文｜胡香赟
编辑｜海若镜
到了 2026 年 8 月，如果一家公司只想用 AI" 降本增效 "，那很难吃到 AI 最大的红利。
这个观点从寻明生科创始人赵伟安口中说出，多少有些反常识，毕竟 " 降本增效 " 是过去几年 AI 制药公司最熟悉的脚本。他坦承，现阶段 AI 其实是 " 增本降效 " 的游戏：AI 人才、算力和实验验证很昂贵；在传统大药企，给予 AI 更高决策权限，还可能产生额外的组织摩擦。
但是，今天 AI 能力已足够强，生物基础模型等呈现出的 Scaling law，让业内看到 " 科学发现 " 推高智能上限的可能性。"AI 在大分子设计方面的能力提升非常大，超越人类想象，只是大家尚未释放模型的全部潜力。"
基模开发、再造平台，未来可能批量产出差异化分子。如果这些资产的价值能够覆盖早期花的钱，意味着新一轮 AI4S（AI for Science）游戏规则被改写。
2026 年，资本再次涌向 AI4S。新一波风口里，寻明生科（Aureka）是被资本选中的 " 年轻选手 "。
暗涌 Waves 独家获悉，近日寻明生科再获总额 1 亿美金的 B 系列融资。首轮由 Granite Asia（前身为纪源资本 GGV 亚洲业务）独家投资；后续轮次由知名产业投资人领投，弘晖基金跟投，启明创投、经纬创投及纽尔利资本等老股东追加。距离公司披露 3500 万美元 A+ 轮融资，仅过去 3 个多月。
赵伟安曾在哈佛大学医学院完成博士后研究，随后加入加州大学尔湾分校担任终身正教授，也是一位连续创业者。
2023 年创办寻明生科后，赵伟安和负责 AI 的联合创始人一道，搭建了生成式 AI 平台与高通量数字生物学平台，将 AI 设计与湿实验验证连成闭环。据介绍，这套体系产生千万美元级收入，也沉淀出一批候选药物管线。
但他并不满足于把公司定义为一家 "AI biotech"。
去年底，寻明生科投入千卡规模算力，开发生物基座模型 AuraIDE。今年 7 月，其开源了 OpenDDE 生物结构建模能力。赵伟安将这次开源称为一次 " 身份证明 "，想要走上全球生物基座模型竞争的牌桌。
这一亿美元准备怎么花？AI 能否从辅助工具变成研发的关键决策者？如何甄别谁是 AI Native 的新药公司？
借着这次融资，我们和赵伟安聊了聊他观察到的新价值与旧故事。以下是对话（经编辑）：
AI4S，先在新药赛道兑现
暗涌 Waves：过去六七年，AI 制药、AI 新材料至少经历过两波风口，热钱来了又走。今年，AI4S 成为国内一级市场投资的小热点，赛道再度升温的原因是什么？
赵伟安：核心就是 AI 能力的突破，没有任何其他原因。
从技术端，无论美国还是中国，AI 大模型都是市场核心投资主线。但投资通用大模型的门槛越来越高，投资机构必然要布局 AI 产业链上的其他机会。AI4S 是可以落地的优质应用场景，Science 突破本身也将推动 AI 基模的智力上限。这两个原因，使得 AI4S 就是当下最好的投资方向。
制药，是 AI4S 里比较特别的应用。跨国药企与 biotech 之间管线交易、资产上市模式非常成熟，能按 " 研发里程碑 " 定价，不必等待超长周期。2025 年，创新药管线 BD 授权交易浪潮，让投资机构看到了 AI 在制药领域完成商业闭环、资本退出的机会。
暗涌 Waves：AI 技术突破，让大药企更愿意和 AI Native 公司合作？
赵伟安：2025 年底开始，全球药企对 AI 技术的认知发生了很大转变。
此前，我们感觉药企对与 AI 公司深度合作非常谨慎，但过去一年，行业愈发认可生物基座模型呈现出的 Scaling law：模型能力越强，结构预测精度、生成候选分子差异化等方面的表现越好。Isomorphic Labs、Chai Discovery 等公司接连不断地与跨国药企达成合作，也说明了这一点。
暗涌 Waves：此前大药企应用 AI 时非常谨慎，他们主要的顾虑有哪些？
