最近，物理二字越來越頻繁地出現在AI4S和製藥界的敘事語境中。
尤其是在過去半年間，業務觸及AI4S上、中、下游的初創企業，爭相把對物理世界的求索，寫進融資稿裡。2026年8月，Transfyr成立即完成2500萬美元種子輪融資，Physical AI Platform for Science（科學物理AI平台）的字樣被寫進融資新聞的標題中。在國內，術也科技9月完成Pre-A輪融資，同樣將用Physical AI （物理AI）打造自驅動實驗室，寫進融資新聞稿標題，而6月近億元A輪融資的津渡生科，也在新聞標題中赫然提出，以物理AI重塑生命科研範式。
儘管對於究竟什麼是製藥界物理AI，行業裡還莫衷一是，但似乎只要握住了物理二字，就握住了真實世界的入口。
01. 風口上的AI4S，出現物理大潮
物理AI，原本是一個出自科技世界的熱門新詞。在這輪新的人工智慧熱潮中，物理AI成為常常與具身智能、世界模型相伴出現。在科技界，物理AI通常指與物理世界相融合的AI，比如自動駕駛。在年初的國際消費電子展（CES）上，黃仁勳曾把物理AI稱為AI的下一波浪潮。
相比具身智能和世界模型，物理AI給出了更大的概念外延和更廣闊的想像空間，因此迅速獲得了資本界、學術界、產業界的高度認可。如今，物理AI的大潮湧入了生命科學的世界，並且獲得了更大的概念外延。
“其實物理AI這個詞對業內同行來說，也是一個新詞。”術也科技創始人兼CEO李謖告訴動脈網，“結合我們的經驗來看，物理AI就是能夠真實感知現實環境，並操控以往由人控制的裝置去執行任務。放到實驗室場景中，可以解釋為讓AI通過儀器或機器人參與實驗。”李謖指出，物理AI在生命科學實驗室的關鍵價值，體現在環境感知和決策判斷環節。據動脈網不完全統計，過去一年多里，貼著物理AI 標籤的生命科學企業密集獲得融資，其中不乏早期的大額融資。
這一輪裡頗受關注的兩家，一家在紐約，一家在深圳。2025年底，總部位於紐約的AI機器人初創企業Medra 完成5200萬美元A輪融資，加上此前 1100 萬美元的種子輪，累計6300萬美元。Medra的創始人，是華裔女科學家Michelle Lee，畢業於史丹佛大學，曾在史丹佛AI Lab從事多年機器人基礎模型研究。2022年離開創業前，Michelle Lee還曾在馬斯克的SpaceX實習。Medra致力於開發物理人工智慧科學家用於藥物發現，Michelle Lee將這項工作總結為兩個層級的協同，即科學AI提出假設，物理AI操作儀器。
半年後，總部位於深圳津渡生科完成近億元A輪融資，高特佳投資領投。此前，津渡生科在2025年連續拿下紅杉種子基金、創東方投資和南山戰新投的幾輪融資。津渡生科由創始人兼CEO金泳成，與另外三位牛津校友共同領銜，他們曾在《Nature》等頂刊發表過六十余篇論文。官宣A輪融資時，津渡生物明確表示，這一輪資金將首先用於深化物理AI的底層架構。
此外，多家成立時間更早的公司，此番也藉著物理AI的東風，重獲資本青睞。2025年5月，蘇州予路乾行完成數千萬元A輪融資，元生創投領投，創始人鄭錚曾表示，把予路乾行的技術路徑，是深度融合AI與物理模擬，用分子動力學去算藥物分子與靶點的動態相互作用。2026年3月，杭州合碳智能拿到5000萬元新一輪融資，湧鏵投資領投。此時距離它的上一輪融資，已經過去3年半。合碳智能創始人陳志剛做過藥明康德的第一任首席數字官，他沒有直接用物理AI 這個詞，而是強調合碳智能要做一個通用的、由軟體定義的機器人科學家。
同年8月，成立於2018年的杭州術也科技，完成Pre-A輪融資。術也科技創始人兼CEO李謖，是慕尼黑工業大學工程機器人方向的博士，公司的口號是Physical AI for Science。次月，成立於2013年的宇道生物宣佈數千萬美元C1輪落地。在融資新聞稿中，宇道生物強調AI加物理雙輪驅動，用來識別傳統力場抓不到的隱式變構位點。
