投中网获悉，AI制药企业艾斐智药宣布完成亿元天使轮融资，由襄禾资本领投，星连资本等机构跟投。从公司注册到完成首轮融资，前后只有一个多月。对于一家仍处于早期阶段、团队规模尚小的创业公司而言，这样的融资速度也能说明资本市场的认可。

从团队的角度来看，艾斐智药团队具有扎实、浓厚的学术底色。清华大学智能产业研究院计算机专业博士生高博文担任CEO，清华大学智能产业研究院副院长、首席研究员兰艳艳担任首席科学家，清华大学智能科学讲席教授、智能产业研究院创始院长张亚勤担任首席科学顾问。此外，核心成员还有来自清华大学生命科学学院的博士、助理研究员，以及知名Biotech的总经理。成立之前，团队已经围绕AI制药积累了一批科研成果，包括登上《Science》的DrugCLIP，以及面向全流程药物研发的PharmAgents。

从赛道角度来看，过去几年，AI制药经历了从概念兴起到产业验证的过程。晶泰科技、英矽智能等头部公司相继走向资本市场，AI开始从传统制药流程中的辅助工具，进入靶点发现、分子设计、虚拟筛选等核心研发环节。与此同时，AI for Science正在成为科学研究的重要方向，已经从让已有流程跑得更快，转向尝试重新定义科学发现本身。

公司自主研发的PharmAgents智能体系统让AI Agent成为药物研发的“决策大脑”，不仅负责模型调用和任务规划，还试图参与实验决策与结果分析，并将真实实验反馈重新输入系统，形成“模型—决策—实验—数据—再学习”的闭环。这意味着，艾斐想做的并不是一个更快的药物筛选工具，而是一套全新的药物发现引擎。

这家公司将自己定义为一家AI Native的制药公司。这一理念也被写进了公司的英文名“AIPher”中：其中“AI”代表人工智能，“ph”除了对应Pharm（制药），也代表Philosophy（哲学）。在艾斐看来，AI Native并不只是把AI技术应用到传统制药流程中，而是要从AI的视角重新思考药物研发，并进一步落实到组织方式和工作流的重构上。

清华科学家走向创业

公司正式成立之前，这支来自清华大学的团队已经在AI制药领域持续探索了近五年。

核心团队来自清华大学智能产业研究院及计算机系等机构。首席科学家兰艳艳是清华大学万国数据教授、智能产业研究院副院长、首席研究员，在人工智能和自然语言处理领域深耕20年，已在重要国际期刊和会议发表论文百余篇，Google Scholar引用超过14000次，并以相关成果发表于《Nature》《Science》正刊。

首席科学顾问则是张亚勤。作为清华大学智能科学讲席教授、智能产业研究院创始院长，张亚勤同时拥有中国工程院外籍院士、美国艺术与科学院院士、澳大利亚国家工程院外籍院士、国际欧亚科学院院士等身份，长期从事人工智能等领域研究。

这支团队的学术背景也构成了艾斐智药最初的技术底座。据悉，团队从2021年开始真正系统地投入AI制药研究，持续围绕AI与药物研发的结合做技术积累，逐渐形成包括DrugCLIP在内的一系列核心技术。从2021年至今已经发表论文超过30篇，其中包括NeurIPS、ICLR、ICML等顶尖国际AI会议，以及《Nature》《Science》及其子刊等国际顶级期刊。

驱动这支科研团队创业的，是他们对AI与生命科学交汇点的判断。兰艳艳介绍，团队在2024年下半年已经开始具体推进智能体相关工作。当时团队判断，随着AI能力进一步提升，智能体不仅能够处理语言、视觉等传统任务，更有可能进入药物发现以及更广义的科学发现领域，承担过去主要由科学家完成的复杂研究工作。

到了2025年，DeepSeek等大模型的能力被更多人看到，也进一步强化了这一判断。对团队而言，大模型能力的跃迁并不是简单地意味着“AI变得更聪明”，而是让他们看到了AI进入真实科学世界的可能性。

