医疗探针怎么做探针AI医疗专题：Lila Sciences 定义科学发现的边界医药新闻
科学发现的范式正在被颠覆，AI不再只是辅助工具，而是成为科学发现的核心引擎。一家由明星风投Flagship孵化、哈佛顶尖科学家天团坐镇的公司，正在用“科学超级智能”重新定义科研的边界。
2025年，AI for Science领域迎来了一场资本狂欢。一家名为Lila Sciences的初创公司在短短半年内累计融资4.35亿美元（约合人民币31亿元），估值突破12亿美元，成为该领域最炙手可热的独角兽。
这家由波士顿知名风投机构Flagship Pioneering孵化的企业，吸引了包括“木头姐”Cathie Wood的ARK Venture Fund、General Catalyst等顶级投资机构的青睐。其宏大的愿景是：构建世界上第一个科学超级智能平台（Scientific Superintelligence）和完全自主的实验室，彻底改变人类进行科学研究的方式。
Lila Sciences的崛起正值AI在科学发现中的应用爆发期。根据摩根士丹利的最新报告，到2030年，AI在药物发现领域的市场规模将达到450亿美元，而材料科学领域的AI应用市场也将达到200亿美元。但Lila的野心远不止于此——它要重新定义整个科学发现的过程。
01 明星资本押注：Flagship的又一巨大赌注
Flagship Pioneering作为生命科学领域的顶级风投，以其独特的“保姆式”孵化模式而闻名。这家机构已经成功孵化了超过100家企业，其中25家成功IPO，包括mRNA疫苗巨头Moderna。Flagship的投资策略一向以大胆和前瞻性著称，而Lila Sciences正是其在AI for Science领域的一次巨大赌注。
Lila Sciences成立于2023年，由Flagship内部两个早期AI项目合并而成——一个专注于新材料发现，另一个专注于生物学研究。这种跨学科的融合从一开始就注定了Lila不同于传统的AI制药或材料公司。
来源：Lila Sciences官网
2025年3月，Lila正式走出隐匿模式，一举获得了2亿美元的种子轮融资。这个数字在初创公司中极为罕见，充分显示了投资者对其前景的信心。仅仅半年后，公司又完成了2.35亿美元的A轮融资，估值达到12.3亿美元，成功跻身“独角兽”行列。
这轮融资由ARK Venture Fund领投，General Catalyst、老股东Flagship Pioneering以及其他多家机构跟投。“木头姐”Cathie Wood在投资声明中表示：“Lila Sciences代表了我们投资理念的核心——那些能够颠覆传统行业、定义未来趋势的突破性技术。”
融资资金的用途明确而雄心勃勃：扩大全球研发团队、建设新一代AI科学工厂、以及加速多个领域的发现进程。公司计划在波士顿、旧金山和伦敦三地同时扩建自动化实验室设施，招募更多顶尖的AI研究员和领域科学家。
02 全明星团队：科学天团与AI大牛的完美融合
Lila Sciences的核心竞争力之一是其全明星团队。公司聚集了来自AI、生物学、材料科学等多个领域的顶尖人才，形成了一个真正跨学科的超级团队。
来源：Lila Sciences官网
公司首席执行官Geoffrey von Maltzahn博士是Flagship的合伙人，拥有麻省理工学院生物医学工程和医学物理学博士学位。他此前曾参与创办AI制药独角兽Generate：Biomedicines，并在多家生物技术公司担任领导职务。von Maltzahn在科学商业化和技术转化方面拥有丰富经验，被认为是将深科技转化为商业成功的难得人才。
公司首席技术官Andrew Beam是哈佛医学院生物医学信息学系的副教授，此前曾开发过多个医学相关的深度学习算法。Beam在机器学习领域享有盛誉，他的研究专注于如何将AI技术应用于复杂的生物医学问题。作为学术界转向产业界的成功代表，Beam既保持了对前沿技术的敏感度，又理解产业界的实际需求。
著名的基因编辑大牛、哈佛大学教授George Church担任公司的首席科学家。Church教授是基因组学和合成生物学领域的权威，曾参与人类基因组计划，并开创了多项革命性的基因技术。他的加入不仅为Lila带来了科学上的信誉，更重要的是带来了对生物学研究的深刻理解。
公司董事会主席则由Flagship的创始人Noubar Afeyan担任。Afeyan是生物技术领域的传奇人物，他不仅成功孵化了Moderna，还领导了多个重大科学项目的商业化。他的视野和战略思维为Lila的发展方向提供了重要指导。