值得注意的是，對於極早期的物理AI生命科學項目，投資機構更表現出了極大的熱情。2026年4月，Transfyr的 2500 萬美元種子輪落地，約合人民幣1.68億元，這家公司直接將自身定位於科研可觀測物理AI平台。在國內，2026年8月，深度細胞完成近億元種子輪融資，提出以AI加物理，把分子物理機制寫成模型約束。次月，成立剛滿一個月的上海斐睿科思完成數百萬元級首輪戰略投資。斐睿科思將品牌名定為Phyraxis AI，公司定位更是直指面向科學的物理人工智慧。斐睿科思創始人王童在論述公司業務時更提及具生智能，他曾指出，生命科學領域的具身智能不能只停留在機器人完成一次動作的演示層面。
另一邊，製藥巨頭也拿出空前的熱情，主動擁抱物理AI。2026年1月，輝達與禮來宣佈合作，在舊金山灣區建AI聯合創新實驗室，把前者的BioNeMo平台接進禮來的研發流程，預計5年內將為此投入最高10 億美元，來支付由此產生的人才、基礎設施和算力支出。在這場發佈的新聞稿標題裡，Physical AI與AI驅動的藥物發現被放在並列的位置，賽默飛世爾、安進、羅氏、Multiply Labs等一眾藥企、自動化公司共同出現在生態名單上。此外，2026年8月，先聲藥業與薛定諤達成全球藥物發現與開發合作。雙方明確，先聲將主導臨床前和臨床，薛定諤則提供的物理學加AI的計算設計能力。更早之前，大模型巨頭Anthropic 與HHMI Janelia合作，開源了一套模型硬體標準 MHS，目的是讓模型能夠統一發現和呼叫顯微鏡、液體處理儀和機械臂，極大降低了AI進入實驗室的難度。
至此，超30億美元直接或間接流入，AI4S的物理熱可見一斑。
02. 物理AI4S要做什麼？
究其本質，物理AI的核心是跳脫出計算模型，與真實世界相融合。那麼物理AI4S所結合的真實世界，即是在AI浪潮下發生巨變的實驗室。
隨著生物大模型的不斷進化，AI設計的產出已經足夠繁榮，而驗證和資料反饋極度匱乏，由此激發出巨大的濕實驗需求。設計端每天在產出分子，驗證端是唯一的出口，“這讓真實實驗的資料，尤其是失敗的實驗資料，變得至關重要。”一位從業者告訴動脈網。總體而言，眼下技術風格各異的物理AI4S，可以大致分成兩類，即把物理當場地，做機器人，賣實驗通量和證據鏈的公司，比如Medra、津渡生科，和把物理當知識，做模型，賣先算再試的公司，比如深度細胞、予路乾行。兩類物理AI4S公司都圍繞實驗下功夫，前者提高實驗效率，後者減少實驗需求。
把物理當場地的公司，主要處理實驗室智能化問題。這有點類似生命科學領域的具身智能，因此也更早引入物理AI的概念。儘管智能實驗室並非新概念，但現在的實驗室，絕大部分操作還握在人手裡，除了部分單一環節實現了自動化外，從設定目標到結果產出的過程，仍需要研究者反覆試錯，繁瑣而不智能。“對於物理AI4S而言，這其中真正的卡點，在於實驗經驗的流失問題，”前述從業者指出，“需要把資深科研人員靠長年手感積累的直覺和竅門，變成可復現、可追溯的資料。”因此，不少物理AI4S公司都提出了打造AI物理學家的終極方案。
具體來看，物理AI在實驗室落地的模式可以分成兩種。第一種是自建實驗室，比如2026年4月，Medra在舊金山落成所謂全球最大實驗室ML001，佔地約3530平方米，上百台機器人全天候運行。另一種模式則更輕，把AI演算法或者機器人送進現有的實驗室，大多數物理AI4S企業紮根於此。
比如，術也科技用視覺-語言-動作模型建構“VLA Operon”物理多智能體叢集，讓移液、純化等裝置不再是孤立執行終端，而是具備感知、決策與協同能力的智能體，同時配合可智能樂高式組合的模組化工作站，把實驗從人工操作變成自驅動流程。“加入 AI 之後，我們希望系統不僅能分析本批結果，更能幫助我們決定下一批優先嘗試那些條件，也就是幫助實驗人員摸索前置條件。”李謖解釋道。
再如，合碳智能把機器人百濟神州廣州生物島創新中心的實驗室，做藥物分子純化。據瞭解，試運行50天，合碳智能的Talos跑了15個真實藥物分子，每個涉及兩百多個連續操作步驟，累計超過3000次物理操作，成功純化其中的14個藥物分子。再如，湧生智能與上海人工智慧實驗室的四組濕實驗更完整，96孔板接菌培養全部生長，24個菌落 PCR 全部擴增出預期條帶，分子克隆做出兩個質粒並測序確認15個突變體，PCA法組裝在96個候選克隆裡做出93個陽性。
