累计融资超1亿美元，百奥几何的商业化走到哪一步？ - 开云官网

北京的百奥几何近日宣布完成A+轮融资，A轮系列累计金额超过1亿美元。国寿资本担任领投方，老股东上海生物医药基金追加投资，国开科创、瑞力投资、国方创投及头部生物医药产业方参与跟投，达晨财智继续跟投。该笔资金计划用于三大方向：模型迭代、高通量自动化实验室扩建，以及自研药物管线的商业化推进。

这家企业的业务听起来颇具前沿性：利用生成式AI打造生命科学领域的“微观世界模型”。

然而，在商业化层面，最扎实的进展是：公司宣称其天然冰片已实现生物合成，成本较植物提取下降80%，并计划于2027年产生规模化收入。

天然冰片既是一种香料，也是一种中药材，传统上从樟科植物中提取。

关于天然冰片的市场规模，不同机构的估算差异较大，从十几亿元到二十几亿元不等；其中一份行业报告预测，2025年中国市场规模约为25.9亿元。

它所说的“世界模型”，涵盖两个维度

先看技术层面。

百奥几何的体系分为两层。

第一层名为GeoFlow，专注于分子领域。它是一个全原子生物分子世界模型，整合了结构预测、从头设计以及多步推理功能。该模型已迭代三代：

V1（2024年6月）：在原子层面刻画三维空间，蛋白-蛋白复合物结构预测达到AlphaFold 3同等水平。

V2（2025年4月）：将结构预测与从头设计统一至同一模型，成为国内首个实现“抗体从头设计”的AI大模型。

V3（2025年10月）：引入“生成—评估—优化”的多步推理闭环，模拟抗体亲和力成熟过程。

官方数据显示，V3在20余个靶点上，苗头分子的平均命中率接近20%，较上一代AI方法提升近百倍，先导分子发现周期压缩至三周以内。

第二层名为GeoCell，专注于细胞领域。它建模细胞在基因、药物及其组合扰动下的转录组响应，主要应用于研发中最依赖经验的三个环节：选择靶点、确定适应症、筛选患者群体。

创始人唐建，拥有北京大学博士学位，曾任微软亚洲研究院研究员，也是加拿大蒙特利尔学习算法研究院的华人终身教授，研究方向为图神经网络和几何深度学习。公司名称中的“Geometry”一词，正是源自几何深度学习。

本轮融资的资金来源并非纯财务资本。领投的国寿资本属于保险系长期资金，加码的上海生物医药基金是地方产业基金，跟投方中还包括“头部生物医药产业方”——这一结构表明，它被视作“产业基础设施”来投资，而非“单一管线”。

对于一家尚处于中试阶段的企业而言，这既是好消息，也带来压力：基础设施的估值要求其具备“被广泛使用”的能力，而非“独自研发一款药物”。

这里存在一个关键问题：世界模型的训练数据从何而来？

物理世界的世界模型（如自动驾驶、机器人领域），数据可来自视频、仿真或遥操作。互联网上海量视频资源丰富，仿真技术也能生成无限场景。

但生物世界并非如此。

一个分子与蛋白结合是否有效，一个抗体改变三个氨基酸后亲和力会上升还是下降——蛋白序列、结构、活性等公开数据虽多，但具体到某靶点、新设计或真实实验条件，公开数据往往覆盖不足，关键缺口仍需实验来弥补。

因此，百奥几何正在建设的，除模型外，还包括一套配套的自动化实验体系。

这套体系被称为“RSI干湿闭环”：模型提出设计假设，AI Agent自动生成实验方案并编排流程，高通量自动化平台完成表达、纯化和功能验证，数据实时回流，再用于模型迭代。

Agent的目标被设定为：优先探索“最能暴露模型盲区”的假设。换言之，并非随机进行实验，而是专门针对模型最不确定的环节进行验证，以最大化每次实验的信息量。

本轮融资最实际的用途之一，便是建设高通量自动化实验室，提升“每日实验次数”的产能。

算力与实验产能，均是这类公司扩张时需要补齐的短板。

需要说明的是，这套“模型提出假设、实验验证、数据回流”的循环，与学术界长期使用的主动学习（active learning）存在关联，计算化学、材料基因组学领域也曾采用类似方法。百奥几何将其称为“RSI”（递归式自我进化），在闭环流程上与主动学习相通；但两者是否完全一致，仍有待其后续公开的方法细节来验证。

