力优势可能加速模型训练，但其数据来源策略未在本次报道中披露。Rivercell选择了一条资本最重、周期最长的路。它的赌注是：一旦自有数据资产形成规模，竞争对手将难以在同等数据质量上追赶。但这个赌注的前提是数据生产成本必须可控，而这一点目前没有任何公开证据支持。

2500万美元种子轮的结构值得注意：欧洲公共资本与跨境药企集群的叠加

本轮投资方组合包含HV、HCVC、Alven与Bpifrance Digital Venture。其中Bpifrance Digital Venture是法国公共投资银行Bpifrance旗下的数字风险投资部门，其参与意味着法国公共资本对Rivercell数据基础设施叙事的背书。HV的Pethö-Schramm在声明中特别提到Rivercell“同时立足巴黎AI生态与巴塞尔制药集群”，这指向一种跨境资源整合逻辑：巴黎提供AI工程人才，巴塞尔提供制药产业验证场景。

CEO Fleureau在公告中称：“在欧洲建设这个数据引擎具有战略意义，不仅对Rivercell，对欧洲在AI与生物学领域的地位也是如此。”这一表述将公司目标与欧洲技术主权叙事绑定，有助于在公共资本与政策层面获得支持。但地缘叙事不能替代商业验证。公司未披露估值、董事会构成或投资方获得的具体条款，因此无法判断本轮资本结构对创始团队控制权与后续融资节奏的影响。

从欧洲AI制药生态看，Rivercell的融资结构可能反映了一种更广泛的资源错配焦虑：欧洲在AI基础研究和制药产业上都有积累，但在大规模数据基础设施上长期依赖美国或亚洲的测序与云服务能力。Bpifrance的参与可能意味着法国希望在本土保留一条从数据生产到模型训练的完整链路。不过，公共资本的背书也可能带来额外的期望约束，例如就业、本地供应链或数据主权要求，这些约束是否会与公司快速迭代的需求冲突，目前未披露。

资金用途集中在数据生产，但模型时间表与验证路径仍是一片空白

公司明确披露的资金用途有三项：扩大自研数据生成平台规模、扩建巴黎湿实验室、启动AI Virtual Cell项目。前两项都是数据生产端的投入，第三项是模型训练计划。公司未披露模型时间表，也未披露任何性能基准或验证指标。这意味着外界无法判断AIVC模型何时能达到可对外展示的预测能力，也无法判断其预测结果将以何种方式与真实湿实验对照。

科学顾问委员会成员、EPFL分子医学人工智能助理教授Charlotte Bunne博士在公告中称：“AI虚拟细胞将改变我们理解和工程化生物学的方式。Rivercell将大规模扰动实验与AI模拟结合的雄心，是我加入其科学顾问委员会的原因。”Helmholtz Munich计算健康中心主任Fabian Theis教授则称：“理解细胞如何随时间而非快照式地响应扰动，是生物学中最大的开放问题之一。Rivercell正在以匹配的规模同时处理数据和AI模型。”这是科学顾问的判断，代表了学术层面对该方向的认可，但不构成对Rivercell具体技术能力的验证。

值得注意的是，Theis的完整头衔还包括Helmholtz AI科学总监与慕尼黑工业大学生物系统数学建模教授，这使他的认可在计算生物学领域具有较高权重。但学术顾问的角色通常是方向性指导，而非对数据生产质量或模型预测精度的背书。Rivercell未披露科学顾问委员会的具体职责、报酬或决策权限，因此外界无法判断这些学术背书在多大程度上会转化为可验证的技术里程碑。

最大的风险不是模型不work，而是数据引擎的成本曲线与生物学复杂性

Rivercell的核心假设可以拆解为三步：第一，大规模、干预性、时间分辨、多模态单细胞数据是训练细胞世界模型的必要条件；第二，自研平台能以可扩展的成本生产这类数据；第三，基于这些数据训练的世界模型能产生优于现有方法的预测能力。第一步在学术层面有较广泛共识，Theis与Bunne的表述也支持这一点。第二步与第三步则完全取决于执行。

从已披露信息看，Rivercell尚未公布任何关于数据生产成本、通量或质量的数字。自动化湿实验室的资本开支与运营复杂度远高于纯软件公司，而单细胞多模态数据的标准化、批次效应校正与跨实验可比性，本身就是尚未完全解决的生物学工程问题。公司称其平台是“生物数据中心的GPU”，但GPU的类比隐含了一个前提：存在一个标准化的、可大规模并行的计算任务。细胞扰动实验是否具备这种标准化潜力，目前尚无答案。

另一个待验证假设是：即使Rivercell成功生产出大规模数据，AIVC模型能否真正减少湿实验需求。公司称AIVC“在计算机中预测人类细胞对药物或基因变化的反应，显著减少对物理湿实验的整体需求”。这是公司口径，尚无独立第三方验证。世界模型在物理模拟、视频生成等领域已有进展，但生物学系统的状态空间、噪声水平与干预响应的异质性，使得“在硅片上预测细胞行为”的难度可能高于公司目前公开表述所暗示的程度。

从资本角度看，2500万美元种子轮对一家需要自建湿实验室、自研数据平台并训练世界模型的公司而言，并不宽裕。如果数据引擎的成本曲线不能在后续融资前显著下降，Rivercell可能面临“数据没造够、模型没训好、钱已花完”的阶段性风险。公司未披露后续融资计划或里程碑，因此无法判断其资金跑道长度。

还有一个更隐蔽的风险在于数据资产的可复用性。Rivercell的叙事建立在“自有数据是护城河”之上，但如果其数据生产平台无法持续产出比公共数据更高质量的扰动数据，或者产出的数据只对AIVC模型有用、无法转化为药企愿意付费的洞察，那么数据资产的价值可能被高估。公司未披露任何与药企的付费合作或数据授权意向，因此其商业闭环目前仍停留在假设阶段。

Rivercell的叙事之所以值得关注，不在于它宣称要造一个AI细胞模型，而在于它把数据生产从幕后推到了台前，并以此作为公司存在的理由。这在AI药物发现领域构成一种反向策略：多数公司先有模型再找数据，Rivercell先造数据再训模型。如果成功，它可能定义一种新的生物数据基础设施范式；如果失败，它将成为一个关于“数据饥渴”与“资本密集”如何同时压垮一家种子轮公司的案例。目前，所有判断都还停留在创始团队履历、投资方声明与科学顾问的学术认可层面，真正的验证要等到Rivercell公布其数据生产指标与模型预测能力的那一天。

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：Rivercell把AI制药的叙事从“更好的模型”扭转到“更好的数据”，但数据引擎的代价是湿实验室、自动化设备与时间。2500万美元种子轮买下的不是一张模型入场券，而是一场关于数据生产成本与生物学复杂性的长跑。在它拿出可复核的数据通量与模型基准之前，Rivercell仍是一家用资本开支换数据资产的实验性公司，而非已被验证的药物发现平台。

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。