掘金 AI for Science：“卖铲子”的机会，藏在模型之后

AI for Science的链条正在被重新分工。上游，模型把蛋白设计、分子生成和科学假设的产出效率推得更高；下游，谁能快速、稳定、可重复地验证这些候选物，反而成了更稀缺的能力。硅兔君在梳理中判断，随着融资充足的头部AI for Science公司出现，一部分验证需求有机会从模型公司内部流向专业供应商，提供下游验证服务的公司也因此有了潜在付费客户。

模型把假设生产变快，实验验证开始排队

过去几年，AI for Science的叙事多集中在模型侧：预测蛋白结构、生成分子、设计材料。但當模型开始批量输出候选物，实验台、检测线和数据回传能力就成了新瓶颈。AI提升了上游假设的产出效率，下游的验证能力正在变得更稀缺。

资本已经开始押注那些能承接验证需求的头部公司。生命科学方向出现了Isomorphic Labs、Earendil、Xaira和Chai Discovery等高融资额或高估值公司；新材料方向有Periodic Labs。市场传闻中，Discovery Loop的估值口径甚至达到约500亿美元。

• 生命科学：Isomorphic Labs、Earendil、Xaira、Chai Discovery；
• 新材料：Periodic Labs；
• 高估值传闻：Discovery Loop估值口径约500亿美元。

这些公司手里有模型、有候选物，也有持续做实验验证的预算。对专业供应商来说，这意味着客户不再只是零散实验室，而是可能按轮次、按项目持续下单的模型团队。

Adaptyv用API接住1320个蛋白的测试需求

蛋白设计是AI for Science中进展最快的方向之一，也让“设计之后谁来测”变得更具体。Adaptyv是一个典型案例。今年8月，它完成4000万美元A轮融资，Highland Europe领投，ACE Ventures跟投。

它的业务不复杂：AI模型厂商设计蛋白，Adaptyv负责制造DNA、表达出蛋白，再测试它是否能与目标结合、是否稳定、能否正常生产。过去，这一步通常需要客户自己有实验室，或者找传统CRO外包，过程涉及反复询价、沟通实验方案、排队、做实验、拿Excel或PDF报告。

Adaptyv把这段流程做成了标准产品。客户可以通过网站或者Agent调用其API提交蛋白序列，公司负责后面的合成、表达、纯化和测试，并直接返回结构化实验数据，无缝衔接模型训练。其Adaptyv Foundry实验管理平台还能在线查看实验进度、管理任务并获取实验结果。

1. 客户通过网站或Agent调用API提交蛋白序列；
2. Adaptyv完成DNA制造、蛋白表达、纯化和测试；
3. 返回结构化实验数据，直接进入模型训练与下一轮设计。

Anthropic披露的一项蛋白设计研究展示了这种需求：Adaptyv测试了1320个Claude设计出来的蛋白，其中354个真的结合了目标，整体命中率约26.8%。对模型团队来说，一次测试上千个候选物并不罕见；真正重要的是，实验数据能否以可计算的形式快速回来，继续喂给下一轮模型。

AI CRO把报价、排程和报告压进一条流水线

CRO即合同研究机构，承接客户外包的研发工作。对于实验验证业务，客户购买的是一份在约定时间内返回、达到约定质量要求的实验结果。传统CRO已经服务行业多年，各家自动化程度并不相同。

新一代公司的机会，不在于简单再开一间实验室，而在于重新组织实验交付：把高频检测方法标准化，让报价、下单、排程、状态查询和结果交付形成连续流程，再通过软件接口接入模型团队。

-