2026 年的科学界出现了一种奇特的错位：算法可以在几秒钟内生成一个药物分子假设，但验证这个假设仍然需要有人站在实验台前，用移液器把液体从一个塑料孔板转移到另一个塑料孔板。生成式 AI 把科学假设的供给成本打到了接近零，物理实验的通量却没有同步跃升。于是，实验室里最稀缺的资源不再是想法，而是能执行想法的双手和时间。
Opentrons 试图把自己放在这个缺口的正中间。2026 年 10 月 29 日，这家总部位于纽约的实验室自动化公司宣布完成 4000万美元 E 轮融资，由医疗健康投资机构 Avego 领投，BroadOak Capital Partners 参投。公司通稿称，这笔资金将用于扩大机器人、软件和数据基础设施工具，并投资 AI 驱动的实验执行。换句话说，Opentrons 想做的不是让 AI 更好地“思考”，而是让 AI 有一个可以“动手”的物理执行层。
这轮融资的金额本身并不惊人。在生命科学工具领域，4000万美元的 E 轮更像是一次战略续力，而非颠覆性扩张。真正值得关注的是它的叙事位置：一家已经卖出超过 11,000 台机器人的公司，正在试图把自己从“卖硬件的实验室自动化厂商”重新定义为“自主科学的执行层标准”。这个定义能否成立，取决于一个尚未被验证的问题——AI 生成的实验协议，是否真的能稳定地转化为可重复的物理操作。
| 字段 | 内容 |
|---|---|
| 公司 | Opentrons Labworks Inc. |
| 轮次 | E 轮 |
| 金额 | 4000万美元 |
| 投资方 | Avego 领投，BroadOak Capital Partners 参投；现有投资者包括 SoftBank Vision Fund、Khosla Ventures、Sands Capital、Lerer Hippeau、Y Combinator |
| 总部 | 纽约市 |
| 创始人 | 未披露 |
| 官网 | https://opentrons.com |
AI 的“最后一公里”不在模型，而在移液器
Opentrons 的核心主张可以用一句话概括：AI 正在改变科学的开展方式，但物理实验室已经成为瓶颈。公司通稿称，科学家可以用前沿模型生成假设并设计实验，速度远快于实验室测试这些实验的能力。Opentrons Flex 平台包含机器人和 AI 系统，使实验能够在一个连续循环中被设计、运行和改进。
这个判断并不新鲜。过去几年，AI 制药公司大量涌现，但行业逐渐意识到，计算端的突破并不自动等于实验端的突破。一个分子设计得再快，如果合成、纯化、活性测试仍然依赖人工操作，整体研发周期就不会发生数量级变化。Opentrons 的切入点正是这个执行层：用开放、API 驱动的实验室机器人把生物实验标准化，在 AI 模型和物理实验室之间建立一个持续学习闭环。
从产品形态看，Opentrons 与传统的实验室自动化巨头走的是不同路线。传统厂商倾向于提供封闭的、高度集成的自动化工作站，价格高、部署周期长，通常只有大型制药公司的中央实验室才能负担。Opentrons 则强调“开放”和“可访问”。公司通稿援引 CEO James Atwood 的话称：“我们让任何实验室都能用上实验室自动化，我们的系统是为 AI 直接运行实验而构建的。”这种定位更接近实验室设备领域的“开放平台”策略：降低使用门槛，扩大安装基数，再通过软件和数据层获取长期价值。
但“开放”也意味着标准化难度更高。实验室自动化最大的挑战从来不是机器人能不能动，而是不同实验室的试剂、耗材、温度、湿度、操作习惯差异巨大。一个在纽约运行良好的实验协议，搬到新加坡的实验室可能因为移液器吸头供应商不同而失败。Opentrons 声称其机器人能够生成结构化、可重复的数据，但这一能力在实际部署中能覆盖多大的条件差异，公司通稿没有提供具体数据。
11,000 台机器人的安装基数，是护城河还是维护负担
Opentrons 披露的部署数据是这轮融资中最有分量的部分。公司通稿称，其已向 80 多个国家的实验室部署超过 11,000 台机器人，覆盖全球前 20 大制药公司中的 90%、美国前 20 研究型大学中的每一所，以及全球前 15 大生物制药公司中的 14 家。这些数字来自公司单方披露，尚无独立第三方核证。
如果这些数字准确，Opentrons 确实拥有一个可观的安装基数。在生命科学工具行业，安装基数是比单季收入更重要的战略资产，因为它意味着耗材复购、软件订阅和协议生态的潜在入口。但安装基数也有另一面：11,000 台分布在全球 80 多个国家的机器人，意味着巨大的服务和支持压力。实验室设备不是消费电子产品，一台机器停机可能直接拖慢一个研究组的进度。Opentrons 的客户结构——学术实验室、诊断实验室、制药公司——对设备的可靠性和响应速度要求差异很大，这对一家仍处于融资扩张阶段的公司来说，是运营层面的持续考验。
