发生了什么：科学家在对话框里给出目标；AI Experimentalist 起草实验计划，交给 Medra 的机器人执行，读取结果再修改实验方案。合作方可以在自己的场地使用，也可以通过 Medra 4 月在旧金山开设的 3.8 万平方英尺实验室 ML001 使用，那里的封闭测试项目涉及抗体、蛋白质工程、基因编辑和细胞生物学。它用到英伟达的 Nemotron 模型和 BioNeMo 智能体工具等。
为什么重要：Medra 押的是：现在慢的是验证而不是想法，所以推理应该放在机器人旁边。唯一的实例来自它自己：一个抗体结合实验从三天缩短到约 14 小时，靠省掉两天的克隆步骤并调整其余环节，没有给出数据。DARPA 出钱说明政府想要把实验方案变成机器人操作，但这不是结果。
发生了什么：Bayer 将用 Iambic 的平台，包括 Enchant 和 NeuralPLexer 模型，发现小分子药物，目标是难成药的靶点和与已知分子不同的苗头分子。Iambic 可获首付款以及里程碑和销售分成；公告没有给出金额、靶点或项目数量。Bayer 的业务发展与授权负责人 Juergen Eckhardt 和 Iambic 首席执行官 Tom Miller 代表双方发言。
为什么重要：Iambic 今年已有三笔药企平台合作：2 月 Takeda、6 月 Bayer、9 月 AbbVie，10 月 14 日 IPO 定价。Bayer 付费使用的是模型，不是把某一个资产交出去按里程碑分成。
证据与边界：只有公司新闻稿里的条款：没有金额、靶点和项目数量，Bayer 一方也还没有平台产出的结果。
发生了什么：这座自主实验室在三轮催化剂优化中完成 680 次实验，并把选中的结果从 2 mL 发现尺度转移到 20 mL 反应器。
为什么重要：重要的不只是自主搜索，而是从微型发现实验向更接近工艺条件的尺度转移。
发生了什么：曾领导 AlphaFold 团队、分享 2024 年诺贝尔化学奖的 John Jumper 在 X 上宣布，在 Google DeepMind 工作近九年后，他将休整一段时间再加入 Anthropic。最先报道此事的 Bloomberg 称，他一直是 Google AI 编程团队的关键成员。
为什么重要：领导过 AlphaFold 的人转到一家今年已发布自己科学成果的实验室，其中包括由 Claude 设计、经实验室测试的蛋白结合物。他在 Anthropic 的工作尚未公开。
发生了什么：这项在澳大利亚开展的单中心、随机、安慰剂对照试验，将在约 80 名健康志愿者和 20 名有心血管风险的肥胖成人中测试单次和多次递增口服剂量的安全性、耐受性、药代和药效。ISM8969 设计为可进入大脑，用于治疗包括帕金森病在内的慢性神经炎症。按合作协议，由深圳一只基金和复星医药孵化的 Hygtia 持有一半全球权益，英矽智能最多可获 6600 万美元。
为什么重要：它让英矽智能进入人体试验的分子里多了一个能进入大脑的抗炎药；在这笔交易里，合作方持有一半全球权益。英矽智能把它算作这笔合作的第一个临床里程碑。
证据与边界：首例给药只说明试验开始了，不说明药物安全或有效；“AI 驱动”的设计是公司自己的说法。
发生了什么：Noetik 的 Ryan Dalton、Ron Alfa 等与 Agenus 合写白皮书：TARIO-2 用成对的肿瘤切片和空间基因表达数据训练，能从治疗前的常规 H&E 切片推断基因活性。1b 期试验 C-800-01 的 49 名微卫星稳定型、无活动性肝转移的结直肠癌患者中，模型排前 30% 的人缓解率 64%，其余 9%（AUROC 0.81，置换检验 p=0.04）；47 人的生存风险比 0.18。同一任务上它胜过两个只用 H&E 训练的开源病理模型。
为什么重要：它检验一个学过空间生物学的模型，能否从癌症诊疗里最便宜的那张切片读出药物反应。这里给出的答案来自对一项已完成入组的小型试验的回顾分析：主要分组只有 49 人，模型在交叉验证下用这些患者自己的结局拟合，由 Noetik 与这款药的研发方合写，未经同行评审。卵巢癌和肉瘤结果方向一致，但未达统计显著。要证明它有效，得有按这种方法前瞻性挑选患者的试验。
