Scientific AI 公司、实验室、技术路线与信号。

技术路线

用生成式 AI、计算化学、生物数据和自动化实验设计候选药物。

融资 / 组织

公开资料显示曾完成数千万美元级融资。

时间线

2018 成立；2020s 推进平台和合作。

团队

Jen Nwankwo 等。

观察价值

女性创始、端到端 AI therapeutics 平台中有代表性。

技术路线

整合生成式 AI、合成生物学和高通量实验，设计抗体及蛋白药物。

融资 / 组织

上市公司，融资通过公开市场和合作推进。

时间线

2011 成立；2021 上市；2020s 转向生成式 AI 药物创建。

团队

Sean McClain 等。

观察价值

适合作为生成式抗体平台的公开市场样本。

技术路线

官网强调 on-the-fly malleable datasets、gradient-free learning、continual learning 和 adaptive interfaces，核心是让模型随任务、行业、语言和用户目标动态适应。

融资 / 组织

2026 年 2 月宣布 5000 万美元 seed funding，用于研发能持续学习和适应的 AI models。

时间线

2026 官网公开 adaptive AI / continual learning 叙事；2026-02 宣布 5000 万美元 seed。

团队

公开报道指向 Sara Hooker、Sudip Roy 等 Cohere / Google DeepMind 背景成员；团队聚焦 adaptive intelligence、data shaping 和 continual learning。

观察价值

它直接对应 SOUS 关心的 continual learning：不是靠更大 monolithic model，而是让系统在真实使用和新数据中持续更新。

技术路线

将 frontier AI、EDA research 和 end-to-end chip expertise 结合，覆盖 RTL、verification、PPA optimization、physical design engines、DTCO 和 large-scale design infrastructure。

融资 / 组织

官网/公开活动页未披露融资轮次；当前公开身份是 applied research team 与 DAC 2026 affiliate。

时间线

2026 DAC affiliate 页面公开 Agentic Design Automation 路线。

团队

公开材料描述为结合 frontier AI、EDA research 与 chip design 工程经验的 applied research team。

观察价值

半导体制造数据复杂、成本高，是 AI4S 工业化的重要场景。

技术路线

用 AI、分子模拟和实验筛选电池电解质、添加剂和材料候选。

融资 / 组织

公开资料显示获得企业和风投支持。

时间线

2020s 聚焦电池材料 AI 平台和客户项目。

团队

团队来自材料、能源和计算化学背景。

观察价值

电池是材料 AI 最直接的商业场景之一。

技术路线

通过跨大学项目推动 AI、数据科学、科学建模和公共部门应用。

融资 / 组织

UKRI、大学联盟、政府和合作支持。

时间线

2015 起作为英国国家级数据科学/AI 机构。

团队

Alan Turing Institute 研究团队和 university partners。

观察价值

国家级学术网络对 AI4S 生态组织很重要。

技术路线

探索 augmented machine intelligence、世界模型、推理和规划等替代架构路线。

融资 / 组织

公开资料显示 2026 年作为新 lab 启动并获得关注。

时间线

2026 公开启动。

团队

Yann LeCun、Harry Shum 等相关报道人物。

观察价值

科学发现需要因果、规划和世界模型能力，替代架构路线值得纳入。

技术路线

从 Ansys 仿真数据训练 AI surrogate，让工程师快速预测设计性能。

融资 / 组织

Ansys 产品线，不单独融资。

时间线

2020s 推出 SimAI 等 AI-enhanced simulation 产品。

团队

Ansys 产品和工程团队。

观察价值

传统 CAE 巨头进入 AI，是工程科学产业化的重要信号。

技术路线

通过 API credits、Claude 工具能力、企业/科研合作和生命科学工作流支持科学家使用模型。

融资 / 组织

Anthropic 内部项目和合作计划，不单独融资。

时间线

2025-2026 Anthropic 多次公开科学和生命科学相关项目。

团队

Anthropic research/product 团队与外部科学合作方。

观察价值

它比传闻更确定：Anthropic 已经在科学应用层布局，只是是否形成独立 science lab 仍未知。

技术路线

围绕 AI 能力、经济影响、评测和治理进行跨学科研究。

融资 / 组织

Anthropic 体系内研究与政策机构。

时间线

2026 公开推出并发布相关研究项目。

团队

Anthropic 研究和政策团队。

观察价值

前沿 AI 对科研自动化的影响需要独立测量和制度设计。

技术路线

在 Anthropic 内部以更快节奏开发应用、实验产品和人机协作工作流，可能成为科研 agent 产品的孵化层。

融资 / 组织

Anthropic 内部组织，不单独融资。

时间线

2026 年 Anthropic 公开介绍 Labs。

团队

Anthropic 产品、研究和工程团队。

观察价值

这不是专门 AI4S lab，但如果 Claude 进入科研工作流，Labs 很可能是产品化入口。

技术路线

可能方向包括 Claude for science、AI scientist、生命科学工作流、国家实验室合作或科学评测。

融资 / 组织

未知。

时间线

截至本轮搜索，已确认的是 Anthropic Labs、AI for Science Program 和生命科学产品线；独立 science lab 仍标记为未确认。

团队

未知。

观察价值

单独保留观察位，避免把传闻误写成事实，同时方便后续更新。

技术路线

围绕卫星数据、地球观测和 AI 推理构建科学/产业应用。

融资 / 组织

未找到可验证的独立融资轮次。

时间线

2020s 中期进入观察列表。

团队

未找到稳定团队披露；暂作为低置信 earth/space AI watchlist 条目保留。

观察价值

空间数据和地球科学是 AI4S 的外延方向，早期对象先标 partial。

技术路线

Evo/Evo2 面向 DNA、RNA、蛋白和基因组尺度建模，强调长期基础研究与工程平台。

融资 / 组织

非营利研究机构，获得长期慈善/捐赠资金支持。

时间线

2021-2022 公开成立；2024-2025 Evo/Evo2 等成果受关注。

团队

Patrick Hsu、Silvana Konermann、Brian Hie 等相关研究者。

观察价值

适合看 AI biology 的长期基础方向，不应只按融资指标评估。

技术路线

围绕 literature search、evidence extraction、structured synthesis 和 AI-assisted research workflows，让复杂研究任务更可审计。

融资 / 组织

官网未披露融资轮次；公开重点是 research automation product 和 scientific / policy evidence workflows。

时间线

2025-2026 以 AI research automation / evidence synthesis platform 形象公开。

团队

官网未列完整团队；公开定位集中在 research tooling、evidence workflows 和 AI-assisted synthesis。

观察价值

它代表 AI scientist 从科学文献助手进一步走向 AI research operator。

技术路线

用跨厂商设备 fleet 的 sensor、log、metrology 数据学习 process-invariant signatures，使同一平台可迁移到不同工具和 fab。

融资 / 组织

官网未披露融资轮次；当前公开重点是 pilot、platform architecture 和 process intelligence value proposition。

时间线

2026 官网公开 one model for every tool in the fab 的 foundation AI / process intelligence 叙事。

团队

官网未列完整团队；公开产品定位面向 fab process engineers、MES、SECS/GEM 和多厂商设备集成。

观察价值

半导体制造需要跨设备、跨工艺的可迁移模型，属于 AI4S 与 advanced manufacturing 的交界。

技术路线

用 research agents 自动搜索、执行、评估和迭代实验结果，优先从 AI research workflow 切入。

融资 / 组织

Y Combinator profile 显示 Aster / Asterlab 为 YC-backed early-stage company，公开页面未披露单独融资轮次。

