本文共字，预计阅读时间。

导读

在生成式人工智能加速渗透科学研究的浪潮中，Lila Sciences正在探索AI与硬科技深度融合的新路径--通过"AI预测-自动化实验-数据迭代"闭环，推动科研从辅助走向自主。该公司聚焦生命科学、材料科学与化学三大领域，凭借其跨学科整合能力、自主实验平台和早期技术验证成果，有望成为下一代科研基础设施引领者。本文梳理了 Lila Sciences的技术优势、竞争格局、核心挑战与发展愿景，为理解AI驱动硬科技创新的机遇与复杂性提供一个前沿样本。

【中国金融案例中心 文：胡畔 编辑：谢彬彬 】

Part 1 公司简介

1.1 公司概述

Lila Sciences 是一家成立于2023年的AI驱动型生物科技公司，总部位于美国马萨诸塞州剑桥市。它由知名风投机构 Flagship Pioneering 孵化的两个AI项目--分别聚焦材料科学与生物学--合并而成，旨在弥合计算预测与实验验证之间的鸿沟，构建具备"科学超级智能"的自主研发体系，重塑科学发现的速度与效率。

公司核心竞争力源于其自主研发的"自主科学平台"（Autonomous Science Platform）。该平台将基于科学方法训练的AI模型与"AI科学工厂"（AI Science Factories）的自动化实验能力深度融合，构建起一个完整的闭环：从提出假设、设计实验，到自动执行、分析结果，并持续从成功与失败中学习迭代。这不仅让AI能自主推进科研流程，还能不断积累和优化科学知识。其核心业务聚焦三大领域：生命科学、材料科学和化学，致力于通过平台高效产出新型疗法、高性能化合物和前沿技术，并以授权许可或合作开发的方式，将这些创新成果转移给产业伙伴，推动商业化落地。公司已在剑桥启动首个AI科学工厂建设，并计划拓展至旧金山和伦敦，逐步建立全球布局。

作为连接人工智能与"硬科技"的桥梁，Lila Sciences 并非要取代科学家，而是通过技术赋能，让科研人员--即使非特定领域专家--也能专注于高价值的科学解读与决策，从而实现过去无法完成的科学探索。其终极目标，是大幅降低研发成本、缩短创新周期，缓解当前科技行业面临的创新瓶颈。

1.2 发展历程

• 2023年：公司成立

Lila Sciences起源于Flagship Pioneering旗下两个独立的AI驱动项目--一个聚焦材料科学，另一个专注生物学。由于两者在目标高度一致、人才需求高度重叠，Flagship 领导层决定将其合并，组建一家统一的企业，确立"自动化科学发现"为核心使命，通过融合人工智能与机器人技术，突破传统科研范式的局限。公司由Geoffrey von Maltzahn、Noubar Afeyan等七位在生物科技、人工智能和商业运营领域经验深厚的专家共同创立。其余核心团队成员多来自Flagship体系内的明星企业，为Lila Sciences奠定了坚实的技术根基与资源优势。

表1 公司核心创始团队

（资料来源：公司官网）

• 2024年：技术积淀与理念成型

2024年初，在公司尚未正式对外亮相之际，首席执行官Geoffrey von Maltzahn在麻省理工学院发表演讲，首次系统阐述了Lila Sciences的核心理念：让AI"接入现实世界"，打通计算科学与实验科学之间的闭环。这一构想迅速成为公司发展的指导思想，并推动其自主科学平台的技术架构逐步成型。同年1月的行业数据显示，尽管AlphaFold等主流AI模型在蛋白质结构预测方面取得显著突破，但其高置信度预测结果的误差率仍接近实验测得晶体结构误差的两倍。这一差距凸显了单纯依赖计算预测的局限，也进一步印证了Lila Sciences聚焦"预测-验证闭环"技术路线的必要性与前瞻性。