更关键的问题是，这些机器人中有多少真正接入了 AI 驱动的实验执行闭环。公司通稿没有区分“已部署的机器人”和“实际运行 AI 生成协议的机器人”。这是一个重要的口径差异。一台用于常规移液操作的机器人和一台能够接收 AI 指令、自主执行并回传结构化数据的机器人，在商业价值和战略意义上完全不同。Opentrons 用总安装基数来支撑“自主科学正在标准化到 Opentrons 上”的说法，但这一说法的成立需要更细粒度的数据。
E 轮的钱会流向哪里：从硬件销售到数据基础设施
公司通稿将本轮资金用途概括为几个方向：扩大机器人、软件和数据基础设施工具规模；投资 AI 驱动的实验执行；扩展自动化能力；进入新市场和新地理区域；通过软件和 AI 加速实验协议开发；深化与更广泛实验室自动化生态系统的整合。
这些表述中，最值得关注的是“数据基础设施工具”和“实验协议开发”。这暗示 Opentrons 的商业重心正在从单纯的硬件销售向软件和数据层转移。如果一家实验室自动化公司的收入主要来自卖机器，它的天花板是设备市场的规模；如果它能从每台机器上持续获得软件和协议相关的经常性收入，估值逻辑就会完全不同。
但公司通稿没有披露任何收入结构、软件订阅比例或经常性收入数据。这意味着外界无法判断 Opentrons 的软件和数据业务是否已经形成规模，还是仍处于早期投入阶段。E 轮融资的金额和投资方组合——一家医疗健康投资机构领投，一家生命科学投资机构参投——也没有提供足够信号来判断这一转型的进展。
从资本结构看，Opentrons 的投资者名单相当分散：SoftBank Vision Fund、Khosla Ventures、Sands Capital、Lerer Hippeau、Y Combinator，加上本轮新增的 Avego 和 BroadOak Capital Partners。这种组合横跨早期孵化器、成长型风投和战略投资机构。分散的股东结构在融资层面提供了更多选择，但也可能意味着不同投资人对公司退出路径和战略节奏的预期存在差异。公司未披露本轮估值和投资者持股比例，外界无法判断这轮融资对原有股东的稀释程度，也无法评估投资人对公司当前价值的判断。
“自主科学”的竞争不在机器人，在协议生态
Opentrons 在通稿中反复使用“自主科学”和“执行层”这两个词。CEO James Atwood 的表述是：“自主科学正在标准化到 Opentrons 上。”投资方 Avego 的管理合伙人 James Flexner 则称：“药物开发者和 AI 公司都在把实验工作推向自动化工作流，以生成可用数据。我们看到自主科学围绕 Opentrons 平台汇聚的重大机会。”
这些表述需要放在更具体的竞争语境中理解。实验室自动化并不是一个新市场。大型制药公司的中央实验室早已部署了来自 Tecan、Hamilton、Beckman Coulter 等厂商的自动化系统。这些系统在通量、精度和合规性方面经过了长期验证，但价格昂贵、系统封闭。Opentrons 的差异化在于开放 API 和相对低的进入门槛，这使它更容易被学术实验室和中小型生物技术公司接受。
然而，“开放”本身并不构成护城河。如果 Opentrons 的协议生态能够形成网络效应——越多实验室使用其平台，越多实验协议被共享和复用，平台对后来者的吸引力就越大——那么开放策略就能转化为结构性优势。但这一网络效应的形成需要时间，而且面临一个现实问题：科学实验协议的可移植性远低于软件代码。一个实验协议在不同实验室之间的复用，往往需要针对具体条件进行调整。Opentrons 的软件和 AI 能否降低这种调整成本，是决定其生态能否起飞的关键。
另一个竞争维度来自 AI 制药公司本身。一些 AI 驱动的药物发现公司正在建立自己的自动化实验能力，而不是依赖第三方平台。如果这些公司选择自建执行层，Opentrons 的潜在市场就会被压缩。反过来，如果 AI 公司更倾向于外包实验执行，Opentrons 的平台价值就会上升。Avego 的 James Flexner 在通稿中的表态——“药物开发者和 AI 公司都在把实验工作推向自动化工作流”——暗示投资方押注的是后一种路径，但这仍是一个未经验证的假设。
一个尚未回答的问题：AI 生成的协议能在真实实验室里跑通吗
Opentrons 的叙事中有一个隐含的因果链：AI 生成假设 → AI 设计实验 → 机器人执行实验 → 结构化数据回传 → AI 学习并改进。这个闭环在理论上成立，但在实践中，每一步都可能断裂。
最容易断裂的环节是“AI 设计实验”到“机器人执行实验”的转换。一个 AI 模型可以生成一个看似合理的实验协议，但这个协议是否考虑到了实际耗材的物理尺寸、液体的粘稠度、试剂的批次差异、环境温度的影响？如果 AI 生成的协议需要人工大量修改才能执行，那么“AI 直接运行实验”的说法就要打折扣。Opentrons 通稿称其系统是为 AI 直接运行实验而构建的，但没有提供任何具体案例来说明 AI 生成的协议在实际机器人上的执行成功率。
