最近，“物理”一词在AI4S和制药领域的讨论中频繁出现。

尤其在近半年内，业务覆盖AI4S产业链各环节的初创公司，纷纷将对物理世界的探索写入融资宣传中。2026年8月，Transfyr成立后立即完成2500万美元种子轮融资，其融资新闻标题中明确提到了“科学物理AI平台”。国内方面，术也科技在9月完成Pre-A轮融资，同样将“用物理AI打造自驱动实验室”写进融资新闻标题；而6月完成近亿元A轮融资的津渡生科，也在新闻标题中强调以物理AI重塑生命科研范式。

尽管行业对制药界物理AI的具体定义尚无共识，但似乎只要抓住“物理”二字，就找到了进入真实世界的钥匙。

01

风口上的AI4S，涌现物理浪潮

物理AI，原本是科技领域的一个热门新词。在此轮人工智能热潮中，物理AI常与具身智能、世界模型等概念一同出现。在科技界，物理AI通常指与物理世界融合的AI，例如自动驾驶。在年初的国际消费电子展上，黄仁勋曾称物理AI是AI的下一次浪潮。

相比具身智能和世界模型，物理AI提供了更广阔的概念外延和更丰富的想象空间，因此迅速获得资本、学术和产业界的高度认可。如今，物理AI的浪潮已涌入生命科学领域，并进一步扩展了其概念外延。

“实际上，物理AI这个词对业内同行来说也是一个新概念。”术也科技创始人兼CEO李谡告诉动脉网，“结合我们的经验，物理AI是指能真实感知现实环境，并操控原本由人控制的设备来执行任务。在实验室场景中，可以理解为让AI通过仪器或机器人参与实验。”李谡指出，物理AI在生命科学实验室的核心价值体现在环境感知和决策判断环节。据动脉网不完全统计，过去一年多，贴上物理AI标签的生命科学企业密集获得融资，其中不乏早期的大额融资。

本轮备受关注的两家企业，一家位于纽约，一家位于深圳。2025年底，总部位于纽约的AI机器人初创公司Medra完成5200万美元A轮融资，加上此前的1100万美元种子轮，累计融资6300万美元。Medra由华裔女科学家Michelle Lee创立，她毕业于斯坦福大学，曾在斯坦福AI Lab从事多年机器人基础模型研究。2022年创业前，Michelle Lee还在马斯克的SpaceX实习。Medra致力于开发用于药物发现的物理人工智能科学家，Michelle Lee将这项工作概括为两个层面的协同：科学AI提出假设，物理AI操作仪器。

半年后，总部位于深圳的津渡生科完成近亿元A轮融资，由高特佳投资领投。此前，津渡生科在2025年连续获得红杉种子基金、创东方投资和南山战新投的多轮融资。津渡生科由创始人兼CEO金泳成与另外三位牛津校友共同领导，他们曾在《自然》等顶级期刊发表过六十余篇论文。在宣布A轮融资时，津渡生物明确表示，本轮资金将首先用于深化物理AI的底层架构。

此外，多家成立时间更早的公司也借助物理AI的东风，重新获得资本青睐。2025年5月，苏州予路乾行完成数千万元A轮融资，由元生创投领投。创始人郑铮曾表示，予路乾行的技术路径是深度融合AI与物理模拟，利用分子动力学计算药物分子与靶点的动态相互作用。2026年3月，杭州合碳智能获得5000万元新一轮融资，由涌铧投资领投，此时距其上一轮融资已过去三年半。合碳智能创始人陈志刚曾担任药明康德首任首席数字官，他没有直接使用“物理AI”一词，而是强调合碳智能要打造一个通用的、由软件定义的机器人科学家。

同年8月，成立于2018年的杭州术也科技完成Pre-A轮融资。术也科技创始人兼CEO李谡是慕尼黑工业大学工程机器人方向的博士，公司口号是“物理AI for Science”。次月，成立于2013年的宇道生物宣布完成数千万美元C1轮融资。在融资新闻中，宇道生物强调AI加物理双轮驱动，用于识别传统力场无法捕捉的隐式变构位点。