• 2025年：公开亮相与快速扩张

2025年3月，Lila Sciences正式对外亮相，宣布完成2亿美元的种子轮融资，并任命关键高管：遗传学家George Church出任首席科学官（CSO），前哈佛医学院助理教授Andrew Beam担任首席技术官（CTO）。此举标志着公司从技术研发阶段迈入市场化运营新阶段。

同年6月，公司获得马萨诸塞州生命科学中心税收激励计划支持，获批190万美元税收减免。作为承诺，Lila Sciences将在该州新增逾100个生命科学相关岗位，进一步扎根并强化其在波士顿生物科技生态中的布局。

9月，行业媒体《Endpoints News》将Lila Sciences列入"2025年最令人兴奋的11家生物科技初创公司"之一，公司影响力迅速攀升。同月，Lila完成2.35亿美元A轮融资，投后估值达12亿美元；10月，公司宣布扩展A轮融资，新增1.15亿美元资金，估值跃升至超13亿美元。与此同时，Lila开始向若干未公开的商业合作伙伴开放其自主科学平台的访问权限，标志着核心技术进入商业化验证阶段。

2026年1月，Lila Sciences从245份提案中胜出，获得英国高级研究与发明局（Advanced Research and Invention Agency，ARIA）50万英镑的资金支持，公司位于剑桥市的首个AI科学工厂也在建设与调试中。据彭博社6月最新消息，Lila Sciences正在洽谈20亿美元B轮融资，投前估值攀升至85亿美元；本轮融资将由加州公务员养老基金 CalPERS、英伟达风投NVentures锚定领投。

Part 2 商业模式

2.1 行业背景

• 制药行业创新停滞与成本压力

1981至2013年间，制药行业经历了高速发展，为全球人口累计延长了约1.49亿年的寿命。然而，近年来该行业正面临严峻的创新瓶颈。随着每次技术突破不断推高后续研发门槛，"低垂的果实"--即易于靶向的分子通路和可及的治疗策略--日益减少。除新冠疫苗、GLP-1类减肥药物等少数领域出现显著回报外，行业整体研发效率长期停滞。与此同时，研发成本持续攀升，到2024年，单个管线资产的平均开发成本已达22亿美元，给企业带来沉重的财务压力。

• AI与硬科技融合的行业趋势

为应对日益严峻的研发效率困境，人工智能（AI）正成为生命科学、材料科学和化学等"硬科技"领域的关键赋能工具。以AlphaFold为代表的AI模型在结构生物学领域取得突破性进展，其成果甚至助力了诺贝尔奖级发现，这充分展现了AI在分子结构预测与模拟方面的巨大潜力。全球科技与制药巨头纷纷加速布局：OpenAI与礼来、Moderna等企业合作探索AI驱动的药物设计；Google DeepMind则推出AlphaFold 3，将预测能力从蛋白质扩展至DNA、RNA及小分子配体，进一步拓展AI在生物分子相互作用建模中的应用边界。

在材料科学领域，对可持续材料需求的增长显著提升了研发复杂度，也为AI创造了广阔的应用空间。美国《材料基因组计划》等国家战略已明确将"利用AI加速材料发现"列为优先方向，目标是"以更低的成本、两倍的速度开发下一代先进材料"。

• 预测易验证难的行业痛点

尽管AI应用日益广泛，但当前行业仍面临核心痛点：AI系统高度依赖人类生成的数据集，计算预测与实验验证之间的差距严重制约进展。2024年1月的数据显示，即使是AlphaFold的高置信度预测，其误差率也接近实验晶体结构的两倍。这一"闭环缺失"导致AI无法自主迭代，研发效率难以实现质的提升，也为Lila Sciences的技术路线提供了市场空间。

2.2 政策背景

• 美国国内政策对药企的压力

2025年美国的一系列政策调整重塑了制药行业格局，间接推动了行业对AI降本增效技术的需求（见表2），这些政策形成了"营收受压+成本上升"的财务挤压，使药企对能够降低研发成本、缩短周期的AI技术需求更为迫切。

