在美国中西部的牙科实验室里，每位熟练技师一天能完成的牙科设计件数大致是固定的——夜用护齿、牙冠、牙模，订单源源不断，但人的手和眼终有极限。当订单结构突然从简单修复转向需要复杂咬合重建的多单元桥体，人效可能急剧下降。诊所需求年增，而能立刻上手的技师却常年短缺。牙科实验室几乎始终在“招人—培训—离职—再招人”的循环里消耗利润。有的实验室选择加钱请人，将技师时薪推高到不可持续的水平；有的将工作流外包到海外，但交付时间和质量控制立刻成为新问题，修复体返工率上升，临床端投诉也开始积累。增长的瓶颈不是订单，是人类。
Relu 想用 AI 将这个天花板往上一推。这家总部横跨比利时鲁汶和美国马萨诸塞州波士顿的软件公司，用一套名为 Relu Automate 的平台，自动化掉牙科病例中相当一部分设计和行政流程，目标是把技师从反复的鼠标操作中解放出来，让一个人能处理过去数倍于己的病例量。就在本月，Relu 宣布从老股东 Dental Innovation Alliance（DIA）手里拿到 175 万美元战略投资。看起来额度不算大，特别是相比于许多 AI 医疗公司动辄数千万美元的融资规模，但信号很清晰：在种子轮之后，同一家专注牙科的风投继续押注，想测试一个假设——AI 能不能为美国牙科实验室的技师生产力带来数量级突破。
| 字段 | 内容 |
|---|---|
| 公司 | Relu (Relu.ai) |
| 轮次 | 战略投资 |
| 金额 | $1.75M |
| 投资方 | Dental Innovation Alliance |
| 总部 | 比利时鲁汶；美国马萨诸塞州波士顿 |
| 创始人 | Holger Willems (CEO)、Adriaan Van Gerven (CTO)、Antoine Coppens (COO)、Thomas Beznik (CPO) |
| 官网 | https://www.relu.ai |
| 过往融资 | 种子轮：€2M（投资方包括 DIA 及其他全球牙科投资者） |
| 业务规模 | 每年处理超过 100 万例，覆盖 82 个国家的牙科实验室 |
工科出身的创始团队，从算法视角切入牙科
Relu 由四位工科毕业生 Holger Willems、Adriaan Van Gerven、Antoine Coppens 和 Thomas Beznik 于 2019 年创立，四人分别担任 CEO、CTO、COO 与 CPO。他们对问题的切入角度从一开始就集中在解剖结构的分割精度、模型网格生成效率和自动化流水线，而非椅旁操作手感或医技沟通习惯。Relu 的技术基础是 AI 算法，据公司宣称，能够从扫描数据中自动识别并分离出颌骨、牙齿、颅骨与神经等关键解剖结构，生成三维模型用于数字治疗规划。
这种“工程主导”的基因一方面让产品逻辑非常清晰——把技师从重复性手工作业里剥离出来；另一方面也意味着团队必须通过与下游客户的持续接触来补足产业经验。本轮公告中未披露创始人的上一段职业经历或此前是否有过创业 exit，但其通过 DIA 这样的产业资本嵌入美国牙科实验室网络，可能是获取产业认知的一种补偿路径。创始团队的四人在公司官网上以平行架构出现，无层级差，这可能意味着 Relu 在决策上保持着小团队的扁平与快速响应，但随着双总部运营和美国市场的本地化推进，这一架构是否能在跨洋沟通下保持效率，仍是一个需要观察的变量。
把技师从鼠标前面解放出来：AI 先读懂颚骨再自动建模
Relu Automate 的核心能力，据公司介绍，是让算法识别锥形束 CT 或口内扫描中的解剖结构，生成可用于数字治疗规划的三维模型。传统工作流中，技师拿到一份扫描数据后，需要一层层手动勾画牙弓曲线、分离邻牙接触点、确定修复体边缘、设定就位道、调整咬合面的静态与动态接触。每一个步骤都涉及大量鼠标微调和经验判断，时间成本随病例复杂度指数上升。Relu 则把整个分割、建模和初步设计的过程推向“导入即完成”的方向，至少在处理夜用护齿、单冠和齿科模型等标准化程度较高的病例时，人工干预被大幅压缩。