时间线

2025-2026 以 AI-native AI research lab / autonomous research agent 形象公开。

团队

官网列 Emmett 为 CEO / Founder；YC 页面显示 team size 为 1。

观察价值

科研代理不仅要读论文，还要能执行实验代码和迭代评测。

技术路线

用 AI 模型提高天气预报速度和分辨率，服务国家气象和风险管理。

融资 / 组织

公开资料显示获得多轮融资和政府客户项目。

时间线

2019 成立；2020s 推进 AI weather 服务。

团队

Alexander Levy 等。

观察价值

补足天气预报商业化和政府场景。

技术路线

结合 RNA 结构建模、机器学习和实验平台，设计 RNA 靶向小分子和治疗方案。

融资 / 组织

公开资料显示曾完成 3500 万美元 A 轮融资。

时间线

2021-2026 推进 RNA 结构平台和治疗管线。

团队

Raphael Townshend 等，源自 Stanford/AI+RNA 研究生态。

观察价值

RNA 结构是 AlphaFold 之外的重要结构生物学战场。

技术路线

用模块化机器人、软件和实验流程编排平台自动化生物实验工作流。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2015 成立；2020s 扩展生命科学自动化平台。

团队

Mostafa ElSayed、Suryansh Chandra 等。

观察价值

自动化工作流编排是闭环 AI4S 的实际瓶颈之一。

技术路线

结合大模型、形式化工具和推理搜索，解决数学与科学问题。

融资 / 组织

公开资料显示处于早期融资/产品化阶段。

时间线

2025-2026 在 AI mathematics / scientist 方向受到关注。

团队

团队来自 AI、数学和形式化方法背景。

观察价值

补足 AI4S 中数学推理与可验证发现维度。

技术路线

从全球环境和生物多样性中采集/组织数据，训练模型发现新蛋白和功能。

融资 / 组织

2024 年公开报道显示完成约 6000 万美元 B 轮融资。

时间线

2019 成立；2024 大额融资后加强 AI biology 定位。

团队

Glen Gowers、Oliver Vince 等。

观察价值

差异化在数据源，而不是单纯模型规模。

技术路线

为生命科学团队提供 ELN、注册、流程和数据管理，是 AI-ready R&D 的底层系统之一。

融资 / 组织

公开资料显示已完成多轮大额融资并服务大量 biotech/pharma 客户。

时间线

2012 成立；2020s 成为生命科学研发软件基础设施。

团队

Sajith Wickramasekara 等。

观察价值

科学数据资产化需要 R&D 系统先标准化。

技术路线

把机器人材料合成、机器学习表征解释、文献/数据库检索和 AI 决策连接成闭环材料实验平台。

融资 / 组织

UC Berkeley / LBNL 学术科研、DOE 和合作项目支持。

时间线

2020s 作为自动化材料合成和 self-driving lab 的代表系统受到关注。

团队

Gerbrand Ceder 研究生态及 A-Lab 团队。

观察价值

这是 AI4S 中“模型提出候选，机器人合成验证，再反馈模型”的代表性学术平台。

技术路线

支持计算生物、合成生物、药物发现和生命科学创业团队转化。

融资 / 组织

UC Berkeley 与基金/捐赠/合作支持。

时间线

2020s 推动 Berkeley 生物创新生态。

团队

Bakar Institute / Bakar Labs 团队。

观察价值

AI4S 的学术成果需要转化生态承接。

技术路线

通过 Curator、synthetic data pipeline、agent trajectories 和 teacher-student distillation 生成可训练数据，提升专用模型和 agent 表现。

融资 / 组织

官网和公开资料未披露大额融资轮次；公司以产品、开源工具和企业 synthetic data workflow 公开。

时间线

2024-2026 持续发布 Curator、synthetic data tooling、agent data flywheel 和 model distillation 内容。

团队

官网未列完整团队；公开材料显示团队围绕 synthetic data、post-training、agent evaluation 和 model distillation。

观察价值

自动化科学工作流需要可评测、可改进的 agent，而不只是单次回答。

技术路线

机器学习生成抗体变体，自动化实验测量反馈，用于优化功能和可开发性。

融资 / 组织

公开资料显示完成多轮融资，并与药企合作。

时间线

2019 成立；2020s 推进抗体平台和合作。

团队

Mark DePristo、Peyton Greenside 等。

观察价值

抗体设计中闭环 wet lab + AI 的典型代表。

技术路线

生命科学大模型、蛋白设计和药物发现平台。

融资 / 组织

由李彦宏等创立背景，公开资料显示获得多轮融资和合作。

时间线

2020 成立；2020s 推进生命科学大模型和产业合作。

团队

刘维、李彦宏等创立/支持背景。

观察价值

中国 AI biology 赛道代表，需要持续跟踪业务重心。

技术路线

从病理图像、细胞、组织和多组学数据训练生物 foundation model。

融资 / 组织

2024-2025 获得数千万美元级融资，投资方包括 Owkin 生态和欧洲资本。

时间线

2024 公开成立；2024-2026 发布 H-Optimus 等生物模型。

团队

与 Owkin、法国生命科学和 AI 研究生态紧密相关。

观察价值

欧洲 AI biology foundation model 的代表。

技术路线

将大规模人类遗传学、单细胞、CRISPR perturbation 和机器学习连接到疾病生物学。

融资 / 组织

Broad、NIH、基金会和合作支持。

时间线

2000s-2020s 持续引领基因组学和单细胞数据基础设施。

团队

Aviv Regev、Eric Lander 生态及 Broad 多研究组。

观察价值

virtual cell 和疾病 foundation model 需要 Broad 这类数据/实验生态。

技术路线

研究科学机器学习、物理约束模型、神经算子和高维数据建模。

融资 / 组织

Caltech、NSF/DOE 等科研资金和合作支持。

时间线

2010s-2020s 持续影响 scientific ML。

团队

Anima Anandkumar 及 Caltech 研究组。

观察价值

科学机器学习的基础方法层代表。

技术路线

通过研究软件工程师和科学团队合作，提高科学代码、数据和模型的可复现性。

融资 / 组织

Schmidt Futures / Caltech 支持。

时间线

2020s 推动科学软件工程专业化。

团队

Caltech Schmidt Academy 团队。

观察价值

AI4S 需要可维护的科学软件，而不只是论文代码。

技术路线

围绕 Meta-Agent、Meta-Reward、post-training、eval harness、observability 和 production traces，让 agent harness 从真实轨迹中自动改进。

融资 / 组织

截至本轮核验，官网未披露独立融资轮次；公开 footprint 主要是研究博客、MetaAgent GitHub、GTM Agent 和合作入口。

时间线

2026 官网公开 Meta-Agent、Meta-Reward 和 continual-improvement layer for production AI agents。

团队

官网未列完整创始人名单；公开团队形象是 applied research + product lab，工作集中在 agents、reward modeling、evals、post-training 和生产级反馈系统。

观察价值

真正有价值的不是一次性 agent demo，而是能从真实使用和研究轨迹中持续变强的 agent layer。

技术路线

通过 ML、机器人、计算生物和工程学院推动自动化科学与工程 AI。

融资 / 组织

CMU、NSF/NIH/DOE 和产业合作支持。

时间线

长期作为 ML/robotics 学术核心。

团队

CMU ML Department、Robotics Institute 和相关 PI。

观察价值

AI scientist 的 agent、robotics 和系统能力与 CMU 生态高度相关。

技术路线

通过多个研究所把 AI、科学计算、高性能计算和领域实验连接起来。

融资 / 组织

中国科学院、国家科研项目和地方/产业合作。

时间线

长期基础科学网络，2020s AI4S 交叉显著增强。

团队

中科院自动化所、计算所、物理所、化学所、上海药物所等多所。

观察价值

AI4S 的中国学术版图必须覆盖 CAS 网络。

技术路线

整合 genomics、transcriptomics、imaging 等 multi-omics 数据，建模 brain lipid pathways，用于 target discovery、drug design 和 patient stratification。