表2 美国国内相关政策

（资料来源：公开网络）

• 美国对AI+硬科技的政策支持

与此同时，美国联邦及部分州政府陆续出台支持政策，将AI在硬科技领域的应用提升至战略优先级。例如，2011年奥巴马政府启动的《材料基因组计划》明确提出，要通过人工智能加速新材料的发现与开发，为相关企业提供了明确的政策导向和潜在的研发支持。又如，马萨诸塞州政府推出的生命科学中心税收激励计划，通过提供税收减免，鼓励生命科学企业在当地扩建研发设施、创造高技能就业岗位，进一步强化区域创新生态。

2.3 目标客户

Lila Sciences 的核心客户涵盖生命科学、材料科学和化学领域的企业与研究机构，主要包括以下四类：1）大型制药企业：在药物发现、基因疗法、抗体开发等领域，亟需通过平台降低研发成本、加速管线推进；2）化学制造企业：聚焦新型催化剂与可持续化学品的研发；3）先进材料企业：致力于开发绿色制氢催化剂、碳捕获材料等高性能功能材料；4）前沿科研机构：包括大学实验室和非营利研究组织，探索基础科学的边界。

在商业化初期，Lila 采用"特权访问"（privileged access）模式，仅向少数精选合作伙伴开放其自主科学平台，以减少外部干扰，集中资源推进核心技术迭代。但公司的长远目标是将平台开放给全球个人研究者。据估算，2018年全球全职等效研究人员约为880万人，2014~2018年间年均增长率为13.7%。按此趋势推算，到2025年，全球研究人员总数已接近1100万。而2023年《自然》杂志的一项调查显示，28%的研究人员每天或每周多次使用AI工具，这意味着Lila Sciences 潜在的个人用户规模已达约300万人，市场前景广阔。

2.4 产品服务

Lila Sciences 以"自主科学平台"（Autonomous Science Platform）为核心产品，围绕其构建了一套面向前沿科研与产业转化的服务体系。平台深度融合人工智能与自动化的实验基础设施，致力于实现科学研究的智能化、规模化与跨学科协同。该平台由三大核心要素构成：一是科学驱动的AI模型系统。该系统基于科学方法论进行训练，能够自主提出假设、设计实验、分析结果，并持续优化算法。其训练数据不仅包括海量已发表文献和历史实验记录，还整合了平台自身运行中产生的实验数据（包括失败案例），从而形成"数据→模型→实验→新数据"的闭环学习机制，不断提升科学发现的效率与准确性。二是AI科学工厂（AI Science Factories, AISFs）。作为AI驱动的物理实验执行单元，AISFs 集成了生命科学、材料科学和化学领域先进的自动化设备与机器人系统，可全流程自主完成试剂分配、样品制备、反应控制及数据采集等操作。三是强大的跨学科适配能力。平台的软硬件架构针对生命科学、材料科学和化学三大领域深度优化，可支持从mRNA疗法与抗体药物开发，到绿色催化剂设计、工业级碳捕获材料创制等多样化科研任务。

在实际应用方面，Lila尚未公开详细实验数据。其内部验证展现出其在四大方向上的潜力：1）mRNA疗法开发：一名非mRNA领域专家借助该平台，4个月便设计出一种新型mRNA构建体，其蛋白质表达效率超过BioNTech与Moderna新冠疫苗所用序列的3倍以上；2）治疗性分子发现：成功识别并验证数百种具有潜力的新型抗体、肽类及小分子结合剂，覆盖多个重要疾病靶点；3）绿色氢能催化：开发出性能媲美铂基催化剂、但成本仅为商用产品千分之一的非铂族金属催化剂；4）碳捕获材料：设计出在吸附容量、热稳定性及动力学性能上均优于当前市场领先产品的新型多孔材料。