从技术路线看，Relu 所宣称的自动识别能力很可能依赖于大量标注过的 CBCT 和口扫数据集来训练其算法。但本轮公告里，未披露模型对病理情况（如囊肿、根尖病变、异位萌出、骨缺损边界）的误识别率，也没有公开在何种扫描设备、影像质量（体素大小、伪影程度）条件下测试过。不同的 CBCT 品牌和口内扫描仪在数据密度与噪声水平上差异显著，一个在高质量数据上表现优异的模型，在老旧设备或患者移动产生的伪影图像上，精度可能急剧下降。如果 Relu 没有在多种硬件平台上做过鲁棒性验证，其“自动建模”在美国高度异质的实验室环境中可能面临不可忽视的适配成本。此外，自动分割出的神经管在颌面外科导板设计上是关键安全边界，任何误分隔都可能带来临床后果，而这种后果的法律与商业责任目前在整个 AI 牙科领域都处于模糊地带。
“做完一个例才收一次钱”：pay‑per‑case 模式的双刃剑
Relu 采用按病例付费的营收架构，实验室每用平台处理一个病例就付一笔费用，而不是购买一次性许可或年费。这种模式在经济学意义上相当于把固定资本支出转化为可变动运营成本，尤其迎合那些现金流波动大的小型实验室——它们可以今天订单多就多付，明天订单少就少付，无需在淡季负重。从销售角度看，这也降低了采用新工具的心理门槛：不需要说服实验室老板批复一笔大额预算，只需让一名技师在几个病例上试试，看到节省的时间后再自发推动团队采用。CEO Holger Willems 在引语中强调“AI 移除了天花板”，其商业设计其实就是在移除此类“天花板”的付费门槛。
但硬币的另一面锋利得多。如果 Relu 输出的模型仍然需要技师二次修改——调整边缘线位置、修正咬合高点、重新设定邻接面接触强度——那么每一例的净时间节省就会被修正劳动吞噬。更严重的是，如果算法在某一类解剖变异上系统性地失误（典型如刃状牙槽嵴、极低上颌窦底、或牙列重度拥挤），导致返工率上升，那么实验室为每例所支付的费用不仅没有产生生产力提升，反而成为一项追加成本。此时 pay‑per‑case 从“灵活消费”变为“按例征税”，客户关系会迅速恶化。Relu 目前唯一披露的规模数据是“每年处理超过 100 万例”，覆盖 82 个国家的实验室。然而它没有透露活跃实验室数量、客户留存率、或者赔付与返工的比例。仅凭 100 万例的年度处理量，无法判断这究竟是少数大客户的集中消耗（可能几个大型 DSO 关联实验室就贡献了绝大部分体量），还是真正实现了全球分散化的规模化使用。客户集中度越高，未来单一大客户的流失风险就越大，那 100 万例的叙事也就越脆弱。
从可得的行业常识推演，pay‑per‑case 模式如果要实现盈利，Relu 必须将其单例推理的边际成本压到足够低，同时把客单均价定在一个能覆盖云端计算资源、算法授权和售后支持的水平上。这个价格点目前未披露，但必须低于实验室支付给技师的等效时薪成本，否则价值命题就不成立。这意味着 Relu 在一个劳动力紧缺但价格仍然敏感的市场里，定价空间可能非常有限。如果竞品或传统 CAD 软件也开始提供类似的按例计费或轻量级 AI 插件，Relu 的定价权就面临侵蚀。
产业资本“亲自下场”：DIA 的 LP 本身可能就是用户
Dental Innovation Alliance 并非一般的风投。它是一种典型的产业资本结构：有限合伙人中包括大量牙科服务组织（DSO）和牙科实验室的运营者。这些 LP 一方面负责为基金提供资本，另一方面自己就在经营遍布全美的牙科诊所和技工室，所以他们对一款牙科软件的评估角度和纯财务投资人有本质区别。管理合伙人 Thomas Sharpe 在本轮公告的引语中特别提到：“我们投资人里的实验室运营者已经亲眼看到 Relu 产生了真正的设计与工作流自动化”。这句话暗含一个事实：至少有一部分 DIA 的 LP 可能已经是 Relu 的用户或试用方，甚至是推动本次追加投资的关键力量。共同创始人与管理合伙人 Doug Brown 在种子轮时也曾这样表述：“我们寻找那些能以超出比例的方式影响医疗成本和/或质量的创业者。” 他进一步将 Relu 描述为“数字化牙科的前沿”，并预测 DSO 的持续发展将带来一波三维影像与先进治疗规划的浪潮。