兰艳艳把药物研发比喻为“生命科学皇冠上的明珠”，与自然语言处理等AI领域的问题不同，真正的药物研发不仅要求AI理解和预测生命系统，还需要进一步完成干预，找到一个合适的分子，并证明它能够在复杂的生命系统中产生预期效果。“如果我们能把药做成，意味着需要对整个的生命世界有了一个完整的理解和刻画。”她认为，这种复杂性恰恰意味着传统研发范式存在新的技术突破空间，也成为AI必须进入这一领域的理由。

团队此前积累的技术，也开始从论文走向真实的药物研发任务。2023年，团队完成DrugCLIP核心技术，并陆续围绕多个不同靶点开展实验验证。与此同时，团队持续拓展AI在药物研发不同环节和药物模态中的能力，相关成果持续发表于国际顶级AI会议以及《Nature》及其子刊等顶级期刊。2026年1月，DrugCLIP相关成果发表于《Science》正刊，并进一步实现了面向人类基因组级靶点的大规模虚拟筛选能力。在这些专业模型和真实项目积累的基础上，团队进一步研发了面向药物研发全流程的智能体系统PharmAgents，并于2025年在香港AI for Science峰会上首次发布，让AI从完成单点任务逐步走向科学探索和研发决策。近期，团队还将发布PharmAgents 2.0的技术报告和评测，进一步展示AI参与真实药物研发的能力。

高博文介绍，公司此前围绕多个靶点开展实验验证，有的与训练数据中的结构存在较多重叠，属于相对容易的案例；有的则与训练集存在明显差异，用来测试模型面对“out-of-distribution”任务时的能力；还有更复杂的案例，此前只有蛋白质序列，没有已知的和分子结合的共晶结构，需要先根据序列预测结构，再寻找潜在口袋并进行分子筛选。在知名的国际药物虚拟筛选比赛CACHE中，主办方提供具有挑战性的靶点，各参赛团队设计分子后统一提交，由主办方完成合成和活性测试，而艾斐基于DrugCLIP和其他核心技术筛选提交的分子，成为该届比赛1300多个分子中唯一一个在三套不同实验体系中均被验证具有活性的分子。

另一个更接近真实药物管线的案例，则来自ADHD方向。团队在科研合作中研究NET这一靶点时，结合AI能力发现了一个此前从未被报道、也没有被用于药物开发的全新结合口袋。这个发现的重要性在于，新口袋可以带来更高的靶向选择性与别构效应，从而为后续药物设计形成差异化优势，有望降低已有上市药物的副作用。基于这一发现，艾斐进一步推进了相关管线。公司将AI能力与人类专家经验结合，对分子进行持续优化，目前已经推进到临床前候选化合物确认阶段。

高博文透露，目前艾斐已经与药企、医院、高校、科研院所等建立了超过30个合作，在多个靶点上持续验证模型发现有效分子的能力。2026年3月，阿斯利康与清华大学正式宣布成立“清华大学（智能产业研究院）-阿斯利康人工智能药物研发联合研究中心”，双方将围绕AI驱动的分子研究、转化医学和临床开发等方向展开合作。对于这支团队而言，这意味着AI制药的探索已经从实验室研究进一步进入大型药企的研发体系。

成立一个多月，融资过亿

经历了前几年AI制药从概念验证、平台搭建到药物管线落地的探索之后，资本关注的重点正在发生变化：AI究竟能不能真正进入药物研发流程，并最终沉淀为可兑现的药物资产。

本轮融资的领投方襄禾资本在AI for Science领域多番押注，此前已经布局华深智药、百图生科、望石智慧等企业。其中，华深智药是襄禾较早押注的AI制药项目之一，襄禾从天使轮进入并持续加码；2026年，华深智药又完成7.87亿美元多轮融资，并与赛诺菲达成最高25.6亿美元规模的战略合作。

高博文介绍，艾斐未来一方面会推进自主研发的药物管线，另一方面也会与国内外头部药企展开合作。但合作不会停留在传统AI制药公司常见的技术服务模式，而是更倾向于共同开发（co-development）。“我们不是会去收取一个单次的技术服务费用。”在他看来，如果只是完成一次技术服务，对公司的技术体系和能力积累并没有太大帮助。

艾斐希望获得的是药物资产本身的权益。具体而言，公司未来的收入可以来自研发里程碑付款，也可以来自管线License-out，以及药物最终上市之后的权益分成。换句话说，AI能力本身不是艾斐最终要出售的商品，真正要沉淀的是由AI能力产生的药物资产。