此外，为帮助客户高效利用平台能力，Lila Sciences还提供一系列配套服务：1）定制化科研支持：覆盖从问题定义、假设生成、实验执行到结果解读的全链条；2）成果转移机制：通过技术授权或联合开发，将平台产出的新分子、新材料或工艺方案转移给合作伙伴，加速商业化；3）培训与技术支持：提供系统化培训和持续服务，确保即使非专业背景的研究人员也能快速上手，充分发挥平台效能。

2.5 经营情况

截至目前，Lila Sciences尚未公开披露具体的盈利数据、营收规模或利润率等财务信息。从商业化模式来看，该公司采用"技术平台驱动+多渠道变现"的模式，其核心逻辑是通过持续迭代自主科学平台，构建长期、可持续的商业生态。围绕这一战略，公司设计了三条互补且协同的商业化路径：

1. 企业合作：平台即服务

公司与制药、化工、能源等行业的龙头企业建立战略合作，开放平台使用权，承接其定制化研发项目。合作通常以项目制进行，公司收取研发服务费，并在达成关键里程碑后获得技术授权费或销售分成，将平台能力直接转化为稳定收入。

2. 赋能初创：共享成长红利

面向早期生命科学或材料科技初创企业，Lila Sciences提供平台算力、自动化实验资源及AI科研支持，加速其靶点发现、分子设计或材料筛选进程。作为回报，公司可通过股权置换、未来授权分成或联合知识产权等方式参与其成长，既降低创新门槛，也分享高潜力项目的长期价值。

3. 成果孵化：分拆高潜资产

对于平台自主发现的突破性成果（如全新机制疗法、颠覆性催化剂或碳捕获材料），公司采取分拆策略，成立专注该技术方向的独立子公司。这些新公司可独立融资与运营，而Lila Sciences通过控股或参股，在后续融资、并购或上市中实现股权增值，既聚焦资源推进高价值项目，也有效分散了单一技术风险。

目前，Lila仍处于战略投入阶段，核心资源集中于技术研发、平台功能优化及早期客户验证。未来其盈利增长将主要依托三大驱动力：一是客户规模持续扩大，带动平台使用费与技术授权收入提升；二是平台快速迭代，加速产出高质量、高价值的创新成果，提升单笔授权的单价与交易频次；三是孵化并分拆技术型初创企业，通过股权增值实现资本回报，并将收益反哺平台生态，形成"技术-产品-资本-再创新"的良性循环。据行业估算，生成式AI在公司重点布局的生命科学、材料科学和化学三大领域，有望释放2600~4500亿美元的市场价值。作为该赛道的先行者，Lila已建立起先发优势，具备广阔增长潜力。

Part 3 竞争分析

3.1 竞争对手

目前，市场上尚无在学科广度、技术深度和验证闭环上与Lila Sciences完全对标的竞争者。其竞争者主要来自两类：一类是聚焦生命科学或材料科学等垂直领域的AI研发公司，另一类是提供通用生成式AI能力的科技巨头。尽管部分企业在特定环节与Lila存在功能重叠，但其跨学科整合能力和"预测-实验-迭代"的闭环验证体系，使Lila在硬科技研发场景中形成了差异化优势。

表3 Lila Sciences竞争对手罗列

资料来源：公开网络

3.2 竞争优势

• 跨学科整合能力突出

Lila Sciences是目前少数能够同时覆盖生命科学、材料科学与化学三大领域的AI+实验自动化平台。这种多学科融合架构支持知识在不同领域间迁移与协同，催生传统单学科路径难以实现的复合型创新，而其多数竞争对手仍局限于单一垂直领域。

• 构建"AI-实验-迭代"闭环体系

Lila Sciences率先构建了"AI模型预测-自动化实验验证-数据反馈迭代"的完整研发闭环。使模型不仅能从成功实验中学习，还能从失败案例中提取高价值信号，突破了行业普遍依赖人工标注或有限正样本数据的瓶颈，显著提升模型的预测准确性、泛化能力与自主创新能力。