斐睿科思和津渡生物的模式則更輕，前者把執行證據帳本列為平台模組，記錄指令、狀態、視覺證據、操作結果和異常資訊，後者圍繞實驗樣本做全生命周期追蹤，工單精確到液體體積、溫度梯度、時間窗口。
把物理當知識的公司，則嘗試建構微觀的世界模型，把分子力場、構象動力學、量子化學等寫進模型，先算，再交給實驗室去驗。
深度細胞的思路是把分子物理機制轉成可學習、可驗證的模型約束，而不是在模型外面疊幾層物理規則。宇道生物收了十幾年的蛋白構象做成資料庫，在它上面訓練出一個針對構象變化的分子力場，用來識別傳統力場抓不到的隱式變構位點，代表管線是 p53 Y220C 重啟動劑。Fathom 用量子化學加 AI，以原子解析度模擬蛋白質運動，做的是一個模擬藥物在活細胞中作用的世界模型。予路乾行走多尺度分子動力學，落在蛋白降解劑、GPCR 和核酸藥物上。
這類公司減少實驗需求的策略，是改變試錯的位置。當物理規律被裝進模型，一部分試錯可以先在電腦裡做完，即儘可能減少證偽的實驗需求。總部位於法國的 Aqemia甚至宣稱，不用實驗資料，用物理演算法就可以生成合成資料來代替，意味著將試錯的過程，整體搬進電腦。當然，這類嘗試大多尚處於早期，距離證偽或證實都很遠。
03. 當AI製藥遭遇真瓶頸
在AI4S豐富的應用場景中，製藥是最成熟、也最具潛力的一個。而物理AI4S大熱的背後，AI製藥時下正遭遇的困境，無疑是極大的助推因素。
隨著AI製藥終於將在研管線送進III期臨床試驗，AI給古老的製藥工業帶來的真實價值也越來越多被拷問。來自多個口徑的資料都表明，儘管AI提升了新藥篩選的效率，這些被AI選出來的分子，在後續臨床試驗中的失敗率，甚至比傳統流程下的分子更高。換言之，AI製藥的進展集中在能算的那部分，精度和速度每年都在刷新，卻沒能真正改變新藥研發高風險、長周期的本質。而這樣的AI製藥，天花板未必太高。過去幾年，製藥行業在AI上的投入持續加碼，進入管線的分子數量逐年上升，真正走到後期的卻寥寥無幾。
瓶頸的位置，可以從模型能力說清楚。CASP16官方評估顯示，AlphaFold 3在蛋白與配體構象預測上平均LDDT-PLI達到0.80，遠超全部參賽組，但同一份評估對親和力預測的判斷是完全不可靠，與實驗資料的最大Kendall τ只有0.42。模型能告訴你分子怎麼結合，卻不能告訴你結合得好不好。也就是說，突破AI製藥瓶頸的關鍵，顯然已經不在於大模型。正如Medra創始人Michelle Lee所言，當前AI加藥物研發，軟體遠遠超過了硬體。
模型學的是歷史樣本的統計規律，但在新藥開發的過程中，深度挖掘統計規律所能帶來的獲益十分有限。“在生命科學實驗室，最正常不過的情況，就是實驗並不總是按預想發生，”李謖指出，“因此我們需要讓實驗系統具備自主感知異常狀況的能力。”這就好比，在自動駕駛領域，在特定道路上做定速巡航，與在任意空間範圍內做自動駕駛，兩者差異巨大。
而真實資料恰恰是AI製藥企業最不具備的。藥物研發越靠近臨床階段，資料越少，大量失敗實驗資料沉澱在企業內部，外部只能看到成功案例，容易造成倖存者偏差。這就形成了一個結構性錯配，模型最需要的那批資料，恰好是最不可能外流的那批。對藥企而言，外部AI工具的能力可以買，資料卻不外給。而一份可用的訓練集必須同時納入成功與失敗的實驗資料，才能形成閉環，進而對未知研發問題給出可靠判斷，形成悖論。
AI製藥的困境之下，實驗需求驟然上升。AI製藥的極限，不再是演算法、算力的邊界，而是物理世界的邊界。
誠然，物理AI這個詞現在的熱度，確實有風口的成分。但努力的方向對了。畢竟物理AI4S熱的落腳點不再是使模型更聰明，它開始碰實驗台和資料。如果基於AI的嘗試，讓實驗可復現、可記錄、能反哺下一輪產能，那麼物理AI4S能力，將成為AI製藥最核心的卡位因素。 (動脈網)