这也是艾斐对自身商业模式的核心判断：AI不是制药产业之外的一层工具，而应该逐渐成为药物研发流程本身的一部分。高博文认为，AI首先能够显著加速单条管线，尤其是在临床前研发阶段；更重要的是，它能够改变传统Biotech一次聚焦一个疾病领域、依靠少数专业团队推进单一项目的模式。借助AI，艾斐可以同时推进不同疾病领域、不同药物模态的多个项目。

“AI的一个很大优势，就是能力可以快速扩展。进入一个新的疾病领域或者药物模态，并不意味着我们要重新搭建一套团队和能力体系。”

被AI重新定义的药物研发组织方式

众所周知，药物研发是一场漫长且昂贵的概率游戏。过去几年，AI制药最直观的价值已经体现在效率提升上。传统虚拟筛选往往需要针对大量候选化合物逐一进行计算和实验，而AI可以在更大的分子空间中快速完成预测、筛选和排序，将原本需要数月甚至更长时间的部分计算工作压缩到数天乃至更短时间。以清华大学团队此前发布的DrugCLIP为例，其研究成果显示，AI驱动的虚拟筛选可以将传统筛选速度提升至百万倍量级。

但速度可能只是第一层变化。真正决定AI制药价值的，是它能不能提高“找到正确分子”的概率。这也是当前AI制药行业正在从“AI辅助研发”走向“AI原生研发”的关键。过去的AI更多被当作研发流程中的一个工具，例如帮助研究人员预测蛋白结构、筛选化合物、分析实验数据；而更进一步的AI制药，希望让AI参与甚至重新定义从靶点发现、分子设计到实验验证、迭代优化的整个决策链条。

艾斐智药希望走的正是后一条路径。高博文介绍，公司目前的技术框架包含三个核心部分。第一层，是基于公开数据构建专有模型的能力，在大模型基础上进一步形成针对药物发现不同任务的“Skill”，在广阔的化学和机制空间上进行大规模的探索；第二层，是围绕整个制药流程建立决策系统，让AI不只是完成单点任务，而是理解不同研发环节之间如何衔接、下一步应该做什么；第三层，则是来自真实实验的反馈。

实验不是AI制药流程的终点，而是下一轮模型进化的起点。艾斐会把模型产生的结果交给真实实验进行验证，再将实验成功与失败的结果、分子性质以及科学家的经验重新反馈给系统。随着实验不断进行，模型能力和决策能力持续迭代，最终形成数据飞轮。

这种思路与传统药企积累数据的方式存在明显区别。大型药企经过几十年的研发，当然拥有海量的实验数据，但这些数据本质上是在既有研发流程中“自然产生”的。AI原生公司的不同之处，则在于可以在实验开始之前就思考：什么实验最值得做，什么数据对下一轮模型训练最有价值。

团队甚至把“如何获得模型所需要的数据”本身也视作AI系统设计的一部分。高博文举例，蛋白质与小分子的结合结构数据本身非常有限，单纯依赖已有数据很难支撑模型训练。因此，团队会尝试从纯蛋白质数据中寻找与小分子形态相似的氨基酸片段，并将其周围区域构建成类似“伪小分子—伪口袋”的结构，通过合成数据模拟真实的小分子与蛋白质相互作用。相同做法也进一步扩展到环肽数据中。

这种思路的差异与团队的组织方式密切相关。在兰艳艳看来，艾斐既不是一家纯粹的AI公司，也不是一家传统Biotech。传统模式可能是AI团队先完成计算，再把结果交给药化团队；药化团队完成下一步之后，再交给生物团队验证。不同环节之间存在明显的“交接”。艾斐希望打破这种割裂。AI科学家、药化专家和生物学家从一开始就共同讨论问题：什么问题值得解决、应该设计什么实验、实验结果意味着什么，以及下一轮模型应该如何调整。

高博文坦言，现阶段AI在发现具有较好亲和力、活性的Hit/Lead分子方面已经展现出不错的能力，但从Lead进一步推进到PCC乃至临床候选药物，仍然需要技术持续提升。

这恰恰意味着，AI制药真正的产业竞争可能才刚刚开始。