• 顶尖团队与生态支持

公司创始及核心管理团队均来自全球顶尖科研机构与科技企业，兼具深厚技术积累与成功创业经验。同时，公司背靠Flagship Pioneering的创新生态系统，在资本、技术协同、产业资源及战略合作伙伴方面具备快速响应和规模化扩展的能力。

• 技术可行性已获验证

平台已在四大核心应用方向完成初步验证，多项成果展现出显著性能与经济优势。例如，其设计的mRNA序列将合成效率提升3倍；开发的非铂催化剂成本仅为传统方案的千分之一，充分证明了平台的实际应用价值与商业化潜力。

• 政策支持与区位优势

Lila Sciences已获得美国地方政府提供的税收激励，并战略性布局于波士顿--全球生物科技与硬科技研发的核心枢纽。这一选址不仅便于吸引顶尖人才和产业资源，还可受益于当地生命科学地产阶段性供应过剩带来的成本红利，为长期发展提供支撑。

3.3 面临挑战

• 融资规模落后于通用AI巨头

截至目前，Lila Sciences累计融资约5.5亿美元。虽新一轮融资正在洽谈中，但与OpenAI（累计融资790亿美元）和Anthropic（337亿美元）等通用大模型公司相比，资金实力差距依然悬殊。鉴于AI模型训练与自动化实验工厂建设均为高度资本密集型投入，融资劣势可能限制其技术迭代速度与平台扩展能力。

• 跨学科实验设备整合尚未成熟

当前实验室基础设施的互联互通程度较低。数据显示，37%的小型生物制药企业和58%的大型企业仍有超过60%的仪器未实现数据互通，严重阻碍了多学科实验数据的实时交换与协同效率。此外，部分前沿研究需依赖定制化硬件，进一步抬高了平台部署与落地的技术门槛和成本。

• 数据安全与知识产权风险突出

Lila平台融合了公共数据、合作伙伴专有数据及自主生成的实验数据，多源数据混用存在交叉污染风险，易引发知识产权归属争议。一旦发生数据泄露，代价高昂--据2025年统计，美国单次数据泄露事件的平均成本已达1020万美元，对初创企业构成重大运营与声誉风险。

• AI人才供需失衡加剧竞争压力

2015至2022年间，全球AI相关岗位需求年均增长31.7%，而高校AI相关学位供给增速为2.9%~8.5%。顶尖人才成为稀缺资源，头部科技公司甚至以数百万美元年薪争夺专家，使Lila在高端人才招募与团队稳定性方面面临持续压力。

• 平台自主性尚显不足

Lila的AI科学工厂仍需科学家全程监督，参与实验设计、参数调整与结果解读，尚未能实现完全自主运行。距离公司提出的"科学超级智能"愿景仍有较大差距，规模化推广可能受限于持续的人力依赖与成本。

• 商业化验证尚不充分

公司尚未公开披露大规模客户合作案例或具体营收数据，其"平台即服务+技术授权"的商业模式可持续性仍有待市场检验。初期采用的"特权合作伙伴"准入机制虽有助于保障平台质量与数据安全，但也限制了客户基数扩张，可能拖累短期收入增长与市场渗透速度。

Part 4 未来展望

作为AI与硬科技深度融合的前沿探索者，Lila Sciences 有望通过持续的技术迭代，逐步迈向"科学超级智能"，最终实现科研全流程的自主化。公司将以头部企业合作为起点，稳步扩展至更广泛的科研群体，并推进全球化布局。凭借其独特的"AI-实验-迭代"闭环架构和跨学科协同生态，Lila有潜力成为下一代科研基础设施的核心推动者。当然，这一愿景的实现仍需有效应对资金、人才与合规等关键挑战。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。