融资 / 组织

官网披露 Cervolve 入选 Longitude Prize on ALS Discovery Award，获得 10 万英镑资助并可访问 ALS 多组学数据；未披露独立 VC 融资轮次。

时间线

2026 官网公开 NeuroLipid Foundation platform；入选 Longitude Prize on ALS Discovery Award。

团队

Eamon Fitzgerald, PhD 为 Co-Founder / CEO；Dylan Mann-Krzisnik, M.Eng/PhD 为 Co-Founder / CTO，背景包括 neuroscience、genetics、lipid biology、McGill/Mila applied AI for life sciences。

观察价值

它把 NeuroAI 从抽象认知模型拉到 neurodegeneration 和 lipid biology 的可实验平台。

技术路线

把结构预测、分子相互作用和生成式设计结合，服务蛋白/抗体和药物发现。

融资 / 组织

公开信息以产品和模型进展为主，融资细节需要持续更新。

时间线

2024-2026 Chai-1、Chai-2 等模型和工具受到关注。

团队

团队来自 AI、生物物理和计算生物学背景。

观察价值

是结构生物学 foundation model 商业化中的重要新玩家。

技术路线

把化学步骤编码为可执行程序，结合自动化合成和分子设计。

融资 / 组织

公开资料显示获得多轮融资，用于扩展自动化化学平台。

时间线

2020s 从学术 chemputation 路线走向商业化。

团队

Lee Cronin 等。

观察价值

自动化合成是 AI scientist 落地到化学实验的关键后端。

技术路线

结合机器学习、实验数据和电池性能评价，加速电解质配方开发。

融资 / 组织

公开资料显示获得种子轮和能源/硬科技投资。

时间线

2020s 推进电池材料平台。

团队

团队来自电池、机器学习和硬科技背景。

观察价值

代表 AI4S 与能源制造需求的连接。

技术路线

材料数据管理、机器学习模型和企业研发工作流结合。

融资 / 组织

公开资料显示曾完成多轮融资。

时间线

2013 成立；持续服务材料、化学和制造企业。

团队

Greg Mulholland、Bryce Meredig 等。

观察价值

说明 AI4S 不只有 foundation model，材料数据治理也构成壁垒。

技术路线

把机器学习用于能源系统、地球科学、材料和资源工程。

融资 / 组织

Colorado School of Mines、DOE/NSF 和产业合作支持。

时间线

2020s 能源和地球 AI 方向增强。

团队

Mines 相关能源、地球和数据科学团队。

观察价值

能源 AI 不应只看聚变，也要看地球资源和工程。

技术路线

用机器学习、仿真和控制优化 tokamak 等离子体运行与反应堆设计。

融资 / 组织

CFS 为高融资聚变公司；DeepMind TORAX 为开源等离子体建模工具。

时间线

2020s 聚变公司与 AI 仿真/控制工具快速交叉。

团队

CFS、MIT PSFC、Google DeepMind 等相关团队。

观察价值

聚变是 AI for physical science 的高价值场景。

技术路线

从同行评审文献中提取和汇总答案，帮助用户理解证据强弱。

融资 / 组织

公开资料显示获得融资并持续产品化。

时间线

2020s 成为 AI scientific search 代表工具之一。

团队

Consensus 团队。

观察价值

科研代理需要证据追踪和可靠来源，不只是通用搜索。

技术路线

可能围绕地球观测、气候风险、自然资本和遥感模型构建平台。

融资 / 组织

未找到可验证的独立融资轮次。

时间线

2020s 中期进入 earth AI 观察列表。

团队

未找到稳定团队披露；暂作为低置信 earth-system AI watchlist 条目保留。

观察价值

该条证据密度低，保留为地球系统 AI 早期线索；若后续仍无公开资料，应从确认列表移除。

技术路线

用生成式 AI 和实验数据帮助团队设计、优化蛋白序列和性质。

融资 / 组织

2024 年宣布 7300 万美元 B 轮融资。

时间线

2021 成立；2024 B 轮后加速产品化。

团队

Stef van Grieken 等。

观察价值

比自研药物 pipeline 更轻，更像 AI 蛋白工程平台。

技术路线

远程运行生物反应器实验，标准化发酵数据，帮助团队优化菌株和工艺。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2016 成立；2020s 服务合成生物学和生物制造客户。

团队

Will Patrick、Matt Ball 等。

观察价值

生物制造的 AI 优化需要结构化发酵和工艺数据。

技术路线

生成式模型设计多孔材料、吸附材料等，面向气候和清洁能源应用。

融资 / 组织

2024 年宣布约 3000 万美元种子轮。

时间线

2024 公司公开并获得关注。

团队

Max Welling、Chad Edwards 等。

观察价值

科学顾问和 AI 背景强，需要观察实验验证节奏。

技术路线

大规模生物数据资源、AI 模型和研究网络，目标是 virtual cell。

融资 / 组织

CZI 慈善科学体系，长期资金和研究网络。

时间线

2016 CZI Science 启动；2023-2025 virtual cell / AI biology 加速。

团队

CZI Science、CZ Biohub Network、Chan Zuckerberg Imaging Institute 等协同。

观察价值

在数据公共品、模型和实验网络方面很关键。

技术路线

用高通量显微成像、深度学习和细胞分选构建 morphology-driven biology platform。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2017 成立；2020s 推进 AI cell morphology 平台。

团队

Maddison Masaeli、Euan Ashley 等相关团队。

观察价值

显微/形态学数据是 virtual cell 和细胞状态模型的重要来源。

技术路线

利用 very-low Earth orbit、COTS GPUs/sensors、AI simulation 和 digital mission planning，提供灾害、环境和 national security 相关实时地球监测。

融资 / 组织

官网披露 DeepSat 获得 U.S. Air Force Direct to Phase II contract，并入选 MDA SHIELD IDIQ prime contract；未披露传统 VC 融资轮次。

时间线

2025 与 Redwire 合作 VLEO constellation precursor mission；2025 获 U.S. Air Force Direct to Phase II；2026 获 MDA SHIELD IDIQ prime contract。

团队

官网未列完整团队；公开重点是 Orion’s Belt constellation、VLEO engineering、AI-powered digital engineering 和 defense/earth-intelligence missions。