这种结构的优势在于，Relu 不仅拿到了资本，还获得了一个嵌在牙科产业链里的需求方网络。当 DSO 高层本身就是投资人时，推动旗下实验室采用 Relu 的决策路径可以大幅缩短，从而帮助 Relu 在美国市场跳过一部分冷启动的信任门槛——牙科实验室对新 AI 工具的疑虑通常集中在：算法会不会出错？出了错谁负责？集成到我现有的 CAD 软件里是否复杂？当这些问题能被“老板自己就是股东”的回答部分覆盖时，销售阻力会下降。
但它同时也形成一种隐形压力。产业 LP 既是股东，也是客户，身份完全交织。如果 Relu 未来产品迭代速度或精度低于这些实验室运营者的预期，最早一批支持者反而可能最先丧失耐心，甚至在 DIA 的 LP 年会上形成负面反馈，影响 Relu 后续融资的叙事。更微妙的是，如果 DIA 旗下的实验室运营者之间本身就存在竞争关系，优先将 Relu 的资源分配给某一家还是公平开放给所有 LP 关联实验室，也是一个需要管理团队小心处理的潜在冲突。本轮公告没有透露 DIA 是否有权在 Relu 的董事会中占据席位，或者是否通过本次战略投资获得了观察权。
相较于上一轮 200 万欧元种子轮，本次更像战略修正而非典型增长轮
把 Relu 的融资史拉长时间轴观察，这次的 175 万美元与其说是一次典型的增长轮，不如说是一次带有明确靶向的战略修正。此前，Relu 完成了 200 万欧元的种子轮融资，投资方同样包括 DIA 以及其他全球牙科投资者。那一轮资金被用于推进算法研发和获取初期国际客户，结果上体现为如今 82 个国家的覆盖和 100 万例年处理量。如果把种子轮看作技术验证和早期商业化探路，这次 DIA 的独家追加就是在加速扩张前进行的一次内部控制性测试：用一笔不大不小的金额，把 Relu 推到美国一定数量的实验室里铺开，做深，收集真实的转化率、留存率、单客户生命周期价值以及净推荐值等关键指标。在这些数据得到验证之前，不引入新的外部财务投资人，可以避免因估值预期分歧导致的复杂谈判。
这笔钱进入后，Relu 可以选择在 12 到 18 个月内专注执行一个美国市场的实验组：比如在 5 到 10 个中型 DSO 或其关联实验室里深度部署，为每位技师提供培训与在线支持，追踪 AI 辅助设计的修改率、交付时间中位数、客户复购率等。如果这些指标能勾勒出一条陡峭的改善曲线，那么下一轮正式 A 轮融资可以凭借这些证据去吸引一家通用型 VC 领投，并获得更高估值。如果验证结果不及预期，175 万美元的试错成本对 DIA 来说是可控的，而 Relu 仍可退回欧洲市场维持现有业务，寻求被大型牙科软件公司或其他产业方收购。从这个角度看，这次投资的本质是购买一张进入美国市场的、为期一到两年的深度验证入场券。
美国是必争之地，但 175 万买的是验证窗口而非全面战争
CEO Holger Willems 在引语中直言：“这次投资让我们能把（生产力倍增的）能力带给更多美国实验室。” 北美牙科实验室市场在全球范围内具有战略制高点的意义，不仅因为其绝对市场规模大，更因为美国是全球最大的私人牙科消费市场，商业保险支付体系相对成熟，患者自费意识和能力也较高。但与此同时，这个市场极度分散：全美有数千家牙科实验室，其中相当比例是年营收在数百万美元以下的小型独立技工室，习惯传统工作方式，决策链条高度依赖于一两位资深技师的培训成本和个人习惯。要打动这些客户，Relu 不仅需要证明 AI 设计能持续降低平均单例成本，还需要在当地配备培训团队和售后支持，甚至可能需要修改用户界面以适应美国技师偏好的工作流命名和步骤顺序。这些工作的本质是地推与教育，而非纯线上可完成。
然而，175 万美元的体量在支持此类地面推进时相当有限。如果 Relu 在美国中部、西海岸和东海岸各设一个支持点，哪怕是各配两到三名人员，半年的人力成本加上差旅、会议参展和前期折扣补贴，就会迅速消耗这笔资金。更可能的情形是，Relu 将其中的大部分用于小批量试点，如在几个重点州的牙科展会上展出，为早期签约实验室提供试用期折扣，以及支付波士顿小型商务团队的运营成本。这使得这一轮更像一次市场验证的费用，而非争夺份额的军火。能否凭借这次试水收集到足以说服 A 轮投资者的数据，取决于 Relu 是否能在有限的实验室内，短期内交出显著的生产力提升证据和可量化的客户推荐意愿。如果这些数据在 12 个月后仍然停留在“投资人说好”的层面，而没有独立第三方的审阅报告或公开发表的效率对比研究，那么更大规模的融资将面临较大的说服成本。
