事件
寻明生科（Aurark Biotechnologies）在 2026 年 4 月完成 3500 萬美元 A+ 輪融資，距 2025 年底 A 輪（數千萬美元）僅 4 個月，A 輪次累計融資接近 1 億美元。融資方包括紅杉中國、經緯創投、博遠資本等。
創辦於 2023 年的寻明生科聲稱已完成三階段進程：(1) 建立生成式抗體藥物研發平台，(2) 讓智能體深度參與分子設計，(3) 實現規模化。本輪資金重點用於升級「AuraIDE™」平台、強化基座模型與智能體、擴充高通量高內涵實驗室。
CEO 赵伟安的關鍵發言：*「摆在公司面前的新問題，是如何為這套體系打造『配套的基礎設施』，從而更快完成驗證智能體設計的新靶點、新分子實際效果的過程。這直接影響智能制藥類企業的商業化能力。」* 他更指出，通用大模型廠商的優勢不是模型本身，而是其長期構建的「基礎設施能力，能夠快速驗證創新價值」。
深層觀察
這則融資新聞表面看是「生物科技+AI」的又一樁VC 故事，但其最深的洞察隱藏在 CEO 的一句話：問題已經不是「AI 能否設計分子」，而是「誰的實驗室能最快驗證設計的真偽」。
### 為什麼？
生成式 AI 已將「分子設計」從「天才化學家 10 年磨劍」降到「LLM 提示詞」。但降低門檻後，新的瓶頸出現了：你的 AI 設計的抗體真的有效嗎？不能只靠模型自評，必須在實驗台上驗證。而驗證週期（高通量篩選、細胞實驗、動物模型、IND 申報）仍需數月到數年。
這時，「驗證速度」變成了最稀缺的資源。
寻明生科的策略是把實驗室本身當作「AI 的一部分」——升級高通量、高內涵設施，讓每一個模型的假設都能快速得到反饋，形成更短的反覆迴圈。這就像 OpenAI 為什麼需要 GPU 工廠：不是因為沒有人賣 GPU，而是因為能快速反覆的人贏。
### 現在的局面
制藥 AI 創企面臨「基礎設施鄙視鏈」： 1. 只有算法的初創：吹牛能 10 倍快設計，但一個分子從計算到臨床仍需 5-10 年，沒人相信 2. 有算法+有小規模實驗室的初創（寻明生科的位置）：能快速驗證，形成「設計→實驗→學習」迴圈，逐漸脫穎而出 3. 有大藥廠的研發體系：基礎設施完善，但組織僵化、決策慢
寻明生科的融資邏輯就是：我不能靠「算法論文」贏，必須靠「驗證週期」贏。而驗證週期需要真實的金屬和玻璃——實驗設備、人才、數據。
原則的通用性
這個現象跨越了生物科技的邊界。只要涉及「複雜創新」，都會出現同樣的模式：
- **特斯拉的超級工廠**：別人也能設計電動車，但特斯拉用垂直一體化的製造基礎設施，把迭代週期從 18 個月壓到 6 個月
- **Google 的數據中心**：搜索算法重要，但更重要的是能快速測試每個改進在真實流量上的效果
- **Figma 的協作基礎設施**：設計工具的 UI 可被複製，但支撐實時協作的網路架構和數據同步機制是護城河
共同點：看起來贏的是產品或算法，實際贏的是那套看不見的「驗證→反饋→迭代」系統。