观察价值

它把 AI、space systems 和 real-time Earth monitoring 结合，属于 Earth / Space AI 的高杠杆方向。

技术路线

整合国家实验室、超级计算、科学仪器、实验数据和 AI 模型，推动能源与科学发现。

融资 / 组织

美国政府/DOE 国家级计划。

时间线

2026 作为 Genesis Mission 公开启动。

团队

US DOE、国家实验室和合作科研机构。

观察价值

AI4S 很可能需要国家实验室级数据、仪器和算力；这是公共部门路线代表。

技术路线

Deep Potential / DeePMD、Uni-Mol 分子模型和 Bohrium 科学计算平台。

融资 / 组织

中国 AI4S 代表公司，源自北京大学/科研生态。

时间线

2018 成立；2020s 从深度势能模型扩展到平台化 AI4S。

团队

张林峰等。

观察价值

在分子模拟、材料和科学计算平台方向有长期积累。

技术路线

用分子工具、成像和计算方法加速神经连接图谱构建。

融资 / 组织

公开资料显示获得早期融资和科研支持。

时间线

2020s 推进 connectomics 工具和平台。

团队

E11 Bio 团队。

观察价值

NeuroAI 需要来自脑科学的高质量结构和功能数据。

技术路线

用历史再分析和预报数据训练机器学习天气预报模型，学习大气演化。

融资 / 组织

欧洲中期天气预报中心，公共/国际气象机构。

时间线

2024-2025 AIFS 逐步进入公开和 operational 使用。

团队

ECMWF 机器学习与预报团队。

观察价值

气象行业意义大，代表 AI weather 的实用化。

技术路线

用 LLM、语义检索和结构化提取帮助研究者查找论文、提取证据和组织综述。

融资 / 组织

Ought 生态发展而来，公开资料显示有产品收入和融资支持。

时间线

2020s 成为 AI research assistant 代表工具。

团队

Elicit / Ought 团队。

观察价值

科研工作流入口不一定是实验室，也可能是文献和证据层。

技术路线

维护生命科学数据库、工具和计算平台，支持 AI biology 数据层。

融资 / 组织

EMBL、欧洲科研和公共资金支持。

时间线

长期作为欧洲生命科学数据核心，AlphaFold DB 等生态相关。

团队

EMBL-EBI 多数据库和计算生物团队。

观察价值

生物 foundation model 离不开开放生命科学数据库。

技术路线

把实验设备和流程云端化，科学家通过软件提交实验并获取结构化数据。

融资 / 组织

公开资料显示获得多轮融资和企业/高校客户。

时间线

2010s 起推动 cloud lab 模式；2020s 成为 AI scientist 潜在实验后端。

团队

Brian Frezza、DJ Kleinbaum 等。

观察价值

AI scientist 需要真实实验执行层，cloud lab 是关键基础设施。

技术路线

以 CFD / turbulence / heat transfer / structural mechanics 等高保真仿真为训练基础，构建可跨工业 vertical 泛化的大型工程模型。

融资 / 组织

2025 年完成 1500 万欧元 seed round，官方称由 3VC、Speedinvest、Serena、PUSH 领投/参与，是奥地利最大 seed round。

时间线

2024 founded；2025 first enterprise contracts and €15M seed；当前服务 Fortune 500 engineering teams。

团队

Johannes Brandstetter 为 Co-Founder / Chief Scientist；Dennis Just 为 Co-Founder / CEO；Miks Mikelsons 共同创立，团队约 30 名 researchers and engineers。

观察价值

物理 foundation model 是 AI4S 从科学模型走向工程系统的关键概念。

技术路线

用材料/化学 foundation model 和模拟数据寻找低碳工业材料、催化剂和反应路线。

融资 / 组织

公开资料显示 2024-2025 获得种子轮融资。

时间线

2024 前后公开，进入欧洲 climate chemistry AI 视野。

团队

团队来自 Google DeepMind、Meta、法国 AI/化学研究生态。

观察价值

把 AI 材料和工业脱碳问题连接得较明确。

技术路线

结合质谱、知识图谱、机器学习和实验验证，从天然产物中发现候选药物。

融资 / 组织

公开资料显示累计融资达数亿美元级别。

时间线

2019 成立；2020s 推进天然产物 AI 平台和临床资产。

团队

Viswa Colluru 等。

观察价值

天然产物化学空间是 AI drug discovery 的差异化来源。

技术路线

连接 AI、机器人、工程、生命科学和计算科学，推动智能实验与工程系统。

融资 / 组织

EPFL、瑞士科研资金和产业合作。

时间线

2020s 持续强化 AI/robotics/science 交叉。

团队

EPFL AI Center / CIS 相关团队。

观察价值

机器人与科学实验、工程设计之间的交叉值得跟踪。

技术路线

通过数据集、报告和模型分析预测 AI 能力增长、算力经济和自动化影响。

融资 / 组织

研究机构，公开资料显示由公益/研究资金支持。

时间线

2020s 持续发布 AI trends、compute 和 automation 研究。

团队

Epoch AI 研究团队。

观察价值

AI4S 战略判断需要理解模型能力曲线和自动化研发速度。

技术路线

推动基础 AI 和科学/工程应用之间的跨学科项目。

融资 / 组织

ETH Zurich、科研资金和产业合作支持。

时间线

2020s 成为欧洲跨学科 AI 重点中心。

团队

ETH AI Center fellows 和 affiliated faculty。

观察价值

欧洲工程科学和 AI 交叉的高密度节点。

技术路线

从蛋白序列、结构和功能中学习生成蛋白，探索自然进化未遍历的蛋白空间。

融资 / 组织

2024 年宣布 1.42 亿美元种子轮。

时间线

2024 公司公开并发布 ESM3；2025 ESM Cambrian 路线继续扩展。

团队

Alexander Rives 等，源于 Meta FAIR ESM 相关生态。

观察价值

蛋白 AI foundation model 核心玩家，关键看可重复的产业化设计流程。

技术路线

用深度学习天气模型和多源数据预测局地天气与极端风险。

融资 / 组织

公开资料显示处于早期融资阶段。

时间线

2020s 中期进入 AI weather startup 视野。

团队

团队来自 AI、气象和创业背景。

观察价值

说明 AI weather 正从科研模型扩散到创业公司。

技术路线

构建低能耗热力学采样硬件与软件栈，让概率推理、采样和生成模型获得不同于 GPU 的计算路径。

融资 / 组织

2023 年完成 1410 万美元 seed round，Kindred Ventures 公开披露该轮；其他公开资料列出 HOF Capital、Julian Capital 等参与方。

时间线

2023 seed；2024 走出 stealth，持续推进 thermodynamic / physics-based computing 与 XTR 原型路线。

团队

Guillaume Verdon 与 Trevor McCourt 共同创立；团队背景集中在 quantum / probabilistic computing、AI hardware、物理和系统工程。

观察价值

如果下一代 AI research 受限于能耗和采样效率，新的概率计算硬件可能成为科学模拟和 generative search 的底层变量。

技术路线

结合 ultrasound physics、microchip technology、translational neuroscience 和 AI/ML，目标是以更少侵入方式感知和调控脑活动。

融资 / 组织

Convergent Research 2024 宣布 Eric Schmidt 与 Wendy Schmidt 支持；官网还披露 Griffin Catalyst、Riley & Susan Bechtel Foundation、James Fickel 等资助。

时间线

2023-10 founded；2024 获 Convergent Research / Schmidt 支持；2025 继续以 FRO 形式推进 ultrasound neurotechnology。

团队

Sumner L. Norman 为 Co-founder / CEO，Tyson Aflalo 为 Co-founder / CSO，Will Biederman 为 co-founder；顾问包括 Mikhail Shapiro、Wojciech Zaremba 等。