空白处的对手：数字牙科的战场正在升高维度
公告中没有提到任何竞争对手的名字。但熟悉数字牙科生态的人知道，在 CAD/CAM 设计软件领域，行业普遍存在一批成熟的厂商，多年以来都在尝试在主软件中嵌入部分自动化功能，例如自动识别牙弓形态、建议修复体就位道，甚至某些模块已能初步完成牙冠的轮廓自动生成。不过，这些功能的实现多数仍以工具形态保留在技师的流程中，把最终的决定权完全交给人工。Relu 的差异化在于它更像一个“设计助理 AI”，直接输出接近交付状态的三维方案，试图直接减少人工介入的环节，而不仅仅是优化人工操作。
这种定位也把它推到更脆弱的监管地带。如果 AI 设计被直接用于制造——比如生成一个夜间护齿的最终 STL 文件交付切削或打印，而不经过足够的人工复核——一旦出现适配失败、咬合干扰或材料断裂，责任归属便会成为法律上的模糊区。是 Relu 算法的缺陷？是实验室未做最终检查？还是临床医生的牙体预备本身就存在问题？在现有的 FDA 数字健康软件监管框架和欧盟 MDR 下，具有自动诊断或自动治疗规划功能的软件可能被归类为 II 类医疗器械，需要经过上市前通告或认证。而 Relu 本次未提及任何 FDA 510(k) 或者欧盟 MDR 认证进展，也未说明其软件在临床使用上是否属于 II 类医疗器械。这一信息空白可能意味着 Relu 当前阶段是将自己定位为非医疗器械的“实验室生产辅助工具”，规避了注册审批的周期和成本，但也将最终审核义务推给了实验室和执业牙医。这种定位在监管趋严或出现医疗纠纷时，能否继续维持，是一个需要持续追踪的风险点。
技师短缺的叙事背后，是尚未长大的商业数据
整个牙科行业已经习惯讲述同一个故事：资深技师退休，年轻人不愿意进入这个需要长年累月重复手工的职业，实验室被迫拒绝订单或延长交付周期。这个故事真实且有广泛共鸣，但要把行业痛点的叙事转化成财务报表上的利润，Relu 还需要拿出比“每年 100 万例”更细致的商业证据。举例而言：Relu 的平台毛利率、客户获客成本（CAC）、客户生命周期价值（LTV）与 CAC 的比率、年度经常性收入、以及在 82 个国家中排名前五位市场的收入贡献等，这些都没有在本次公告或过往公开材料中披露。投资人 Thomas Sharpe 引语里所说的“real design and workflow automation”，更多来自特定 LP 运营商的使用体验，属于个体感受性陈述，缺乏可供第三方核验的大规模统计数据支撑。
进一步看，双总部结构在 Relu 当前体量下可能是效率的消耗源。欧洲鲁汶团队大概率负责核心算法的训练与迭代，波士顿团队处理美国商务和客户成功，但两地的时区、语言细节和商业文化差异可能拖慢产品与市场的迭代节奏。CTO 在比利时，美国客户的反馈（比如“分割结果在磨牙远中边缘总是差一点点”）要经过翻译和时差延迟才能转化为开发任务，而算法修复后又需要在美国实验室重新测试。在 AI 牙科这个领域，速度本身就是一项隐性护城河，因为大型牙科软件公司随时可以通过收购 AI 创业团队或内部孵化来追赶。如果 Relu 不能在美国市场以超出预期的速度积累口碑和数据，其先发优势可能会在 24 到 36 个月内被拥有庞大客户基础和渠道能力的在位者所侵蚀。
RecodeX 极客视：Relu 拿到的不只是一笔小小追加投资，更是产业资本给“AI 牙科技师”概念的一张试用券。按病例计费的模型很契合实验室的现金流，但要在美国市场真正裂开，它得证明自己的算法不仅省人工，还能把错误率压到比人手更低的级别。DIA 的产业 LP 网络提供了快速冷启动的信任通道，也让 Relu 暴露在更严苛的内部评判之下。如果未来十二个月拿不出关于留存、返工率和用户净推荐值的清晰曲线，单靠“技师短缺”和“100 万例”这两个数字，不足以支撑下一轮规模化融资。在更大的图景里，Relu 的真正对手可能不是另一家 AI 牙科创业公司，而是传统 CAD 厂商何时决定把类似的自动化变成一次免费升级。
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。