发生了什么：据 Fortune，Obvious Ventures、Triatomic Capital、Factory 和 First Spark Ventures 参投，Patrick Collison 在种子前轮投过。CEO 是 Eric Nguyen，联合创始团队还有 Michael Poli、Stefano Massaroli 和 Armin Thomas。钱用于更大的模型、更多研究人员和算力，一个装 NVIDIA Blackwell 芯片的数据中心正在建设。公司有两项早期合作，一家癌症检测公司和一个美国国家实验室（用于病原体检测），并说收入方式还在成形：API 授权、为药企调校的模型、里程碑付款。
为什么重要：这笔钱投给的是一家把 DNA、RNA 和蛋白质当作同一种语言来处理的实验室，而多数拿到融资的生物 AI 公司只做单一模态。出钱的对象还是做出开源 DNA 模型的人，别人用这个模型生成过一个能工作的病毒基因组，所以公司从一开始就把设计和防御放在一起。
证据与边界：估值没有披露。公司自己的文章给了金额，没有列出投资方；投资方和资金用途来自 Fortune 的独家报道和 JustAINews，后者引用了 Emergence 的 Gordon Ritter。两个合作方都没有点名，收入模式按 CEO 的话说还没想清楚。
发生了什么：Omnii 输入 DNA 和保守性轨道，上下文 200 万个碱基，并经过后训练，不需要在冻结的嵌入上再训练探针。在 ClinVar 非编码单碱基变异上 AUROC 为 0.975，CADD 为 0.909，Evo 2 40B 为 0.911；在拷贝数变异上 0.773，CADD-SV 为 0.664；在 TraitGym 复杂性状上 AUPRC 为 0.410，Borzoi 为 0.297。文章还展示了一种设计方法和注意力图；Omnii 处于早期试用。
为什么重要：基础的基因组模型在变异解读这个遗传学家真正关心的应用任务上，一直落后于 CADD 这样的手工评分。这是 Evo 作者第一次报告，经过后训练的基因组模型在非编码变异上超过了这些评分，而大部分与疾病相关的变异就在非编码区。
证据与边界：所有数字都是公司自己的：基线是它按 EVEE 论文的协议重新打分的，EVEE 的探针也是它自己复现的，序列到功能模型只和开源的比。没有外部团队跑过它；关于生物防御和癌症疫苗的 Omnii 预览文章没有读。
发生了什么：高特佳投资领投；未提及其他投资方，未披露估值。创始人兼 CEO 金泳成介绍了两部分：GeneLLM，一个用个体原始 RNA、蛋白和代谢数据预训练的多组学大模型，公司称有 15 亿参数、3.5 万亿碱基；以及 BioFord Agent，一组设计实验并调度不同厂商测序仪、液体工作站、PCR 和质谱仪器的智能体。资金用于物理 AI 底层架构、智能体平台和海外市场。
为什么重要：津渡生科向生物实验室卖的是闭环：模型提出假设，仪器去测，结果再回来。所有数字都来自公司自己，它没有展示 GeneLLM 的基准测试、论文，也没有展示这个闭环跑过的任何实验。这一轮能说明的是，一家只投医疗健康的机构在为实验室智能体出钱。
发生了什么：这个 20 亿参数的模型建在 Terray 的 COATI 之上，每提出一个分子，就从 260 个可靠反应里给出合成路线。在 1000 个 ChEMBL 分子上，它重建出 53.8%；ReaSyn 为 32.1%，每个分子耗时约为它的 1000 倍；速度相当的 PrexSyn 为 24.0%。在 Terray 的 5 个项目中，它设计的分子 4 周内做出一半；此前 8 个项目的设计不带路线，要 8 周；之后 4 个项目再由化学家从每 22 个中挑 15 个，4 周做出 90%。
为什么重要：合成分子是药物设计里最慢的一步，AI 设计的分子常卡在这里。这是公司自己的博文，不是论文：项目对比按日期先后划分，不是随机分组，共 244 个化合物；检查设计是否仍然有效时，用的是 Terray 自己的模型预测，不是实验测定。
发生了什么：Recursive Superintelligence 的系统自己提出想法、写出实现、跑实验、检查结果，再挑下一个实验。它报告：在 Karpathy 的五分钟 NanoChat 任务上，把验证损失从每字节 0.9372 比特降到 0.9109，超过社区最好成绩；把 NanoGPT Speedrun 从 79.7 秒缩短到 77.5 秒；在 NVIDIA 含 235 个内核的 SOL-ExecBench 上，把平均分从 0.699 提到 0.754。它公开了这些运行的产出。