观察价值

脑科学 AI 需要新的测量技术和可解释数据接口。

技术路线

构建可执行科学工作流的代理系统，从信息检索走向实验设计与假设生成。

融资 / 组织

FutureHouse 起初为非营利组织；Edison Scientific 公开报道显示 2025 年约 7000 万美元融资。

时间线

2023 FutureHouse 公开；2025 AI scientist 平台和 Edison Scientific 受到关注。

团队

Sam Rodriques 等。

观察价值

可能成为科学工作流入口，风险是从科研助手到真正发现新科学仍有距离。

技术路线

学习蛋白结构-功能关系，生成可开发的蛋白 therapeutic、抗体和多特异性分子。

融资 / 组织

曾完成数亿美元融资，并与 Novartis 等有公开合作。

时间线

2018 成立；2021-2025 融资、药企合作和 pipeline 推进。

团队

Mike Nally、Gevorg Grigoryan 等。

观察价值

蛋白药物生成式平台代表公司，产业化路径清晰。

技术路线

用生成模型、结构建模和药化优化发现小分子候选物。

融资 / 组织

公开资料显示完成 2 亿美元级 B 轮融资。

时间线

2019 成立；2023-2026 推进平台和管线。

团队

Evan Feinberg 等，来自 Stanford Pande Lab / AI chemistry 生态。

观察价值

小分子生成式设计里资本和技术关注度较高。

技术路线

用机器学习、仿真、机器人和制造数据支持工程科学发现。

融资 / 组织

Georgia Tech、NSF/DOE 和产业合作支持。

时间线

2020s 工程 AI 和制造 AI 方向加速。

团队

Georgia Tech 相关工程和 AI 团队。

观察价值

工程 AI 和制造 AI 不能只看公司，也要看工程强校。

技术路线

自动化生物实验、菌株工程、遗传设计和数据平台，用于生物制造与产品开发。

融资 / 组织

上市公司，业务经历调整，但 biofoundry 基础设施仍具代表性。

时间线

2008 成立；2021 SPAC 上市；2020s 推进细胞编程和自动化平台。

团队

Jason Kelly 等。

观察价值

AI4S 的实验/数据飞轮在合成生物学中很早就出现。

技术路线

以大规模 foundation model、强化学习、图网络和科学 benchmark 推动结构生物学、材料、天气、数学和科学代理。

融资 / 组织

Alphabet 旗下，不单独融资。

时间线

2020 AlphaFold 2；2023 GNoME / GraphCast；2024 AlphaFold 3 / GenCast；2025-2026 AlphaEvolve 与 AI co-scientist。

团队

Demis Hassabis、John Jumper、Pushmeet Kohli 等。

观察价值

模型原创性、算力、论文影响力和跨领域组织能力最强。

技术路线

构建数学推理模型和形式化证明系统，目标是可靠求解复杂数学问题。

融资 / 组织

公开资料显示获得多轮融资，投资者包括硅谷科技资本。

时间线

2023-2026 围绕数学 AI 和推理模型获得关注。

团队

Vlad Tenev、Tudor Achim 等。

观察价值

数学是科学发现中最可严格验证的 AI reasoning 场景之一。

技术路线

用计算、神经科学和机器学习理解智能，并推动新型 AI 架构。

融资 / 组织

Harvard 与 Kempner 基金支持。

时间线

2021 后成为 Harvard AI/neuroscience 交叉核心。

团队

Harvard Kempner Institute 研究团队。

观察价值

NeuroAI 和新型智能架构可能影响 AI scientist 的长期路线。

技术路线

把工程、生物实验、微流控、机器人和计算方法用于生命科学工具与治疗开发。

融资 / 组织

Harvard、基金会、政府项目和产业转化支持。

时间线

2009 起持续孵化生物工程技术和公司。

团队

Wyss Institute 多 PI 团队。

观察价值

AI4S 需要这种工程化 wet lab 和转化平台。

技术路线

产品面向 biologists / translational scientists 的 Virtual Lab，以及面向 ML teams 的 Model Factory，连接生物基础模型、数据和可复现实验流。

融资 / 组织

2026-04 宣布 1000 万美元融资，用于扩展 virtual AI lab platform。

时间线

2025-2026 进入 virtual AI lab / bio foundation model platform 视野；2026-04 完成 1000 万美元融资。

团队

公司公开定位为 pharma AI startup；团队围绕 biological foundation models、drug discovery workflows、ML engineering 和 translational science。