值得注意的是，对于极早期的物理AI生命科学项目，投资机构表现出极大的热情。2026年4月，Transfyr完成2500万美元种子轮融资，约合人民币1.68亿元，该公司直接将自身定位为科研可观测物理AI平台。在国内，2026年8月，深度细胞完成近亿元种子轮融资，提出以AI加物理的方式，将分子物理机制转化为模型约束。次月，成立仅一个月的上海斐睿科思完成数百万元级首轮战略投资。斐睿科思将品牌命名为Phyraxis AI，公司定位直指面向科学的物理人工智能。斐睿科思创始人王童在阐述公司业务时也提到了具身智能，他指出生命科学领域的具身智能不能仅停留在机器人完成一次动作的演示层面。

另一方面，制药巨头也以空前的热情主动拥抱物理AI。2026年1月，英伟达与礼来宣布合作，在旧金山湾区共建AI联合创新实验室，将前者的BioNeMo平台整合到礼来的研发流程中，预计五年内投入最高10亿美元，用于支付由此产生的人才、基础设施和算力成本。在这份新闻稿的标题中，物理AI与AI驱动的药物发现被并列提及，赛默飞世尔、安进、罗氏、Multiply Labs等众多药企和自动化公司出现在生态名单上。此外，2026年8月，先声药业与薛定谔达成全球药物发现与开发合作。双方明确，先声将主导临床前和临床环节，薛定谔则提供物理学加AI的计算设计能力。更早之前，大模型巨头Anthropic与HHMI Janelia合作，开源了一套模型硬件标准MHS，旨在让模型能够统一发现和调用显微镜、液体处理仪和机械臂，这大大降低了AI进入实验室的门槛。

至此，超过30亿美元直接或间接流入，AI4S的物理热潮可见一斑。

02

物理AI4S要做什么？

究其本质，物理AI的核心是超越计算模型，与真实世界融合。那么物理AI4S所结合的真实世界，就是在AI浪潮下发生巨变的实验室。

随着生物大模型的不断进化，AI设计的产出已足够丰富，但验证和数据反馈极度匮乏，这激发了巨大的湿实验需求。设计端每天产出分子，验证端是唯一的出口，“这使得真实实验的数据，尤其是失败的实验数据，变得至关重要。”一位从业者告诉动脉网。总体而言，当前技术风格各异的物理AI4S大致可分为两类：一类是将物理视为场地，做机器人，销售实验通量和证据链的公司，如Medra、津渡生科；另一类是将物理视为知识，做模型，销售先计算再试错的公司，如深度细胞、予路乾行。两类物理AI4S公司都围绕实验展开工作，前者提高实验效率，后者减少实验需求。

将物理视为场地的公司，主要处理实验室智能化问题。这类似于生命科学领域的具身智能，因此也更早引入了物理AI的概念。尽管智能实验室并非新概念，但当前实验室的大部分操作仍由人完成，除了部分单一环节实现自动化外，从设定目标到产出结果的过程仍需研究者反复试错，繁琐且不智能。“对物理AI4S而言，真正的卡点在于实验经验的流失问题，”前述从业者指出，“需要将资深科研人员凭多年手感积累的直觉和技巧，转化为可复现、可追溯的数据。”因此，许多物理AI4S公司都提出了打造AI物理学家的终极方案。

具体来看，物理AI在实验室落地的模式可分为两种。第一种是自建实验室，例如2026年4月，Medra在旧金山建成了所谓全球最大的实验室ML001，占地约3530平方米，上百台机器人全天候运行。另一种模式更轻巧，即将AI算法或机器人送入现有实验室，大多数物理AI4S企业采用此模式。

例如，术也科技利用视觉-语言-动作模型构建“VLA Operon”物理多智能体集群，使移液、纯化等设备不再是孤立的执行终端，而是具备感知、决策与协同能力的智能体，同时配合可智能乐高式组合的模块化工作站，将实验从人工操作转变为自驱动流程。“加入AI后，我们希望系统不仅能分析本批结果，还能帮助我们决定下一批优先尝试哪些条件，即帮助实验人员摸索前置条件。”李谡解释道。

再如，合碳智能将机器人部署在百济神州广州生物岛创新中心的实验室，用于药物分子纯化。据了解，试运行50天，合碳智能的Talos系统处理了15个真实药物分子，每个分子涉及两百多个连续操作步骤，累计超过3000次物理操作，成功纯化了其中14个分子。再如，涌生智能与上海人工智能实验室的湿实验更完整：96孔板接菌培养全部生长，24个菌落PCR全部扩增出预期条带，分子克隆成功构建两个质粒并测序确认15个突变体，PCA法组装在96个候选克隆中成功获得93个阳性克隆。

