Atinary Technologies获布鲁克战略投资：自驾驶实验室能否破解科学发现的参数难题？

在药物发现最耗时的流程里，化学家们面对的是一道现代炼金术难题。一个看似简单的碳-氮偶联反应，可能涉及数十种催化剂、配体，再交叉搭配碱、溶剂和温度梯度，参数组合瞬间膨胀到上千甚至上百万种。用传统的一次一因素法（OFAT）或实验设计法（DOE）去穷举，不仅费时数年，而且往往与全局最优解擦肩而过。麻省理工学院的 Stephen Buchwald 教授对此深有体会：“交叉偶联反应对制药工业的发现和制造产生了巨大影响，但这项化学的潜能远未被充分挖掘。”他所指的，正是那种高维参数空间对人类的天然敌意——当变量多到无法靠经验和直觉导航，科学发现的效率就会陷入瓶颈。

一家从瑞士洛桑生长出来的公司 Atinary Technologies 试图改写这一叙事。早在 2017 年，其创始团队就提出了 “Self-Driving Labs”（自驾驶实验室）这一概念，将 AI 代理、机器学习算法与机器人硬件拧成一股闭环飞轮：实验设计、自动化执行、在线分析、数据学习，再驱动下一轮实验。按照公司的说法，这套无代码平台 SDLabs 能够把研发速度提升 5 到 100 倍，成本大幅压缩。制药巨头武田药品、香精香料公司芬美意和自动化集成商 JAG Group 等都已进入其客户名单。

现在，这一梦想获得了来自科学仪器世界的关键押注。2026 年 8 月 11 日，纳斯达克上市公司布鲁克（Bruker Corporation）宣布对 Atinary 进行少数股权投资，并扩大双方的现有战略合作。布鲁克没有披露具体的投资金额，但明确表示将帮助 Atinary 把布鲁克的分析仪器、Chemspeed 自动化平台和 SciY 科学软件，更深地嵌入 SDLabs 的闭环实验工作流中。交易公布后，Atinary 的融资与资本结构被推到了聚光灯下。

自驾驶实验室的“摩尔定律”：从 2017 的概念到布鲁克的硬件加持

“自驾驶实验”这个术语本身就是 Atinary 的创始人于 2017 年铸造的，远比大型语言模型引爆公众认知要早。公司 CEO Hermann Tribukait 将公司的使命描述为“用 AI 和机器人增强人类，以指数级加速科学发现，应对关键的地球挑战”。其核心设想，是让每一次实验都不再孤立——数据自动反馈给模型，模型提醒下一组最有希望的参数，机器人立刻执行，如此反复，形成一个研发飞轮。这个想法在理论上的诱惑力显而易见：如果信息能够像集成电路上晶体管那样持续叠加，科学发现或许也能迎来自己的摩尔定律。

然而，任何一个闭环飞轮要想真正转起来，必须同时在 AI 决策、机器人执行和化学分析三个维度拥有可靠的硬件与软件。这正是布鲁克入场的缘由。布鲁克不仅带来了傅里叶 80 NMR 等桌面核磁共振分析仪器，还通过旗下 Chemspeed 部门提供可配置的自动化平台，包括液体和固体试剂投加、催化剂添加、反应执行、带过滤的采样等模块。在此次投资后，布鲁克旗下 Chemspeed 部门总裁 Bernd Gleixner 直言：“我们对 Atinary 的战略投资推进了布鲁克的目标，即把差异化的分析技术与实验室自动化、科学软件和 AI 引导的实验结合起来。”二者在瑞士巴塞尔建立了一个联合演示实验室，向潜在客户展示小分子合成与催化中的应用闭环。

“无代码”的 AI 代理，如何驾驭多维参数迷宫

SDLabs 平台的一个关键卖点是“无代码”。Atinary 在官网上无数次强调，科学家不需要任何编程、机器学习或数据科学的背景，靠浏览器就能在不到两小时内部署 AI 驱动的工作流。平台底层采用的是贝叶斯优化（Bayesian Optimization）等多目标机器学习引擎，允许研究人员同时优化产率、选择性、成本和可持续性等多个相互竞争的指标。一位来自某大型制药公司的客户在官网案例中称：“以前需要近两天才能完成的工作，用 SDLabs 只需要十几分钟。”

Atinary 与武田制药的合作公开数据提供了一些更具体的数字。在一次发布会上，公司宣称使用了 SDLabs 后，一个原本已经经过优化的反应过程在三个月内产率提高了 18%，成本下降了 22%。另一个更惊人的案例是，仅通过三轮迭代就将产率从 50% 提升到了 90%。而在与芬美意的合作中，Atinary 的算法帮助团队将催化剂用量减少到了原来的三十分之一，并降低了成本贡献。这些数字如果都能在工业化条件下重现，无疑会改变制药过程研发的节奏。但需要注意的是，这些案例多数来自公司官网和新闻稿中的客户引语，其统计口径和基线并未被独立审计。