观察价值

它代表 AI biology 从模型发布走向 SaaS/平台交付。

技术路线

提供机器人、自动化集成和实验室调度软件，用于筛选、样本处理和药物发现。

融资 / 组织

产业公司，融资信息不是核心信号。

时间线

长期服务制药和高通量实验自动化。

团队

HighRes Biosolutions 团队。

观察价值

AI 药物发现的数据飞轮依赖高通量实验执行层。

技术路线

三维神经网络天气模型，学习全球大气状态演化。

融资 / 组织

华为云/华为研究体系。

时间线

2023 Pangu Weather 在 Nature 发表相关成果并公开。

团队

华为云 AI / 盘古大模型团队。

观察价值

AI 天气预报方向的重要中国样本。

技术路线

神经网络/生成式设计加物理建模，优化 potency、selectivity、ADMET 等。

融资 / 组织

2023 年宣布 1 亿美元 B 轮融资。

时间线

前身为 Entos；2023 更名/融资后进入高关注期；2024-2025 推进平台和 pipeline。

团队

Thomas Miller 等。

观察价值

看点是候选物进入临床和药企合作节奏。

技术路线

用多源卫星和地球观测数据训练 foundation model，支持土地、气候、灾害和海洋任务。

融资 / 组织

公共科研和企业合作。

时间线

2023-2026 地球观测 foundation model 快速发展。

团队

IBM Research、NASA、ESA 和合作科研团队。

观察价值

Earth system foundation model 是 AI4S 的独立大方向。

技术路线

推动 AI 在工程、科学、医疗和创业中的应用与研究。

融资 / 组织

Imperial、科研资金和产业合作支持。

时间线

2020s 成为 Imperial AI 交叉重点平台。

团队

Imperial I-X 相关 faculty 和研究团队。

观察价值

英国工程科学 AI 的高密度平台。

技术路线

结合预测模型、基因编辑和作物实验，优化产量、用水和氮利用效率等性状。

融资 / 组织

公开资料显示完成多轮大额融资。

时间线

2016 成立；2020s 推进 AI-enabled seed design。

团队

Ponsi Trivisvavet 等。

观察价值

农业是 AI for science 从生命系统走向现实产业的重要场景。

技术路线

将深度学习、RNA 生物学和实验反馈结合，设计更优 RNA therapeutic。

融资 / 组织

公开资料显示获得多轮融资，投资方包括 Andreessen Horowitz 等。

时间线

2021-2026 持续推进 RNA 设计平台。

团队

Jakob Uszkoreit 等，团队有 Transformer/AI 和 RNA 生物背景。

观察价值

RNA 是 AI4S 药物发现的重要新分支。

技术路线

通过计算与数据科学、材料、物理和工程团队推进 AI 科学建模。

融资 / 组织

IISc、印度政府和科研合作支持。

时间线

2020s 印度 AI 与科学计算交叉增强。

团队

IISc 相关 AI、CDS 和科学工程团队。

观察价值

印度高校 AI4S 需要纳入长期跟踪。

技术路线

从游戏、搜索、环境生成和自生成任务中构建能力提升路径，目标是让模型通过交互和反馈形成新能力。

融资 / 组织

公开资料未披露独立融资轮次；公司仍以研究方向和招聘/早期公开 footprint 为主。

时间线

2025-2026 进入 frontier learning-systems / RL company 观察列表。

团队

公开讨论中常与强化学习和 AlphaGo/AlphaZero 相关研究背景联系在一起；官网未列完整团队名单。

观察价值

科学发现可能需要远超互联网模仿学习的探索和自生成训练机制。

技术路线

PandaOmics 做靶点发现，Chemistry42 做生成式小分子设计，Pharma.AI 做平台整合。

融资 / 组织

长期获得多轮融资，并与多家药企合作。

时间线

2014 成立；2020s AI 发现/设计药物进入临床，成为代表案例。

团队

Alex Zhavoronkov。

观察价值

临床里程碑具有示范意义，但需持续跟踪临床结果质量。

技术路线

用疾病相关人类数据和细胞系统建立药物发现 pipeline。

融资 / 组织

曾完成数亿美元级融资，并与 Gilead、BMS、Eli Lilly 等有公开合作/授权案例。

时间线

2018 创立；2020-2025 持续推进合作和自有 pipeline。

团队

Daphne Koller。

观察价值

ML 与生物实验体系扎实，重点看 pipeline 临床转化。

技术路线

用语义分析、文献探索和知识提取支持科研团队和企业 R&D。

融资 / 组织

公开资料显示获得欧盟/投资支持。

时间线

2015 成立；2020s 持续服务科研与企业客户。

团队

Anita Schjøll Brede 等。

观察价值

企业 R&D 的知识发现和文献自动化是 AI4S 的横向需求。

技术路线

基于 AlphaFold 3、多模态结构预测与生成设计，建设端到端药物设计引擎。

融资 / 组织

2025 年宣布 6 亿美元外部融资；与 Eli Lilly、Novartis 等合作。

时间线

2021 成立；2024 与 DeepMind 推出 AlphaFold 3；2025 完成大额融资。

团队

Demis Hassabis 为创始人/CEO，Colin Murdoch 等参与领导。

观察价值

AI 药物发现中最受关注的平台之一，关键验证点是临床资产。

技术路线

通过 AI graduate school、材料、生命科学和工程学院推进科学应用。

融资 / 组织

KAIST、韩国政府和产业合作支持。

时间线

2020s 韩国高校 AI4S 布局加速。

团队

KAIST AI 和相关科学工程团队。

观察价值

韩国半导体、材料和生命科学产业使高校 AI4S 具备强应用场景。

技术路线

机器学习、机器人实验和高通量材料/化学筛选闭环。

融资 / 组织

公开资料显示曾获得种子轮和战略支持。

时间线

2017 成立；早期推动 self-driving laboratory 商业叙事。

团队

Jill Becker 等，与 Harvard/Aspuru-Guzik 生态相关。

观察价值

是自动化材料实验室方向的早期代表。

技术路线

主动学习、自动化实验和蛋白工程结合，快速优化候选分子。

融资 / 组织

公开资料显示获得多轮融资和药企合作。

时间线

2012 成立；2020s 推进 ML-driven protein engineering。

团队

James Field 等。

观察价值

早期闭环蛋白工程公司的代表。

技术路线

用生成式模型设计蛋白和生物分子，把 foundation model 输出接到实验验证。

融资 / 组织

公开报道显示 2025 年获得约 5000 万美元融资。

时间线

2025 正式公开并获得高关注。

团队

团队包含来自 DeepMind 等 AI for biology 背景的人才。

观察价值

代表新一代蛋白/生物设计公司的高密度人才路线。

技术路线

科学 foundation model、自动化实验室和数据飞轮，面向生命科学、化学和材料。

融资 / 组织

2025 年 2 亿美元种子轮，随后 3.5 亿美元 A 轮，总融资约 5.5 亿美元。

时间线

2025 正式公开，并以 scientific superintelligence / AI science factory 叙事获得关注。

团队

Flagship Pioneering 体系推动，团队横跨 AI、生命科学和自动化实验。

观察价值

平台叙事强，关键看短期里程碑和外部实验验证。

技术路线

通过高效模型架构、模型定制和边缘部署，探索不同于纯粹扩大参数规模的 foundation model 路线。

融资 / 组织

官网新闻显示 2024 年宣布 2.5 亿美元融资，用于扩展 capable and efficient general-purpose AI。

时间线

2023 以来持续发布 Liquid Foundation Models、LFM2、on-device 和行业模型案例。

团队

MIT / CSAIL 相关研究生态出身，团队聚焦新型模型架构、效率、部署和端侧智能。

观察价值

科学 AI 不只需要最大模型，也需要可在实验设备、机器人、边缘传感器和私有环境中运行的高效模型。

技术路线

用云基础设施和现代仿真工具加速工程团队的物理模拟与设计迭代。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2020s 推进 cloud-native CAE。

