一家成立仅一个多月的公司，拿到了亿元级天使轮融资。艾斐智药把产品命名为PharmAgents，希望让AI不再只是药物研发中的检索助手或分子生成器，而是参与靶点判断、实验方案选择和管线推进的“决策大脑”。团队已积累近五年的AI制药研究，并与药企等建立三十余项合作，这使这笔融资不只是资本对概念的下注，更像是对科研智能体能否进入真实研发流程的一次集中检验。
药物研发恰好是检验AI价值最严格的场景之一：候选分子再漂亮，也要经过实验、毒理、临床和监管；模型给出的解释再完整，也不能替代可复现的证据。与此同时，Inherent的科研系统Faraday、鼎犀智创的材料研发平台和一批实验自动化项目正在从不同方向逼近同一个目标——让AI从“提供答案”升级为“组织证据、安排实验并推动决策”。
AI制药争夺决策权
过去几年，AI制药最容易展示的能力是虚拟筛选：在巨大的化学空间里更快找到可能有效的分子，或者预测蛋白质结构与分子性质。这些能力能减少早期搜索成本，却没有自动解决后续问题。研究团队仍要判断哪个靶点值得投入、哪种实验最能排除错误假设、失败后应该修改分子还是改变作用机制。真正昂贵的部分，常常不是生成候选，而是在不确定信息下持续做选择。
PharmAgents强调“决策大脑”，说明创业公司正在把产品边界向研发流程上游和下游同时延伸。一个可用的药研智能体需要读懂论文、专利、实验记录和临床数据，还要识别证据强弱、指出冲突信息，并把建议转化成下一轮可以执行的实验。它不能只给出一个高分分子，而要告诉研究员为什么值得做、先验证什么、出现哪种结果就应停止投入。
融资买的是研发闭环
成立时间短却迅速获得亿元级融资，容易让外界只关注速度。更重要的信号是，资本正在重新判断AI制药公司的壁垒。通用模型越来越强，单纯接入大模型、生成报告或展示分子图已经很难形成长期优势。真正难复制的资产，是高质量实验数据、与药企共同打磨的流程、能够追溯的决策记录，以及模型建议和现实结果之间持续回流的闭环。
艾斐智药披露已与药企等建立三十余项合作，并推进包括注意缺陷多动障碍在内的药物管线。合作数量并不等于临床成功，但它至少提供了检验系统的真实环境。科研智能体只有面对数据缺失、实验失败、团队意见冲突和预算限制，才能证明自己不是论文问答工具。投资资金最终需要转化为数据治理、湿实验验证、跨学科团队和管线里程碑，而不是更华丽的演示界面。
科研大脑要学会取舍
前DeepMind团队创办的Inherent，获得五千万美元种子融资后推出Faraday，方向同样不是让AI机械执行固定步骤，而是训练它在信息不完整时判断“下一步研究什么”。其Replica框架把论文拆成大量研究任务，试图让模型学习科研人员选择问题、评估方案和调整路线的习惯。这个思路很关键，因为实验室的资源永远有限，好的科研系统首先要会排除低价值尝试。
但所谓“科研品味”不能变成难以解释的模型直觉。系统需要给出证据来源、假设条件、替代方案和置信度，还要明确哪些结论来自已有数据，哪些只是待验证推断。对于药物研发，模型如果把相关性误当因果关系，可能让团队在错误靶点上投入数月；对于材料研究，错误的边界条件也可能让看似优异的配方无法复现。AI越接近决策核心，证据链就越需要结构化。
材料研发给出实物检验
鼎犀智创的案例展示了科研AI另一种更硬的验收方式。其RhinoMat模型与自动化实验系统结合，把烯碳与芳纶复合纤维的研发周期从两千天压缩到四天，并将电解液配方研发周期从一百八十天缩短到三十天。数字是否能在更多任务中复现仍需持续观察，但“模型提出方案—机器执行实验—结果回流模型”的链路，至少把评价标准从文字质量推进到了真实材料性能。
这类闭环的价值不只是快。传统实验往往散落在表格、仪器文件和研究员笔记中，失败结果也容易被忽略。自动化平台可以统一记录温度、浓度、批次、设备状态和评价指标，让每次失败都成为下一轮搜索的约束。对药研团队而言，道理同样成立：如果AI只能读公开论文，却拿不到规范化的实验过程与负结果，它很难真正理解一条研发管线为什么走不通。
人机分工必须重新设计
AI进入科研流程，并不意味着研究员只需等待答案。相反，人的任务会从执行大量重复步骤，转向定义目标、审查证据和处理异常。模型可以同时比较数百个方案，但研究员要判断评价指标是否合理；机器人可以连续完成实验，但实验负责人要确认样本、仪器和安全条件；智能体可以形成决策建议，但项目负责人仍要为管线取舍负责。
有效的人机分工还需要设置停止条件。科研Agent很容易为了提高某个指标不断尝试，甚至利用评估漏洞获得漂亮结果。系统应提前限定预算、实验范围和可接受风险，当结果偏离物理常识、重复性不足或涉及高风险操作时自动暂停。所有关键建议都应保留版本、输入数据、调用工具和人工审批记录，使团队能够回到任意节点复核，而不是只看到一份最终报告。
医疗数据决定能力上限
制药与普通办公应用最大的差别，是数据既稀缺又高度敏感。不同医院、药企和实验室的数据格式不一，样本分布也可能存在明显偏差。一个在公开数据集上表现优秀的模型，进入特定人群或罕见疾病场景后可能迅速失效。企业部署时必须区分科研探索与临床决策，做好脱敏、访问控制、用途限定和跨机构数据授权。
数据质量还决定了智能体能否正确理解失败。缺少实验条件的阴性结果，可能被模型错误解释为分子无效；选择性发表造成的正结果偏差，又会让模型高估某条技术路线。比起无止境地扩充文本语料，科研AI更需要标准化的实验元数据、负结果和长期随访信息。谁能建立可靠的数据回流机制，谁才更可能把模型优势变成稳定的研发效率。
商业化要看里程碑
AI制药的商业化不能只用调用量或用户时长衡量。更有意义的指标包括候选靶点进入验证的比例、实验迭代次数是否下降、管线淘汰是否更早、关键结论能否复现，以及单位研发预算换来了多少有效证据。即使模型没有直接发现新药，只要能帮助团队更早放弃错误路线，也可能节省可观成本。
收费方式也会随之变化。仅按账号或Token收费，很难体现科研系统创造的价值；按项目、实验阶段或里程碑收费，更接近药企的决策逻辑，但也要求供应商承担更高交付责任。对创业公司来说，最重要的不是把AI包装成万能科学家，而是选择边界清晰、数据可获得、结果可验证的任务，逐步证明系统能稳定减少时间和风险。
从生成答案到推动发现
PharmAgents、Faraday与自动化材料实验平台共同释放出一个清晰信号：AI科研的竞争单位正在从模型，转向由数据、工具、实验和审计组成的完整系统。模型参数仍然重要，但决定系统能否进入实验室的，是它能否理解任务状态、调用正确工具、保留证据，并在失败后调整下一步。
这条路不会像生成一段文字那样迅速。药物管线需要多年验证，材料性能也要跨批次、跨设备复现。正因为验证周期长，行业更应该警惕把早期结果包装成确定性突破。真正值得期待的不是AI一夜取代科学家，而是它让更多假设得到低成本检验，让失败更早暴露，让研究人员把时间集中在问题定义、证据判断和原创发现上。谁先把这种能力做成可靠流程，谁才可能真正拥有科研时代的“决策大脑”。