麻省理工学院的 Buchwald 教授则提供了另一层学术背书。作为 Atinary 的科学顾问，他认为生成严格、可复现的、经过实验室验证的数据集，是推动 C-N 偶联等潜力未充分挖掘化学的关键。他的实验室正在与 Atinary 团队合作，用后者的方法解决有意义的科学挑战。这一合作显示的信号是：平台不仅适用于工业优化，也有望拓展基础科学新发现的边界。

波士顿“数据工厂”与巴塞尔联合实验室：闭环流水线的两种样本

Atinary 并不甘于只做一家 SaaS 软件公司。2026 年初，该公司在波士顿开设了自己的自驾驶实验室，定位为“科学数据工厂”。这个实验室整合了 Chemspeed 的机器人平台、布鲁克的桌面 NMR，以及 ABB 的机器臂、安捷伦的分析设备等，专注于小分子合成和催化反应在制药 R&D 与工艺开发中的场景。在公司的描述里，这是一个向客户展示 AI、自动化和机器人协同作用的示范中心，同时也能直接为客户产生实验数据。

几乎同一时间，位于瑞士巴塞尔 Chemspeed 总部的联合演示实验室也投入运营。与前一个实验室不同，巴塞尔的模式更强调仪器制造商与 AI 平台的深度集成，客户可以亲眼看到布鲁克的分析硬件如何被 SDLabs 调用，作为设计-制造-测试-分析-学习工作流的一环。这两座实验室构成了 Atinary 商业落地的两个支点：美国实验室直接瞄准波士顿/剑桥这个世界最大生物制药创新区，而欧洲实验室则与仪器合作伙伴紧密绑定。

这种双重结构隐含了 Atinary 的商业模式线索：它既可能在自家“数据工厂”里为客户执行研发项目，收取实验即服务（Experiment-as-a-Service）费用，也可能将 SDLabs 作为软件授权给客户，让其在自己实验室里与任何兼容的硬件集成。公司至今没有披露确切的定价方式和收入构成，但官网提到的“无缝集成机器人硬件”和“API 和 SDK 接入”表明，它试图扮演一个连接不同品牌设备的中间件角色，而不仅仅是一个带品牌忠诚度的封闭系统。

武田的收率从 50% 到 90%——客户故事背后的平台经济

在 Atinary 的官网上，客户溢美之词占据了重要篇幅，从中可以拼凑出一幅平台经济画像。武田制药的发言被引述为“将利用 Atinary 领先的 AI 自驾驶实验室技术，结合自身在研发和药物发现上的专业知识，旨在建立更稳健高效的药物开发流程，最终造福患者”。这暗示武田与 Atinary 的合作很有可能是战略层面的大客户定制，而非简单的按月订阅。另一家客户 JAG Group 的现场总监则称，两家公司提供的交钥匙方案“融合了机器人、自动化和人工智能的专业知识”，为“未来的智能工厂和未来实验室”奠定基础。

如果拆解这些故事，Atinary 似乎在走一条大客户深度绑定、用小样本快速验证、再逐步横向复制的路径。药品和精细化工的研发流程高度复杂，决策链条长，新平台要获得进入权限并不容易。但一旦拿下武田、芬美意这样的标杆客户，后续的续约与扩展便可能产生类似平台 SaaS 的粘性。根据官网透露的信息，芬美意当时正处在“将关键成分推向工业化的过程优化”阶段，这恰好是 SDLabs 声称的最擅长领域：在已有基础配方的附近搜索，找到更优的工艺条件。

但硬币的另一面是，这些客户关系的可持续性，在很大程度上取决于 AI 模型能否在长期运行中持续提供稳定增量。许多化学反应的优化早期回报显著，随着参数空间被逐步探索，边际改进会迅速收窄。Atinary 能否从短期优化项目切到客户持续的内部研发基础设施预算中，目前仍无公开数据可以验证。

一家仪器巨头为什么要买下 AI 的船票？

布鲁克的投资逻辑，与科学仪器行业正在经历的“产品+平台+AI 服务”的范式迁移密不可分。布鲁克长期在核磁共振、质谱等高精度分析仪器领域占有重要位置，但随着实验室自动化和 AI 引导实验的崛起，单纯卖仪器已不足以锁定客户。客户越来越希望看到的是，购买的分析硬件能够无缝融入一个智能化工作流，让数据自动采集、自动解析、自动产生下一个实验指令。布鲁克旗下的 Chemspeed 自动化部门和 SciY 软件恰好提供了硬件和数字化层，但缺的正是能够把这三者编织成闭环的 AI 大脑。

Atinary 恰好补上了这一块。通过少数股权投资而非收购，布鲁克既获得了优先集成和合作的话语权，又保持了 Atinary 作为独立平台的灵活度。这个架构在行业中并不罕见：分析仪器巨头赛默飞、丹纳赫等也曾以战略投资或合作的方式拉拢软件和自动化初创公司。然而，Atinary 现有的生态系统合作伙伴中包括安捷伦、ABB 和 AWS，布鲁克的深度介入可能会带来微妙的合作张力。如果未来 SDLabs 的某些功能优先适配 Chemspeed 机器人或傅里叶 NMR，其他硬件供应商的客户可能会考虑是否改用竞品，或者放弃 Atinary 转而寻求开源方案。