团队

Juan Alonso、Philip Roe 等相关工程仿真背景团队。

观察价值

AI surrogate 和自动设计需要高质量仿真数据和云端仿真基础设施。

技术路线

AI 搜索候选材料，结合模拟和实验验证，目标是更快发现可制造材料。

融资 / 组织

2024 年公开报道显示获得约 200 万英镑种子轮。

时间线

2020s 成立并服务材料发现项目。

团队

Jonathan Bean 等。

观察价值

规模较小，但应用型材料发现值得跟踪。

技术路线

通过高通量 DFT、材料数据库和 API 支持材料筛选、模型训练和发现工作流。

融资 / 组织

DOE、Berkeley Lab 和科研资金支持。

时间线

2011 起成为计算材料学和材料 AI 的核心资源。

团队

Kristin Persson 等 Materials Project 团队。

观察价值

GNoME、MatterGen 等路线都依赖类似开放材料数据基础。

技术路线

用模型和数据平台加速材料性质预测、配方设计和工业研发。

融资 / 组织

官网和公开检索未发现独立融资轮次。

时间线

2020s 中期进入材料/半导体 AI 观察列表。

团队

官网未公开完整团队名单；公开定位为 materials / semiconductor AI platform。

观察价值

材料与半导体边界正在融合，AI 平台有机会成为中间层。

技术路线

机器学习势能和材料模拟平台，用于制造、化学和材料研发。

融资 / 组织

Preferred Networks / ENEOS 等日本产业生态支持。

时间线

2020s Matlantis 服务化并进入工业应用。

团队

Preferred Networks 与材料模拟团队。

观察价值

日本材料工业和 AI 结合的代表。

技术路线

结合量子化学、生成模型、机器人实验和自动化优化发现分子和材料。

融资 / 组织

University of Toronto、政府科研和合作支持。

时间线

2010s-2020s 持续影响 AI chemistry/materials。

团队

Alán Aspuru-Guzik 及 Matter Lab。

观察价值

AI 化学和 self-driving lab 的关键学术源头。

技术路线

通过多个研究所把机器学习、物理、化学、生物和材料科学连接起来。

融资 / 组织

Max Planck Society 和德国/欧洲科研资金。

时间线

长期作为基础科学研究网络，2020s AI4S 交叉增强。

团队

MPI for Intelligent Systems、Biochemistry、Chemical Physics of Solids 等多所。

观察价值

欧洲基础科学密度最高的网络之一。

技术路线

用机器人实验平台和 AI 软件加速生物实验设计、执行和数据反馈。

融资 / 组织

公开资料显示获得种子轮融资并建设自动化实验设施。

时间线

2020s 中期进入高关注，切入 AI biology 实验执行层。

团队

团队来自机器人、生物实验和 AI 背景。

观察价值

代表 AI4S 从软件走向 physical lab 的新趋势。

技术路线

聚焦前沿模型、推理、agent 和基础设施；是否会形成独立科学发现方向仍未知。

融资 / 组织

Meta 内部组织，不单独融资。

时间线

2025-2026 Meta 将 superintelligence 作为重点方向。

团队

Meta AI / FAIR / superintelligence 相关团队。

观察价值

大厂 frontier lab 可能通过模型能力、开源生态和计算基础设施影响 AI4S。

技术路线

设计长期、真实、可验证的软件和研发任务，测量模型自主完成复杂工作的能力。

融资 / 组织

非营利评测研究组织，获得公益和研究资金支持。

时间线

2020s 持续发布 autonomous R&D capability evaluation。

团队

METR 研究团队。

观察价值

没有可验证评测，就无法判断 AI scientist 是否真的在逼近自主科研。

技术路线

材料生成、材料模拟、大气 foundation model、蛋白构象 ensemble 与 Azure scientific workflow 结合。

融资 / 组织

Microsoft 内部研究组织，不单独融资。

时间线

2023-2024 AI4Science 加速；2025 MatterGen、Aurora、BioEmu 等成果密集出现。

团队

Christopher Bishop 等 Microsoft Research 研究领导层，多研究组协同。

观察价值

云、模型、企业平台和科学产品化能力形成组合优势。

技术路线

用 AI agents、科学数据、模拟工具和企业研发流程组合成可执行 discovery workflow。

融资 / 组织

Microsoft 内部产品/平台，不单独融资。

时间线

2026 在 Microsoft Build / research 生态中公开受到关注。

团队

Microsoft AI for Science、Azure 和产品团队协同。

观察价值

这类平台可能把 AI4S 从论文模型推进到企业研发操作系统。

技术路线

基础 ML、生成模型、因果、强化学习和科学应用交叉。

融资 / 组织

加拿大魁北克政府、产业和科研资金支持。

时间线

2010s-2020s 持续作为全球 AI 学术核心。

团队

Yoshua Bengio 生态及 Mila affiliated researchers。

观察价值

基础 ML 和科学应用之间的人才流动密集。

技术路线

用 AI 进行靶点分析、小分子生成和候选物优化。

融资 / 组织

公开资料显示完成多轮融资。

时间线

2018 成立；2020s 推进平台和管线。

团队

团队来自药物化学、AI 和生物医药背景。

观察价值

中国 AI drug discovery 独立公司代表之一。

技术路线

覆盖机器学习、机器人、计算生物、科学计算和自动化工具构建。

融资 / 组织

MIT、政府科研和产业合作。

时间线

长期作为全球 AI 学术核心实验室之一。

团队

MIT CSAIL 多研究组。

观察价值

AI4S 的许多基础方法来自通用 AI 与系统研究。

技术路线

结合生成模型、量子化学、分子模拟和材料实验，搜索新分子与材料。

融资 / 组织

MIT 学术科研、政府项目和产业合作。

时间线

2010s-2020s 持续推动 ML for molecules/materials。

团队

Rafael Gómez-Bombarelli 及研究组。

观察价值

材料/分子生成式设计的重要学术源头。

技术路线

用机器学习、分子设计、医学影像和临床数据推动疾病诊断和药物发现。

融资 / 组织

MIT、Jameel 基金、政府科研和合作支持。

时间线

2018 起作为 MIT AI health / drug discovery 核心节点。

团队

Regina Barzilay、James Collins 等相关团队。

观察价值

高校 AI 药物发现与医疗 AI 的代表中心。

技术路线

用自动化反应器、优化算法和工程化实验平台推进化学合成。

融资 / 组织

MIT 学术科研、政府项目和产业合作。

时间线

长期推动自动化化学和连续流合成。

团队

Klavs Jensen 及 MIT Jensen Lab。

观察价值

AI 化学发现最终要接到自动合成和反应工程。

技术路线

用历史测试、仿真和工程数据训练模型，减少物理测试次数并优化设计。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2016 成立；2020s 服务汽车、航空和制造客户。

团队

Richard Ahlfeld 等。

观察价值

工程研发里真实测试成本高，AI surrogate 直接创造价值。

技术路线

用 AI 和多尺度仿真把微观材料、工艺和宏观性能联系起来。

融资 / 组织

官网和公开检索未发现独立融资轮次。

时间线

2020s 中期进入 multiscale AI 工程观察列表。

团队

官网未公开完整团队名单；公开定位围绕 multiscale modeling、materials、manufacturing 和 engineering AI。

观察价值

AI4S 的难点常在跨尺度连接，这类平台值得跟踪。

技术路线

结合遥感、卫星、天文观测、任务数据和 AI 模型，服务地球与空间科学。

融资 / 组织

美国政府/公共科研项目。

时间线

2020s NASA 持续推进 AI for science 和 foundation model 合作。

团队

NASA 科学任务与数据团队。

观察价值

空间和地球观测数据是 AI4S 的大规模科学数据源。

技术路线

通过 AI Singapore、NUS 计算、医学、材料和化学团队推进 AI4S。

融资 / 组织

NUS、新加坡政府和产业合作支持。

时间线

2020s 新加坡 AI 和科学计算投入增强。

团队

NUS 与 AI Singapore 相关团队。

观察价值

新加坡是亚洲 AI4S 国际合作和生物医药/材料交叉的重要节点。

技术路线

以 deep learning-guided program synthesis、ARC-AGI 式泛化和新型学习结构为核心，目标是让 AI 能发明、适应和创新。

融资 / 组织

TechCrunch 报道称 Ndea 未披露是否获得外部融资，但公司正在招聘研究岗位，说明已有运行资源。

时间线

2025-01 François Chollet 与 Mike Knoop 宣布 Ndea，定位为 AI research and science lab。

团队

François Chollet 与 Zapier co-founder / head of AI Mike Knoop 共同创立。

观察价值

它和 AI4S 的交集非常直接：目标不是辅助科学，而是让 AI 参与发明和发现。

技术路线

把 CAD/CAE 数据转为机器学习模型，用于快速预测性能并优化产品形状。

融资 / 组织

公开资料显示完成 A/B 轮等融资。

时间线

2018 成立；2020s 服务汽车、航空、能源和制造客户。

团队

Pierre Baqué 等。

观察价值

工程 AI 是 AI4S 中商业化很快但常被忽略的一条线。

技术路线

用神经网络和物理建模加速复杂系统预测与工程设计。

融资 / 组织

官网和公开检索未发现独立融资轮次。

时间线

2020s 中期进入 physics AI 观察列表。

团队

官网未公开完整团队名单；公开定位围绕 physics simulation、scientific ML 和 engineering prediction。

观察价值

代表 AI4S 从分子/天气扩展到一般物理系统建模。

技术路线

用空间组学、显微图像和扰动数据学习疾病生物学与药物反应。

融资 / 组织

公开资料显示获得 A 轮融资，并与 GSK 等建立合作。

时间线

2023-2026 在 AI biology 和肿瘤模型方向推进。

团队

团队结合计算生物、AI 和肿瘤生物学背景。

观察价值

代表从结构模型走向细胞/组织状态模型的方向。

技术路线

训练开放语言模型，建设分布式训练与开放模型生态，推动模型能力、数据合成、推理和开放研究复现。

融资 / 组织

2024 年 seed 融资约 520 万美元；2025 年 The Block 报道 Paradigm 领投 5000 万美元 Series A，并提到此前 seed 总额增至约 2000 万美元。

时间线

2024 seed；2025 Paradigm-led Series A；持续发布 Hermes、Psyche、Nous Portal、Hermes Agent、Hermes 4 等开放模型与分布式训练项目。

团队

分布式研究与工程团队；官网定位为 American open source AI movement 代表，关注开放语言模型、分布式训练、模型架构、数据合成、fine-tuning 和 reasoning。