为什么重要：Recursive 融资 6.5 亿美元做能改进 AI 的 AI，创始人包括 Richard Socher、Tim Rocktäschel 和 Jeff Clune，他们说目标是让科学发现自动化。这是它首批公开结果：一个自动化循环超过了此前最好的公开成绩，其中一项是人类已经调了两年的 speedrun，而这些任务是因为每次实验快、分数清楚才被选中的。科学问题很少具备这两点，这正是它和实验室之间的距离。
证据与边界：所有数字都是 Recursive 自己的。Speedrun 的时间是在租用节点上测的，不是排行榜的官方硬件，当时也还没有提交。公司说有些候选在内核基准上钻了评测的空子，是用它自己的检查筛掉的。它还说，底层模型可能本来就知道系统用到的公开技术。
发生了什么：晶泰在港交所自愿公告中称，一个代谢类 GPCR 靶点试点之后签下完整合作：合作方付首付并全额资助晶泰早期研发，加上临床前、临床、商业里程碑和销售分成，潜在总值超 4 亿美元。首付金额未披露。该靶点没有公开的小分子结合高分辨率结构，晶泰称先模拟受体的多种构象，拿数亿个化合物去筛，再用自由能计算给结合打分。
为什么重要：它要回答的是：模拟能否替代一个没人公开过的小分子结合结构；一家药企看过试点后愿意付钱继续。但合作方、靶点和首付都未披露，试点命中率只被称为“突破性”而没有数字，4 亿美元大多取决于里程碑。这说明有买家愿意为此付钱，不说明方法有效。
发生了什么：Anthropic 化学家 David Kamber 从模型训练截止日之后发布的 ChemRxiv 预印本中选了 20 个化合物。预测氢谱化学位移时，Opus 4.7 平均误差 0.079 ppm，是几种工具中最准的；碳谱与 MestReNova 打平（1.37 对 1.48 ppm）。反过来从分子式和一维谱推结构，八个较简单的每次都对；七个较难的在给出起始原料后，三次中对两到三次。
为什么重要：读谱是合成化学里最费时的常规步骤之一：ChemDraw 和 MestReNova 只能正向预测，从结构推谱图，结构解析软件则需要二维谱。一个没有经过化学微调的通用模型能与这些软件持平，还能从化学家随手贴进对话的一维数据反推结构，化学家就可以开始把核磁核对交出去，再自己审核。
证据与边界：这是一次小规模的内部测试：四类骨架共 20 个化合物、15 道结构解析题、三种溶剂，不含二维核磁和立体化学。较难的结构需要起始原料作提示，作者自己也说结果只是指示性的，不够精确。
发生了什么：Pete Florence 和 Andy Zeng 来自 Google DeepMind，Andrew Barry 来自 Boston Dynamics，三人于 2024 年创办公司。Radical Ventures 领投 4 亿美元；8VC、Union Square Ventures、Hanabi Capital、Norwest 是新投资方，李飞飞和 Naval Ravikant 以天使身份投资，NVIDIA、Spark Capital、Bezos Expeditions 追加。累计融资超过 5 亿美元。8 月 24 日提交的 Form D 显示，自 8 月 7 日起又售出 1.982 亿美元。
为什么重要：能可靠操作物体的机器人，正是自动化实验室需要的东西。Generalist 押的是：机器人技能会随真实物理交互数据的增加而提升，这是其 GEN-0、GEN-1 模型背后的主张。这笔钱用于这套数据引擎和训练算力，所以它的下一代模型会检验这种扩展是否成立。
证据与边界：公司没有写轮次和估值；20 亿美元是 SiliconANGLE 和 TechCrunch 的数字。8 月那笔钱由 8VC 领投、估值 30 亿美元，来自 TechCrunch 的匿名信源，不在文件里。GEN-1 的可靠性数据是公司自己的说法。