斐睿科思和津渡生物的模式则更轻巧。前者将执行证据账本列为平台模块，记录指令、状态、视觉证据、操作结果和异常信息；后者围绕实验样本进行全生命周期追踪，工单精确到液体体积、温度梯度、时间窗口。

将物理视为知识的公司，则尝试构建微观的世界模型，将分子力场、构象动力学、量子化学等融入模型，先进行计算，再交由实验室验证。

深度细胞的思路是将分子物理机制转化为可学习、可验证的模型约束，而非在模型外叠加几层物理规则。宇道生物收集了十多年的蛋白构象数据，形成数据库，并在此基础上训练出针对构象变化的分子力场，用于识别传统力场无法捕捉的隐式变构位点，代表性管线是p53 Y220C重激活剂。Fathom利用量子化学加AI，以原子分辨率模拟蛋白质运动，构建了一个模拟药物在活细胞中作用的世界模型。予路乾行则专注于多尺度分子动力学，应用于蛋白降解剂、GPCR和核酸药物。

这类公司减少实验需求的策略，在于改变试错的位置。当物理规律被嵌入模型，部分试错可以在计算机中完成，即尽可能减少证伪所需的实验。总部位于法国的Aqemia甚至宣称，无需实验数据，仅用物理算法即可生成合成数据来替代，这意味着将试错过程整体搬入计算机。当然，这类尝试大多仍处于早期阶段，距离证伪或证实都还很遥远。

03

当AI制药遭遇真瓶颈

在AI4S的众多应用场景中，制药是最成熟也最具潜力的一个。而物理AI4S热潮的背后，AI制药当前面临的困境无疑是重要的推动因素。

随着AI制药终于将研发管线推进至III期临床试验，AI对古老制药工业的真实价值正受到越来越多的质疑。多个来源的数据表明，尽管AI提升了新药筛选的效率，但这些被AI选出的分子在后续临床试验中的失败率，甚至高于传统流程下的分子。换言之，AI制药的进展主要集中在可计算的部分，精度和速度每年都在提升，却未能真正改变新药研发高风险、长周期的本质。这样的AI制药，天花板恐怕有限。过去几年，制药行业在AI上的投入持续增加，进入管线的分子数量逐年上升，但真正进入后期的却寥寥无几。

瓶颈的位置可以从模型能力来理解。CASP16官方评估显示，AlphaFold 3在蛋白与配体构象预测上的平均LDDT-PLI达到0.80，远超所有参赛组，但同一评估对亲和力预测的判断是完全不可靠的，与实验数据的最大Kendall τ仅为0.42。模型能告诉你分子如何结合，却不能告诉你结合得好坏。也就是说，突破AI制药瓶颈的关键显然已不在于大模型。正如Medra创始人Michelle Lee所言，当前的AI加药物研发，软件远远领先于硬件。

模型学习的是历史样本的统计规律，但在新药开发过程中，深度挖掘统计规律所能带来的收益十分有限。“在生命科学实验室，最正常不过的情况是实验并不总是按预期发生，”李谡指出，“因此我们需要让实验系统具备自主感知异常状况的能力。”这好比在自动驾驶领域，在特定道路上做定速巡航与在任意空间范围内做自动驾驶，两者差异巨大。

而真实数据恰恰是AI制药企业最缺乏的。药物研发越接近临床阶段，数据越少，大量失败实验数据沉淀在企业内部，外部只能看到成功案例，容易造成幸存者偏差。这就形成了一个结构性错配：模型最需要的那批数据，恰好是最不可能外流的那批。对药企而言，外部AI工具的能力可以购买，但数据却不能外泄。而一份可用的训练集必须同时包含成功与失败的实验数据，才能形成闭环，进而对未知研发问题给出可靠判断，这形成了一个悖论。

在AI制药的困境下，实验需求急剧上升。AI制药的极限，不再是算法和算力的边界，而是物理世界的边界。

诚然，物理AI这个词当前的热度确实带有风口的成分。但努力的方向是正确的。毕竟，物理AI4S热潮的落脚点不再是让模型更聪明，而是开始触及实验台和数据。如果基于AI的尝试能让实验变得可复现、可记录，并能反哺下一轮产能，那么物理AI4S的能力将成为AI制药最核心的卡位因素。

本文来自微信公众号“动脉网”（ID：vcbeat），作者：王世薇，36氪经授权发布。