观察价值

科学 AI 需要可审计、可改造、可本地化的模型与训练生态；开放模型 lab 是闭源 frontier lab 之外的重要支点。

技术路线

FourCastNet、CorrDiff、Omniverse/数字孪生与 GPU 加速模拟结合。

融资 / 组织

NVIDIA 内部平台。

时间线

2021 起 Earth-2 叙事公开；2023-2025 AI weather / climate 服务产品化。

团队

NVIDIA climate/weather AI 团队。

观察价值

在气象机构、能源、保险等产业场景中有平台价值。

技术路线

提供物理约束神经网络、神经算子和科学仿真模型工具链，服务气候、流体、工程等场景。

融资 / 组织

NVIDIA 内部平台。

时间线

从 Modulus 演进到 PhysicsNeMo，2020s 持续增强。

团队

NVIDIA scientific computing / AI 团队。

观察价值

AI4S 的很多方向需要通用物理机器学习工具链。

技术路线

从 MRI 等脑影像中构建个体化脑网络，支持研究和临床决策。

融资 / 组织

公开资料显示获得多轮融资。

时间线

2019 前后成立；2020s 推进脑网络平台。

团队

Michael Sughrue 等。

观察价值

临床神经数据和 connectomics 是 NeuroAI 重要入口。

技术路线

把前沿模型用于科学问题求解、蛋白/生物设计、研究评测和专家协作任务。

融资 / 组织

OpenAI 内部项目/合作，不单独融资。

时间线

2025-2026 OpenAI 公开科学相关 benchmark 和项目。

团队

OpenAI research 团队与外部科学专家。

观察价值

OpenAI 不是专门 AI4S 公司，但模型能力会外溢到科研自动化和科学评测。

技术路线

构建由领域专家设计的前沿科学任务，评测模型在真实研究问题上的推理和求解能力。

融资 / 组织

OpenAI 研究项目。

时间线

2025-2026 公开进入 AI scientist benchmark 讨论。

团队

OpenAI 与外部科学专家协作。

观察价值

AI4S 需要比通用问答更硬的评测，否则无法判断模型是否真的具备研究能力。

技术路线

提供开放 API 和知识图谱数据，为科研搜索、评估、推荐和 AI agents 提供底层数据。

融资 / 组织

OurResearch 生态和开放科学支持。

时间线

2022 接替 Microsoft Academic Graph 的开放科学数据角色。

团队

OurResearch 团队。

观察价值

AI scientist 需要开放、可查询、可组合的科学知识图谱。

技术路线

提供可编程液体处理机器人、实验协议和自动化平台，服务生物实验室。

融资 / 组织

公开资料显示获得多轮融资和客户收入。

时间线

2010s 成立；2020s 进入更多生物实验室自动化场景。

团队

Opentrons Labworks 团队。

观察价值

开放实验机器人是 AI scientist 的低成本执行层。

技术路线

生成式材料设计，面向碳捕集、数据中心冷却、能源材料等具体应用验证。

融资 / 组织

公开报道显示获得过 1600 万美元级别融资。

时间线

2022-2023 成立/公开；2024-2025 碳捕集等应用受到关注。

团队

Jonathan Godwin 等，团队与 DeepMind/AI 材料背景有关。

观察价值

技术叙事清晰，关键看实验验证和工业客户。

技术路线

多模态医学和生物数据建模，连接医院网络、病理 AI 和药物开发。

融资 / 组织

公开资料显示获得 Sanofi 等投资，曾达到独角兽估值。

时间线

2016 成立；2020s 推进病理 AI、药物发现和 Bioptimus 生态。

团队

Thomas Clozel、Gilles Wainrib 等。

观察价值

临床/病理数据网络是 AI biology 的重要数据入口。

技术路线

研究 probabilistic ML、deep learning、health AI 和领域应用建模。

融资 / 组织

Oxford、UKRI、产业合作等支持。

时间线

长期作为英国 ML 学术核心之一。

团队

Oxford ML research community。

观察价值

基础 ML 与科学应用之间的桥梁。

技术路线

用结构生物信息、机器学习和抗体建模支持蛋白设计和药物发现。

融资 / 组织

Oxford 学术科研、UKRI 和合作支持。

时间线

长期影响蛋白信息学和抗体建模。

团队

Charlotte Deane 及 OPIG 团队。

观察价值

抗体 AI 和蛋白信息学的重要高校源头。

技术路线

以流式数据、动态系统、复杂网络和长程推理为核心，试图让模型从持续变化的世界中学习，而不是只依赖静态训练语料。

融资 / 组织

Pathway 本体为 venture-backed AI infrastructure company，公开投资方包括 TQ Ventures、Market One Capital、Kadmos Capital、Inovo.vc 等；BDH / Dragon Hatchling 没有单独披露融资轮次。

时间线

Pathway 先以实时 AI / streaming data infrastructure 起家；2026 公开 BDH / Dragon Hatchling，强调 post-transformer、long-horizon reasoning 与 continual learning。

团队

Zuzanna Stamirowska、Jan Chorowski、Adrian Kosowski 等，背景横跨实时数据系统、复杂网络、语音/attention、理论计算机科学和图搜索。

观察价值

如果目标是跳出静态框架、做 continual learning 和 open-ended discovery，Pathway 是最应该重点观察的前沿样本。

技术路线

研究深度势能、分子动力学、计算物理和 AI4Science 工具链。

融资 / 组织

北京大学、国家科研项目和产业合作支持。

时间线

2010s-2020s 深度势能模型成为 AI molecular simulation 代表方向。

团队

张林峰、王涵等深度建模相关学术生态。

观察价值

中国 AI for molecular simulation 的核心学术源头。

技术路线

AI 科学家系统加自动化实验设施，重点偏材料发现和物理科学。

融资 / 组织

2025 年公开报道显示约 3 亿美元种子轮，投资方包括 a16z、NVIDIA 等。

时间线

2025 公司公开，成为 AI4S 新热点。

团队

公开报道提到创始团队来自 OpenAI、DeepMind 和科学实验自动化背景。

观察价值

材料方向适合闭环验证，关键看实验速度与工业落地。

技术路线

开发适合近期和容错量子计算机的量子模拟算法，用于材料和化学问题。

融资 / 组织

公开资料显示获得多轮融资和政府/产业合作。

时间线

2019 成立；2020s 聚焦量子材料和化学应用。

团队

Ashley Montanaro、Toby Cubitt、John Morton 等。

观察价值

量子模拟是 AI4S 与量子计算交叉的重要方向。

技术路线

Biomni 将 biomedical knowledge、tools、databases 和 software modules 组合成 agentic environment，执行实验设计、数据分析、假设生成和工具调用。

融资 / 组织

Biomni 是 Stanford research project；公开资料未披露独立公司融资。

时间线

2025-2026 Stanford Hazy Research / SAIL / Chan Zuckerberg Biohub 相关团队公开 Biomni biomedical agent。

团队

项目作者/团队来自 Stanford Hazy Research、SAIL、Stanford Medicine 与 Chan Zuckerberg Biohub 等生态。

观察价值

Biomni 是当前最接近“领域工具执行型 AI scientist”的 biomedical agent 样本之一。

技术路线

用深度学习 surrogate、仿真数据和物理约束模型加速工程设计空间探索。

融资 / 组织

公开资料显示完成多轮融资。

时间线

2020s 在 engineering AI / industrial physics AI 方向快速增长。

团队

Robin Tuluie 等。

观察价值

工程科学也是 AI4S：从发现材料扩展到发现设计。

技术路线

通过 protocol learning、decentralized training 和多主体/多贡献者训练机制探索开放模型扩展路径。

融资 / 组织

2025-03 宣布 760 万美元 seed round，由 USV 和 CoinFund 共同领投，Topology、Variant、Eden Block、Bodhi Ventures 参与。

时间线

2024 初成立；2025-03 公开 seed round 与 decentralized AI 路线。

团队

公开新闻稿称团队由 Alexander Long 领导，成员为多位 ex-FAANG research scientists。

观察价值

科学发现本质上是集体知识生产，多主体 AI 系统可能成为新型科研组织。

技术路线

用多物理、多领域科学数据训练可迁移模型，面向天体物理、流体和物理模拟。

融资 / 组织

学术/研究联盟，与 Flatiron Institute、Simons Foundation 等生态相关。

时间线

2023-2025 作为 scientific foundation model 研究计划推进。

团队

Shirley Ho 等。

观察价值

代表科学大模型不应局限于语言/分子的路线。