团队中还吸引了一位特殊的人才——研究“开放结局”（open-endedness）领域的专家Kenneth Stanley博士担任高级副总裁。Stanley此前在OpenAI和Uber AI Labs的工作经历让他对AI的创造性应用有着独到见解。他认为真正的创造力源于探索"有趣"的方向和假设，而不是单纯优化已知的目标。这种哲学与Lila的愿景高度契合。
此外，团队还包括了来自DeepMind、Google Brain等知名AI实验室的研究人员，以及来自MIT、斯坦福等顶尖学府的科学家。这种多元化的背景组合使得Lila能够在理论和实践之间找到最佳平衡点。
03 技术突破：从数据智能到实验智能的范式转移
与传统AI科研公司不同，Lila Sciences不满足于仅仅分析现有数据。它的核心创新在于构建了“AI科学工厂”（AI Science Factories），将生成式AI与自动化实验室深度融合，实现了从假设生成到实验验证的完整闭环。
Lila的技术架构建立在三个核心支柱之上：生成式科学模型、自动化实验平台和持续学习系统。这三个组件相互配合，形成了一个自我改进的科学发现引擎。
来源：Lila Sciences官网
生成式科学模型是Lila技术栈的核心。与传统的预测型AI不同，这些模型能够提出全新的、前所未有的假设。公司采取以科学为中心的方法训练其生成式AI，为其提供研究论文、记录实验以及来自其快速发展的生命科学和材料科学实验室的数据。这种方法使AI不仅学习已有知识，更通过“动手”实验来探索未知，生成全新的、专有的数据。
来源：Lila Sciences官网
自动化实验平台是Lila技术的另一个关键组成部分。这些平台集成了最先进的机器人技术、高通量实验设备和实时监测系统。在一个典型的Lila实验室中，你可以看到成排的机械臂精准地进行液体处理，培养箱中同时运行着数千个实验，传感器实时收集着各种数据。这种自动化水平使得Lila能够以人类科学家无法企及的规模和速度进行实验。
来源：Lila Sciences官网
持续学习系统则确保了整个平台的不断进化。每个实验的结果都会被用来更新AI模型，改进其下一次的假设生成。这种闭环学习使得Lila的系统能够从失败中学习，逐渐优化其科学直觉，就像人类科学家通过经验积累不断提高一样。
来源：Lila Sciences官网
Lila的技术优势还体现在其跨学科的能力上。同一个平台可以同时处理生物学和材料科学的问题，这种通用性是传统方法难以实现的。例如，研究蛋白质折叠的见解可能启发新的催化剂设计，而材料合成的知识可能帮助优化药物递送系统。
公司的技术路线图显示，他们正在开发多模态科学模型，这些模型能够同时处理文本、图像、化学结构和物理特性等多种数据类型。这种多模态能力对于理解复杂的科学问题至关重要，因为真正的科学突破往往来自于不同领域知识的交叉融合。
04 卓越成果：多领域突破性发现的证明
在短短几年的开发中，Lila的平台已经在多个领域展示了超越人类和现有AI基准的性能。这些成果不仅证明了技术的可行性，更展示了其巨大的应用潜力。
来源：PR Newswire
在医疗健康领域，Lila的平台已经生成了优于市售疗法的最佳基因药物结构。公司发现和验证了数百种适用于广泛治疗靶点的新型抗体、肽和结合剂。其中一个典型案例是针对某种难治性癌症靶点的新药发现——传统方法需要数年时间才能找到候选分子，而Lila的平台在不到三个月的时间内就发现了一个具有更高亲和力和特异性的新型抗体。
在材料科学领域，Lila的成就同样令人印象深刻。公司生产了独特的非铂族金属作为绿色氢气生产中的催化剂，成本仅为当前商业催化剂的一小部分。这种突破对于清洁能源领域具有重要意义，可以大幅降低绿色氢气的生产成本，加速能源转型。
另一个成功案例是用于工业规模碳捕获的新材料设计。Lila的平台设计出一种新型多孔材料，其二氧化碳吸附能力比市场上领先产品高出40%，而成本却低了30%。这种材料如果能够大规模应用，将对气候变化应对产生重大影响。
最令人印象深刻的是，在一个催化剂项目中，两位科学家利用Lila的AI平台仅在4个月内就找到了一种新型催化剂，而传统方法可能需要耗费数年时间。这种加速不仅节省了时间和资源，更重要的是使研究人员能够探索传统方法无法触及的设计空间。
Lila的平台还展示了其在多目标优化方面的强大能力。在一个复杂的药物设计项目中，平台需要同时优化分子的活性、选择性、溶解度和代谢稳定性等多个参数。传统方法往往需要在不同参数之间进行权衡，而Lila的AI系统成功找到了一个在这些方面都表现优异的分子，实现了所谓的“帕累托最优”。