发生了什么：开创 RNAi 药物的 Alnylam 与 Inceptive 签下合作。Inceptive 由 Transformer 论文作者之一 Jakob Uszkoreit 联合创立。3000 万美元首付包括现金和对 Inceptive 的股权认购；最高 20 亿美元中的其余部分取决于临床前、监管和销售里程碑。Inceptive 的模型将为靶标 mRNA 建模，探索 siRNA 序列和化学修饰，并预测哪些候选分子在临床前模型中表现最好，交由 Alnylam 开发。
为什么重要：Alnylam 有六款获批药物，并称握有 20 多年自有 siRNA 数据，所以这笔交易要回答的是：在自有数据已经这么多的地方，一个通用序列模型还能带来什么。首付中有一部分是股权投资；新闻稿称双方前期探索的表现“出色”，却没给任何数字：这说明 Alnylam 愿意为什么付钱，不说明模型有效。
发生了什么：知情人士告诉 Bloomberg，这轮 B 轮由加州公务员退休基金 CalPERS 和 NVIDIA 旗下 NVentures 作为基石投资方。Lila 和 CalPERS 拒绝置评。截至 2026-10-07，Lila 和投资方都没有宣布交割。
为什么重要：如果交割，价格将是八个月前的数倍，而且是在 Lila 发表任何成果之前定的。由公共养老基金做基石，意味着退休储蓄也押在“实验室可以成为模型数据来源”这一判断上。目前仍是洽谈，消息来自匿名人士。
发生了什么：Pearl 系统在 Genesis 的共折叠模型 Pearl 上加了推理时采样，以及物理与 AI 结合的构象排序。只给蛋白酶序列、配体二维结构和一个晚于 Pearl 训练截止日期的无配体结构，对 78% 的配体，其前 25 个构象中有一个通过 OpenBind 的联合标准（误差 2 Å 内、物理合理、LDDT-PLI 不低于 0.8）。在 1 Å 内它达到 60%；OpenBind 测过的最好共折叠模型 Protenix 为 27%，对接到结合态结构的 GNINA 为 52%。
为什么重要：在这个靶点上，口袋旁的一段环在药物结合时移动约 3.9 Å，用未结合的结构做对接成功率不到 5%。能从序列预测这种移动的模型，就能用于还没有药物结合态晶体结构的靶点，而这正是共折叠方法要发挥作用的地方。
证据与边界：这是 Genesis 在一个蛋白酶上自己跑的结果，发在公司博客，没有公开代码或模型；对照数字取自 OpenBind 公布的结果。前 25 取最好，假设能挑出正确构象；只取一个构象时，2 Å 内的联合成功率为 55%。
发生了什么：OrbMol-v2 在 Orbital 之前的分子模型上加入学习得到的原子电荷和显式的长程静电项。在 GSCDB 基准的 5,152 个反应上，它的误差是最好的杂化 DFT 泛函的 1.62 倍；公司说这胜过常用的 B3LYP 和 PBE0，比次好的机器学习模型低 21%，成本约为 DFT 的百万分之一。权重和代码以 Apache 2.0 开源。公司说新模块的第一版由大语言模型智能体编写。
为什么重要：B3LYP 这类杂化泛函是化学家计算分子能量的默认方法，到蛋白质或电解液的尺度就很慢。一个在覆盖面广的外部基准上与之相当、而且大偏差很少的机器学习模型（误差超过 100 kcal/mol 的反应只有一个，上一版有 59 个），可能成为化学家首先跑的那一步计算。没有长程电荷时，之前的模型连一对正在分开的离子都算不对。
证据与边界：比较由 Orbital 自己完成，发在博客里，没有论文。它去掉了 GSCDB 139 个子集中的 28 个以及所有涉及孤立原子的反应（这类模型算不了），并在同一子集上给 DFT 泛函打分。它的误差仍大于最好的杂化泛函，训练数据也只来自一种泛函（ωB97M-V）水平的计算。
发生了什么：天使轮与天使+轮由英诺天使基金领投，国汽投资、北工投资、BV 百度风投、水木清华校友基金参投，光源资本担任财务顾问。创始人吕定顺是清华大学最早一批量子计算方向博士，其后在华为与字节跳动 AI4S Lab 工作七年，2026 年 1 月在北京创办公司。资金用于核心技术研发、产品平台建设、产业场景拓展和人才引进。除“数亿元”外未给具体金额。
为什么重要：这笔钱赌的是：材料与化学的 AI 模型受训练数据精度所限，而更高精度的数据要靠量子计算来算。这是对一条供给链的下注，不是一个结果：公司成立只有几个月，还没有外部可核查的计算。