赵伟安：在我们的感知中，大药企一直存在强烈的 AI 落地焦虑，他们想知道如何用 AI 改变行业。但是，大家不希望这种改变耗费自己太多力气，如果要影响企业组织架构、改变现有研发流程，AI 落地阻力会很大。
前几年，一些大药企的 AI 使用体验不够好，是因为大家以 " 降本增效 " 心态看待它。实际上，国内药企的研发成本控制已经很极致。
比如，某环节最低成本 200 万美元，大药企已经压缩到了 220 万美元，整套流程的 " 冗余 " 只有 20 万美元。如果 AI 公司为药企做的只是把 20 万再压缩至 10 万，不仅对药企的价值有限；在 AI 人才和算力都很昂贵的当下，也无法满足 AI 公司的收入预期。
本质上，AI 不是 " 降本增效 " 的游戏，短期内它甚至会 " 增本降效 "。关键在于 AI 能否持续产出传统研发体系难以长出的高价值资产，靠长期收益覆盖前期的增量成本。这才是游戏的核心。
暗涌 Waves：短期的 " 增本降效 " 会阻挡很多公司投身 AI。新游戏规则意味着什么？
赵伟安：意味着我们需要更符合 AI 生产力要求的生产关系。新的组织运营方式，基于模型授权、产品合作开发的新商业模式等等。
暗涌 Waves：如何判断一家公司的 AI 原生程度？
赵伟安：至少早研阶段，可以看"AI 在关键决策中占多大权重 "。
小分子药物研发链条长，涉及 AI、药化学家和生物学家三方协作。AI 设计出的分子需要药化学家合成，再进入验证，中间环节较多。三方协调成本高，AI 团队很难主导决策决策。
抗体等大分子相对容易解决，没有化学合成环节，核心链路可以简化为 AI 分子设计、湿实验验证两部分。AI 更容易与湿实验形成闭环，也更适合建立由 AI 主导的研发架构。
一个直观的观测指标是专利署名。传统药企中，药物专利排名靠前的是生物、化学团队；但像我们这样的 AI 公司，核心药物专利中，AI 算法人员直接位列第一、第二发明人。
以 AI 设计为起点，为之匹配合适的湿实验体系和研发架构，这非常重要。如果没有形成 AI 对应的生产关系，仍停留在为传统研发 " 降本增效 "，未来行业可能会重回低谷。
开源基座模型，" 上牌桌 "
暗涌 Waves：寻明生科 2023 年成立，AI 开发的抗体分子已授权产生了千万美元收入。跑通了 AI 制药平台，为什么又在去年底投入千卡规模的算力，做生物基座模型？
赵伟安：生成式模型与高通量数字生物学平台的闭环跑通之后，我们开始追问：这套研发流程闭环的天花板在哪里？
如果类比造车，我们的前期工作像是建一条汽车生产产线，现在是要画出更好的汽车设计图。
过去两年，我们将 AI 设计与湿实验验证打通，形成覆盖靶点解析、分子设计和多轮实验验证的闭环。这套体系沉淀出一批药物资产；与欧美药企达成的抗体药开发合作，也产生千万美元级收入，说明这条 " 生产线 " 能够跑通。
但生产线能够制造出什么，取决于模型给出的 " 设计图 "。既然生物基座模型也呈现出 Scaling law，继续提升模型能力，就有机会抬高整套研发体系的上限。基于这个逻辑，我们投入千卡集群资源，基于专有蛋白质共进化数据自研了生物基座模型 AuraIDE，并在 7 月对外发布了开源版本 OpenDDE。
暗涌 Waves：商业公司通常倾向于闭源，你们为什么选择开源 OpenDDE？
赵伟安：在 AI4S 领域，如果发布一款可复现、经得起公开测评的模型，建立的行业信任和影响力会截然不同。
对寻明生科而言，开源也是一次身份证明。过去，外界倾向认为我们是一家 AI 生物科技公司，因为我们把药物研发、管线授权作为核心商业模式。
但现在我们希望向行业传递一个信号：寻明生科在严肃地做基座模型，准备上全球生物基座模型竞争的牌桌。
因此，我们把基于开源数据训练的 OpenDDE 开源，其训练数据集和数据划分规则与 AlphaFold3、Boltz 等生物计算模型一致，通过创新算法架构、算力调度实现性能提升。比如，在抗原、抗体结构预测方面，OpenDDE 预测精度整体较 AlphaFold3 提升约 1.5 倍。