这些成果的背后是Lila平台强大的数据生成能力。据公司透露，他们的自动化实验室每天能够运行数万个实验，生成TB级别的数据。这种规模的数据生成不仅加速了特定项目的进展，更重要的是为AI模型提供了丰富的训练材料，使其科学直觉不断提高。
05 商业模式：平台化技术与知识产权工厂
Lila Sciences的商业模式体现了其技术平台的独特价值。与传统生物技术公司不同，Lila不专注于某个特定疾病领域或技术平台，而是采取更加平台化的策略。
公司的核心价值主张是加速科学发现。他们通过两种主要方式实现商业化：一是通过合作伙伴关系为其他公司和研究机构提供发现服务；二是通过分拆公司将最有前景的发现进一步开发。
在合作伙伴模式中，Lila与制药公司、材料企业和研究机构合作，利用其平台加速对方的研发进程。这种合作通常采用里程碑付款加专利付费的模式，为Lila提供了相对低风险的收入来源。据报道，Lila已经与多家大型制药公司建立了合作关系，合同总价值超过5亿美元。
分拆公司模式则更加激进但也潜在回报更高。当Lila的平台在某个领域做出突破性发现时，他们会考虑成立专门的公司来进一步开发这些发现。Flagship作为孵化专家，在这方面具有丰富经验，能够为分拆公司提供从资金到管理的全方位支持。
来源：SSB Crack News
投资者Daniel Adamson将Lila称为“卓越的知识产权工厂”。这种定位非常准确——Lila的核心能力是快速产生高价值的专利和知识产权。在知识经济时代，这种能力比传统的产品开发更加珍贵，因为它提供了多元化的价值创造路径。
Lila的商业模式还体现了网络效应的特点。每个新项目都会为平台生成更多数据，从而提高AI模型的性能，使下一个项目更加成功。这种自我强化的循环是平台型公司的典型特征，也是投资者对其估值如此慷慨的重要原因。
公司还计划在年底前向部分合作伙伴开放其平台，这标志着其商业模式可能进一步演进为平台即服务（PlaaS）的模式。如果成功，这将使Lila能够触达更广泛的客户群体，包括那些没有资源自建类似平台的中小企业。
值得注意的是，Lila不打算将其发现自行通过临床试验进行验证测试。这种策略既降低了公司的资金需求，也避免了在临床开发阶段的高风险。相反，他们计划通过合作伙伴、外部企业或分拆公司来完成这些后期开发工作。
06 未来展望：科学发现的范式转移
Lila Sciences代表的趋势是不容忽视的。AI正在从科学发现的辅助工具转变为核心引擎，这种范式转移的影响可能远超我们的想象。
短期来看，Lila计划利用新一轮融资在波士顿、旧金山和伦敦增设新的“AI科学工厂”。这些设施将集成最先进的自动化设备和计算资源，成为科学发现的超级工厂。公司还计划大幅扩大研发团队，招募更多跨学科的顶尖人才。
中期来看，Lila的平台可能开始产生重大商业影响。在医药领域，可能会有第一个基于Lila平台发现的药物进入临床阶段。在材料科学领域，可能会有新型催化剂或电池材料实现商业化应用。这些成功将进一步证明平台的价值，吸引更多合作伙伴和投资者。
来源：Lila Sciences官网
长期来看，Lila的愿景更加宏大——创建一个能够自主进行科学发现的通用科学AI。这种系统不仅能够解决人类提出的问题，甚至能够自己提出重要的科学问题并寻找答案。如果实现，这将是科学方法的根本性变革。
公司还计划组织内部研究团队与AI进行直接的“人机对抗”，以测试是否已经创造出了其所追求的“科学超智能”。这些实验不仅具有科学价值，也具有重要的哲学意义——它们可能帮助我们理解人类智能与人工智能在科学创造方面的异同。
从更广阔的视角看，Lila的成功可能会激发整个AI for Science领域的创新浪潮。更多的公司和研究机构可能会投资类似的技术，加速科学发现的速度。这种加速可能会帮助我们更快地应对一些全球性挑战，如气候变化、传染病和能源危机。
然而，这种技术发展也带来了重要的社会和伦理问题。如果AI确实能够自主做出科学发现，那么科学家角色将如何演变？如何确保这些技术的受益是广泛分布的？如何处理AI生成的知识产权问题？这些问题需要科学家、政策制定者和社会各界共同思考。
AI科学家或许会越来越多地介入科研流程。在自动化与Agent技术逐渐成熟的当下，投资人已经逐渐理解并相信AI for Science的商业模式和巨大潜力，愿意下重注赌其未来。
未来，我们将会看到人类科学家与AI系统，共同拓展科学边界的一天。这一天可能比我们想象的更早到来。