再看那个最引人注目的数字：苗头分子平均命中率接近20%。

这一数字在行业内确实不低。公司自身也给出了对比：V3较上一代AI方法提升近百倍，先导分子发现周期压缩至三周以内。

但有两个方面值得深究。

一个需要注意的点是统计口径。公司在技术报告中说明，命中检测采用BLI（生物膜干涉）结合检测，即测试分子与靶点“能否结合”。这一口径距离“有效”或“能成药”尚有距离——结合命中后，还需经过细胞活性、药代、动物模型、临床等环节，每一关都会淘汰一批候选分子。因此，20%这个数字指的是“结合命中率”，而非“成药率”。

第二，80%的失败案例去向何处。20%的命中率意味着80%的失败，而每次失败都需要进行一次真实的湿实验——包括数天的表达、数天的纯化以及数周的功能验证。

这带来成本结构上的差异：AI的算力开支与真实的湿实验开支，是两本不同的账。

离现金最近的，是合成生物学的香料

现在回到那个问题：为何一家AI制药公司，在商业化上最先取得进展的会是香料？

从其管线结构便可明了。

一类是生物医药：数十条自研管线，多条双抗管线计划于2027年进入IND阶段。IND之前已有大量研发投入；进入IND后，通常还需八到十年才能上市，期间未必有收入。不过，上市前管线也可能通过合作、对外授权获得首付款和里程碑款，并非完全没有现金流入。

另一类是合成生物学：α-酮戊二酸、天然冰片等超过5个产品已完成中试。公司宣称其天然冰片采用生物合成路线，成本降低80%，即将实现规模化量产，并计划于2027年产生规模化收入。

合成生物学与AI制药的商业节奏差异显著，前者以年计，后者以十年计。

这种差异的本质在于验证环节的长度。一款双抗药物需经过毒理、临床一、二、三期，每阶段投入从几千万到几亿不等；而一个香料分子，验证的是纯度、成本及量产稳定性，周期短得多。但不能将生物合成产品直接等同于已有的药用天然冰片身份——能否进入某个供应链，还需视目标用途、行业准入及下游客户验证而定。

因此，对于一家需向投资人证明“我能赚钱”的企业而言，合成生物学是更接近收入的路径。

它的现金路径，可能就是用合成生物学的短周期收入，来支撑AI制药的长周期研发。

不少AI制药公司只有远期的故事，缺乏近期的收入。

但这里有一个必须计算的账：即使按较高估算，天然冰片品类2025年中国市场规模也仅为二十几亿元。

即便百奥几何完全占据这一品类，收入盘子也只有二十几亿元。而且，它还需面对植物提取的存量产能——成本降低80%是优势，但一旦价格战爆发，该品类的毛利也会被压缩。

换句话说：天然冰片这一品类，即使做到行业较高份额，收入盘子也仅二十几亿元，难以支撑一家以“世界模型”为核心故事的公司所需的成长曲线。

GeoCell这条线上，大厂也在布局

最后谈一下更前沿的部分：细胞世界模型。

百奥几何的GeoCell，旨在预测细胞在扰动下的转录组响应。这一方向在业内被称为“虚拟细胞”（Virtual Cell）。

而这条线上已有竞争者。阿里达摩院开发的Lingshu-Cell，是一个“生成式细胞世界模型”，已在arXiv发布预印本，并在ICML相关活动中展示，代码仓库也已公开——不过仓库目前采用带非商业限制的许可证。

此外，还有OCOO-T等更轻量、可扩展的虚拟细胞模型陆续出现。

这意味着：GeoCell并非无人区，而是一个大厂也在投入、且开始公开模型和代码的方向。

大厂在这方面具有天然优势——它们拥有算力、公开数据和开源社区资源。而一家创业公司要在这种方向上建立护城河，只能依靠一样东西：别人没有的实验数据。

这也解释了为何一家创业公司要投入重金建设自己的实验体系。

回到这家公司。

技术上，它覆盖从分子到细胞，从设计到验证；商业化上，从香料到AKG，中试已完成。

但两边都不轻松：天然冰片单个品类市场有限；细胞世界模型这条线上，大厂已在布局。

因此，百奥几何需要证明的，并非其模型比别人大，而是其设计能够实现、能够销售、能够回款。

AI制药行业这些年不缺“能设计分子”的故事，缺的是设计出的分子能否制造出来并成功销售。

天然冰片是一个观察窗口。它不显眼，市场也不大，但公司已做到中试，并将量产时间表定在2027年——能否兑现，是接下来最值得关注的一步。

这笔融资换来的，是在对手之前积累独有实验数据的时间。开云体育认为，数据能否转化为量产、订单和回款，还需看后续每一步的执行。

而数据能否转化为量产、订单及回款，还需观察后续每一步的执行情况。