从已披露的信息看，Opentrons 的验证路径应该是：先通过开放平台积累足够多的标准化实验协议，再训练 AI 系统理解这些协议的执行约束，最终实现从自然语言或结构化假设到可执行实验的自动转换。这条路径的每一步都需要大量真实实验数据来训练和验证。公司通稿称其机器人能够生成结构化、可重复的数据，这为 AI 训练提供了基础。但“能够生成数据”和“已经用这些数据训练出可靠的 AI 系统”之间，还有很长的距离。
另一个待验证的假设是商业化深度。Opentrons 的客户覆盖数据看起来很好——全球前 20 大制药公司中的 90%——但“覆盖”不等于“深度使用”。一家制药公司可能在某个部门买了一台 Opentrons 机器人用于教学或小规模实验，这就算进了“覆盖”统计。但要让这家公司把核心研发流程迁移到 Opentrons 平台上，需要的是完全不同的信任级别和验证标准。公司通稿没有披露任何关于客户使用深度、复购率或单客户收入贡献的数据。
这轮融资的真正信号：生命科学工具正在被 AI 重新定价
把 Opentrons 的 E 轮放在更大的行业背景下看，它反映了一个正在发生的结构性变化：生命科学工具公司的价值评估，正在从“设备性能”转向“数据生成能力”。
传统的实验室自动化公司卖的是通量、精度和可靠性。客户买一台机器，是为了完成特定类型的实验。机器的价值在交付时就已经确定，后续收入主要来自耗材和服务。但 AI 时代的实验室自动化公司，卖的是“生成结构化数据的能力”。每一台机器都是一个数据入口，每一次实验都是一次数据积累。如果这些数据能够反哺 AI 模型，让下一次实验设计得更好，那么机器的价值就不再是静态的，而是随着使用而增长。
Opentrons 的开放平台策略与这一逻辑高度契合。公司通稿强调“每一次在 Opentrons 机器人上运行的实验都会生成结构化、可重复的数据，为自主科学奠定基础”。这句话的商业含义是：Opentrons 的资产不只是 11,000 台机器人，而是这 11,000 台机器人持续产生的实验数据流。如果这个数据流能够被标准化、聚合并用于训练 AI 系统，它就可能成为竞争对手难以复制的资产。
但这一逻辑的成立有一个前提：Opentrons 必须能够访问和使用这些数据。学术实验室和制药公司对实验数据的保密要求极高。一个开放平台在多大程度上能够聚合用户数据，而不触发数据所有权和隐私问题，是 Opentrons 尚未公开讨论的问题。公司通稿没有提及数据使用的具体政策、用户授权机制或数据商业化路径。这意味着“数据基础设施工具”这一资金用途的具体含义，仍然模糊。
风险不在融资，在执行
Opentrons 这轮融资的核心风险，不在于资金是否到位，而在于公司能否在“卖机器人”和“建平台”之间完成战略切换。
从公司通稿的表述看，Opentrons 同时在做三件事：卖更多机器人、开发软件和 AI 能力、建设数据基础设施。这三件事的资源需求不同，时间周期不同，成功标准也不同。卖机器人是短期收入来源，软件和 AI 是中期差异化来源，数据基础设施是长期平台价值来源。一家公司同时推进这三条线，需要非常清晰的优先级排序和资源分配。公司通稿没有提供这方面的信息。
另一个风险来自竞争。实验室自动化市场的既有玩家不会忽视 AI 带来的机会。Tecan、Hamilton 等厂商也在增加软件和 AI 能力，它们拥有更深的客户关系、更成熟的服务网络和更丰富的合规经验。Opentrons 的开放策略能否在它们反应过来之前建立起足够强的生态壁垒，是一个时间窗口问题。
此外，公司未披露本轮估值和投资者持股比例，这使外界无法判断投资人对公司当前价值的判断。E 轮融资在创业公司生命周期中通常意味着公司已经过了高速增长期，进入规模化扩张阶段。如果这轮融资的估值较上一轮没有显著增长，或者投资者获得了较高的保护性条款，都可能反映市场对公司的增长预期趋于谨慎。但这些信息目前均未公开。
从可验证的事实看，Opentrons 确实拥有一个真实的安装基数、一个清晰的战略叙事和一笔新的资金。从不可验证的部分看，它的 AI 执行闭环是否已经跑通、软件和数据业务是否形成规模、开放平台能否转化为结构性护城河，都还是开放问题。这轮 4000万美元的 E 轮融资，与其说证明了 Opentrons 已经站在自主科学的中心，不如说给了它一个继续验证这一叙事的时间窗口。
RecodeX 极客视：Opentrons 的真正赌注不是机器人，而是“AI 生成的实验协议能否在物理世界中稳定执行”。如果这个闭环跑通，11,000 台机器人就是数据入口；如果跑不通，它们就只是 11,000 台需要维护的设备。E 轮融资买来的时间，应该用来回答这个比估值更根本的问题。
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。