文｜胡香赟

编辑｜海若镜

36 氪获悉，定位 AI Native 新药研发的「艾斐智药」近期已完成亿元级别人民币天使轮融资。本轮融资由襄禾资本领投，智谱旗下星连资本、某知名产业基金等机构跟投。

据悉，本次募集资金主要用于公司自研的 DrugCLIP 等药物基础模型、AI 药物研发智能体引擎 PharmAgents 的研发迭代，并持续开展下一代 AI 药物研发技术探索，以及自主 / 合作创新药管线推进。目前，公司进展最快的自研管线已进入 Pre-PCC 阶段。

此外，商业化方面，艾斐智药主要采取 Co-development（联合开发）模式，而非单纯的 AI 技术服务。据介绍，公司已与超过五家药企及 Biotech 在代谢、CNS、自身免疫、药物递送等方向的创新药发现项目中进行共同开发，合作覆盖小分子、多肽等不同药物模态。

艾斐智药正式成立于 2026 年 7 月，由清华大学智能产业研究院（AIR）兰艳艳教授、张亚勤院士课题组孵化成立。团队核心成员高博文此前主攻 AI 与基础科学的跨学科研究，曾在字节跳动从事推荐算法工作，2022 年回到清华 AIR 攻读博士，发表过多篇顶尖学术会议论文，并以共同一作发表《Science》正刊。

高博文介绍，艾斐智药的底色虽然 " 非常 AI"，但团队也十分重视与真实新药研发场景融合，避免 AI 技术脱离实验落地，目前团队已拥有具备药物化学、结构生物学背景的研发负责人，商务合作负责人拥有近 20 年医药工业界经验，曾推动多个药物进入Ⅱ期、Ⅲ期临床阶段。

" 我们之所以在早期就完成这样的团队配置，是希望摒弃传统的‘ AI 完成计算、交付给药化、药化再交付给生物’的接力式工作模式，让不同环节的研发人员从第一天起就进入协同工作、决策的闭环，搭建一套真正以 AI 作为核心生产力的 AI Native 新药研发体系。" 高博文解释。

传统制药模式中，AI 主要作为工具插件嵌入研发链条当中。这是因为，企业一般会从组织架构层面按照分子模态、疾病赛道拆分业务线。如有需要，每一条业务线会独立搭建自身 AI 能力。比如，遇到分子设计难题就开发分子生成模型，需要预判成药性就开发对应的预测模型等，不同业务线之间的 AI 技术很难互通。

但 "AI Native 的逻辑是相反的 "。高博文认为，想要真正让 AI 成为企业的底层核心能力，需要 " 所有业务都以 AI 为核心向外辐射 "，重新设计组织架构、研发流程以及人机协作模式，由 AI 参与回答开展哪些实验、产出哪些实验数据、计算与湿实验如何打通等根本性问题。

在艾斐智药，这套体系依靠 " 探索 "" 决策 "" 学习进化 " 三层 AI 能力运转：

首先，探索层即让 AI 突破人类现有认知和计算边界，挖掘传统手段难以触及的庞大药物研发空间；决策层则需 AI 在面对药物研发存在的大量不确定性现实时，能持续判断下一步行动，筛选值得落地的实验与需要产出的数据；学习进化层，需要不断接收真实湿实验与专家反馈，反推整套系统持续迭代优化。三层能力环环相扣，才能让 AI 跳出工具定位，深度介入新药发现全流程。

围绕这套体系，艾斐智药团队首先打造了以高通量虚拟筛选模型 DrugCLIP 为代表的多个基础模型作为技术底座，支撑团队在 " 探索 " 层面的能力。

高博文介绍，DrugCLIP 的核心是用 AI 构建蛋白 - 分子共存的高维表征空间，就像一个 " 化学宇宙 "。传统虚拟筛选需要蛋白和候选分子逐一对齐运算，面对十亿、千亿级别的化合物库，计算成本会急剧膨胀；因此，DrugCLIP 没有走这条路径，而是用双塔对比学习架构，将蛋白口袋、小分子映射至该高维表征空间。这样，面对全新靶点时，科学家仅需要输出蛋白口袋在空间内的坐标，检索空间距离邻近的分子就可完成筛选，不再需要对海量分子逐个运算。

" 依托该模型，我们能实现人类基因组规模虚拟筛选，单台服务器一天可完成 10 万亿次蛋白 - 分子配对计算，支持千亿级别化合物库秒级检索。经我们的实践，优化后的部分靶点命中率达到 60%-80%，不经后续改造就能一次直接筛出纳摩尔、甚至皮摩尔级别的高活性分子。"

在 DrugCLIP 空间探索能力基础上，艾斐智药团队进一步搭建 PharmAgents 药物发现智能体引擎，辅助完善 " 决策 " 层的能力。

不仅是前期分子筛选，新药研发全流程都贯穿大量复杂决策，比如，筛选得到一批分子后，优先验证哪些？实验结果和预期冲突时采信哪一部分证据？活性、选择性、药代如何权衡……这些决策过程需要整合文献专利、模型输出、实验数据、专家经验等多源信息，而这些信息往往是不完整的，甚至互相矛盾的。

区别于市面上部分仅能复刻人类科研流程的 Agent，PharmAgents 的核心能力，便是综合处理冲突、不完备的多源证据，再自主调用各类专业工具提出科学假设，拿到新信息之后迭代更新研发方案。

" 但是，我们不追求让 Agent 完全替代人类专家，而是让两者协作。因为人类专家经验本身也是决策流程中的重要证据来源，Agent 输出的决策会交由人类专家评估、修正，这些反馈能帮助 Agent 持续学习进化。换句话说，我们的‘学习进化’层能力体现在整个系统的持续迭代上，执行成败都会沉淀为系统知识，让系统越用越强。" 高博文表示。

这套体系已在实际药物研发场景中落地。目前，艾斐智药进展最快的自研管线聚焦 ADHD（注意缺陷多动障碍），通过自主发现的全新别构口袋，探索具有差异化潜力的全新作用机制；同时，公司也和清华生命学院、药学院，中国农科院，上交大转化医学研究院等不同类型科研院所开展合作，广泛开展实验验证。

今年以来，AI4S 赛道热度持续走高，大量专注制药方向的初创企业涌现，行业评判标准也日趋务实，论文和演示 Demo 之外，真实可复现的实验验证成为检验技术价值的硬性标准之一。

高博文认为，国内 AI 制药类企业此前已完成两代演进：第一代企业主要利用 AI 解决药物研发当中的单点任务；随后，行业开始追求用 AI 赋能研发全流程和自动化实验室建设。" 如今，艾斐智药等更新一代 AI Native 制药公司的核心工作，则是让 AI 承担起研发决策责任。传统药企背负历史业务包袱，较难彻底重构组织与流程，而我们从零搭建体系，在这方面会更灵活。"