开源的 OpenDDE 只覆盖生物结构建模，这是完整药物研发链条中一个环节，即便全部开源也不会冲击公司核心竞争力。从需求侧，当前开源社区内的生物基座模型供给稀缺，2024 年 AlphaFold3 发布后至今，全球仅有 1、2 款开源模型实现明显性能超越。所以，开源出来，送一部分能力给大家也无妨。
暗涌 Waves：有没有具体靶点发现，或抗体药物研发的案例，能证明 OpenDDE 的性能更优？
赵伟安：以一款自身免疫疾病靶点为例，其特点在于抗原表位埋藏浅，传统动物免疫、文库筛选很难筛选出高活性结合抗体。
2023 至 2024 年，我们使用 AF 开源模型和内部模型设计这个靶点药物时，设计 50 条序列，通常只有五六条具备活性。今年将 OpenDDE 接入设计流程后，同样设计 50 条序列，有 30 多条表现出较高的生物活性，命中率提升至 60%。
这让我们看到，模型性能提升后，生成高质量候选分子的概率也大幅提升。类似信号已经在多个靶点上出现，让 AI 攻克传统难成药靶点具备了更具体的可行性。
暗涌 Waves：模型虽然开源了，但技术报告显示算力消耗很大，普通药企和科研机构用得起吗？
赵伟安：我们有专门团队负责开发轻量化推理分支，计划未来半年内正式发布轻量化版本。同时，我们也在和英伟达联合开发分子推理专项加速方案，模型会部署至专属算力加速集群，向药企、科研机构提供更低门槛的推理服务。
差异化分子，成为竞争核心
暗涌 Waves：OpenDDE 开源后，来自大药企的实际反馈如何？
赵伟安：已有不少第三方机构复现了 OpenDDE 的能力，也有许多大型药企资深科学家、VP 级管理层主动联系我们，表达对这款模型的兴趣。
开源 OpenDDE，对我们未来的商业拓展也有正向作用。近期，我们组建了专职 BD 团队，希望把市场对 OpenDDE 的关注，转化为基于模型、数据和湿实验闭环的实际合作。
暗涌 Waves：能不能展开聊聊这些合作如何进行。
赵伟安：如今，大药企与 AI4S 企业的合作，正在融合新药管线 BD 授权、AI 模型及应用销售两种模式。
现阶段，大药企锁定管线的节奏不断前置，对于高验证潜力、转化成功率稳定的靶点，他们愿意更早入场。
药企会拿出几个传统动物免疫、文库筛选方法做不出来的靶点，要求 AI 公司在指定条件及时间内，设计符合要求的候选药物分子。分子交付后的初步验证，可由 AI 公司在自有干湿闭环实验室完成，也可由药企 /CRO 独立评估。
这种模式启动门槛低，药企可以用一个具体项目，快速、轻量化验证 AI 公司的能力，甚至同时比较两三家公司。如果候选分子达到要求，双方再通过管线授权、合作研发等方式推进后续开发。AI 公司也能因此跳出传统软件收费的限制，共享药物资产更长期的高价值。
暗涌 Waves：在这个新趋势中，寻明生科的优势是什么？
赵伟安：核心优势是持续、规模化产出新颖的差异化分子。
一直以来，行业内都不缺乏加速或批量提供抗体分子的方法，真正稀缺的是围绕临床需求进行，做差异化定制设计。
以我们一条双特异性抗体自研管线为例，这款药物用于心血管代谢疾病，市面上虽也有类似产品，但由于使用剂量大，仅能静脉注射，患者依从性差。在 AI 模型的辅助下，我们定向设计出的高活性分子仅需同类产品 1/6 剂量，未来有望实现皮下注射，提升患者的就医便利性和接受度。
目前，我们已在心血管代谢、自身免疫、中枢神经系统疾病三大领域产出十数条候选管线，进展最快的心血管适应症管线预计在明年一季度递交临床试验申请（IND）。我们会在管线进入临床前候选化合物（PCC）阶段，就启动对外 BD 合作；部分核心管线会考虑自主推进临床开发。
早期药物研发领域的 AI 竞争，已经从蓝海走向红海。AI 可以加快候选药物分子的产生，但后端临床资源依然有限，监管标准也不会因为 AI 而降低。如果大家只是围绕成熟靶点不断生成相似分子，前端效率越高，后端反而越拥挤。所以必须通过 AI，实现差异化竞争。