这场谋局更深远的一步，是数据。闭环自驾驶实验室每运行一次，就产生一套带人类标记的高质量实验数据。对于训练下一代化学 AI 模型而言，这类实验验证数据比计算化学模拟值金贵得多。布鲁克通过 Atinary 接触到的，不只是一个软件订阅流水，还有源源不断的实验数据产权分享机会。这一点在公告中没有提及，却是理解交易为何会在 2026 年落地的关键注脚——全球 AI 制药和材料研发的融资热潮正在退温，机构开始要求看到可复现的实际数据，而非 PowerPoint 上的建模曲线。

从 500 万种子轮到少数股权：资本路径与待验证的商业假设

翻开 Atinary 的融资历史，会发现这家公司此前颇为低调。根据公开信息，2023 年 Atinary 曾获得一笔由农业与食品科技风投 AgFunder 领投的 500 万美元种子轮融资，当时公司还深度绑定农业和食品领域的材料研发场景。此后，它接连签下武田、芬美意等跨行业的标杆客户，并逐步将总部从瑞士迁至美国加州门洛帕克，在波士顿开辟第二战场。在宣布布鲁克投资的官方语言中，公司称自己拥有“垂直整合的技术栈”，并提供平台与“实验室验证的数据集”。

从种子轮到引入上市公司战略投资者，Atinary 的估值和交易结构都未向外界公开。我们能确认的是，布鲁克拿到的是少数股权，而非控股权。这通常意味着 Atinary 依然希望在运营和产品路线上保持独立，未来有机会向 IPO 或更大的并购事件奔跑。但资金的具体用途——是继续建设波士顿的“数据工厂”，还是扩充团队、打造大客户成功体系——公司同样没有披露。唯一明确的是，与布鲁克的合作将“延伸至更多分析解决方案和客户应用”。

与此同时，几个关键的商业化假设仍悬在空中。首先是“5 到 100 倍加速”的实际衡量基准。大多数企业的真实研发过程并非单纯由实验速度决定，还包括法规、供应链、安全评估等慢变量。除非 AI 优化能同时压扁这些并行环节，否则所谓的百倍加速，可能只适用于实验室筛选这一个维度。其次是人才和组织惯性。无代码界面降低了门槛，但要让整支研发团队改变几十年的决策习惯，将实验设计权交予 AI，需要远比两个小时上手更长的时间。平台上“两天工作在十几分钟内完成”的客户反馈固然激动人心，但它仍属于早期尝鲜者的声音，距离大规模、组织级的采纳还有距离。

风险：平台独立性、集成复杂性与科学复现性的三道门槛

Atinary 现在踩在一条危险的平衡木上。为了获得最先进的硬件，它需要与布鲁克深度耦合；为了保持平台的吸引力，它又必须继续兼容安捷伦、赛默飞等其他品牌的分析设备和机器人。一旦布鲁克战略投资者的身份被理解为“优先权”，其他硬件厂商可能在合作中变得保守，甚至推出自己的 AI 工作流平台与之竞争。对于一家将“无缝集成”标榜为关键卖点的创业公司来说，生态碎片化是最不想看到的局面。

其次，实验室自动化本身的集成复杂度远超软件世界。每一个化学反应都有自己的物理限制——某些试剂需要严格的无水无氧环境，固体加料容易堵塞管线，在线取样的代表性问题长期无解。SDLabs 虽然在新闻稿中展示了与 Chemspeed 机器人闭环运行多种反应的示意图，但要包覆制药工业里成百上千的实际反应类型，系统集成和维护成本会指数级上升。Atinary 是否能从每个项目里获得足够利润来覆盖这些成本，现阶段只能用“有待观察”来回答。

最后，也是自驾驶实验领域最高的一道坎：科学复现性。AI 发现的最优条件，是否真的可以在不同实验室、不同批次、不同地区的条件下复现？Atinary 的客户名单中已经有数家对外宣传的合作案例，但其数据全都未经同行评审，且大部分来自公司自行运营或共同运营的演示实验室。对于制药行业而言，只有在监管机构存档级别上得到验证的数据，才算真正的价值交付。在走到那一步之前，SDLabs 提供的更多是一种生产力愿景，而非制度化可量化的质量保证。

RecodeX 极客视：自驾驶实验室的梦想正在从概念验证快速走向产业 R&D 的日常，但其胜负手已不是“AI 能否设计实验”，而是“AI 设计的实验能否在供应链、监管和商业化的压力测试中存活”。布鲁克的少数股权为 Atinary 提供了硬件锚点和数据壁垒，却也把推至一个更大的博弈场——它必须在忠于“开放性平台”叙事的同时，管理好深度绑定的仪器巨头及其竞争对手的预期。实验室与工厂之间那条鸿沟，才是这场科学发现形态跃迁的真正考场。