作者：Daniel
编辑：Cage
我们认为，AI for Science 是 AI 继 Coding 之后的下一个重点方向。而药物发现又是其中最有前景的赛道。一方面，药物试验拥有完整反馈闭环且高度可验证，是实现 RSI 的理想场景。另一方面，AI 可以解放实验人员的产能，使得大量休眠靶点有重新开发的机会。我们有十足的理由相信，下一个药物大发现时代很可能便是由 AI 推动的。
AlphaFold 让我们看到了 AI 理解蛋白质结构的能力，而 AI 的下一个战场，是设计传统方法做不到的分子。这是一个激烈竞争的领域，除了从 Google Deepmind 中诞生的 Isomophic 之外，Chai Discovery、Boltz、 Latent Labs 也分别发布他们的预测模型与药物模态区别化下注。蛋白质从头设计也逐渐走近药物研发的实际应用。
Latent Labs 是观察这一变化的重要样本：创始人 Simon Kohl 曾参与 AlphaFold 2 的核心研发，押注了环肽这一新兴模态类型并选择自建湿实验室。2025 年 2 月，公司以累计 $5,000 万融资走出隐身状态，吸引了包括 Jeff Dean、Aidan Gomez 的天使投资。同年 7 月，发布了面向小蛋白与环肽的生成模型 Latent-X。并在 12 月用 Latent-X2 进一步覆盖纳米抗体和抗体片段，并关注表达、稳定性及免疫原性等成药相关性质；2026 年 3 月发布的 Latent-Y 则是在这些模型之上构建的科研 Agent。
不可否认的是，目前各家正在测试的蛋白质还没到可以成药的阶段。他们只是完成了流程的第一步：证明自己能够作为结合物发挥作用。如果我们把药物的研发比作登山，人类过去已经攀登过无数山峰，且资本市场也给予了创新者极其丰厚的回报。从 PD-1 到 CAR-T，再到近期大火的 GLP-1 都是很好的证明。但攀登的道路极其困难，往往需要数年+数十亿美元作为成本。AI 药物发现的目标，是把一条条狭窄的山路变成高速公路，且让人们向更高更危险的山峰发起冲击。
| | / | |
01.
Key thesis:
•蛋白质生成模型的出现颠覆传统制药流程，很可能带来一个药物大发现时代
传统药物发现是在庞大的真实分子库中寻找少数有效候选，生成模型则可以根据需求设计自然界不存在的分子。变化不仅是筛选效率提高，更是能够探索过去难以触及的分子空间。长期价值不只是“更便宜地做药”，而是让同样的研发资源能够探索更多项目，未来的药物研发可能打破“反摩尔定律”，实现质和量的大幅跃升。
•结合物发现环节高度可验证，是实现 RSI 的理想场景，Latent 湿实验室自建为竞争优势
在药物发现里面，设计结合物环境是最为可控，最容易产生 loop 的。结合本质上就是两个分子表面的形状互补 + 化学互补，有明确的物理规律，终点明确且反馈回路快。随着计算生成成本下降，稀缺资源将逐渐从候选分子转向高质量的实验反馈。Latent 逐步将实验能力放于内部，有机会更紧密地连接模型研发与实验判断。
•生物医药领域长坡厚雪，每种模态都会诞生领先大玩家， Latent 模态选择上有差异
行业内短期的催化是专利断崖正在发生，各大药企开始重视药物发现相关技术。不同模态面对的设计约束和开发难点不同，单一模型难以在所有任务上保持优势，制药公司也倾向与多家公司合作。大环肽是 Latent 最值得关注的切入口。它有机会覆盖传统小分子难以处理的结合界面，同时在部分场景中提供不同于抗体的药物属性。它也是目前的热门赛道，已有多款新药受到市场青睐。
•以 AlphaFold 成员为班底打造的明星团队
创始人 Simon Kohl 参与开发 AlphaFold 2，随后发起并共同领导 DeepMind 的蛋白质设计团队；创始技术成员 Alex Bridgland 曾参与 AlphaFold 1、2、3，覆盖模型开发、评估与数据工程。团队中多数成员拥有丰厚药物模型研发经验，与专注实验平台与内部湿实验室的科学家形成互补。团队还有前默克集团 CEO 作为顾问参与，为团队打进大型制药公司奠定基础。
02.
Latent Labs 技术路线
Alphafold 之后，从预测蛋白到生成蛋白
如果说以 AlphaFold 2 为代表的结构预测模型是一台“AI 显微镜”，帮助人们看清蛋白质的形状，那么蛋白质生成模型更接近分子世界的 CAD：根据功能需求，设计自然界中尚不存在的分子。
以蛋白质结合物设计为例，它是在反向求解蛋白质折叠问题。结构预测从一条氨基酸序列出发，判断它会形成什么样的三维结构；生成设计则从目标出发：给定一个疾病靶点和希望结合的表面区域，寻找能够稳定折叠，并与之结合的新序列。
一条设计蛋白质的典型流程是：
获得靶点结构→生成结合物的结构与序列→重新预测复合物结构→筛选候选→湿实验验证
2023 年发表的 RFdiffusion，让分子世界的 CAD 初具雏形。研究团队将原本用于结构预测的 RoseTTAFold 改造成去噪扩散模型，让它从随机噪声中逐步生成蛋白质骨架，再交给其他模型配上氨基酸序列、检查能否折叠成预期的形状。几个模型各司其职，组成了一条早期的蛋白质设计流水线：先画出轮廓，再补齐细节，最后检查。
自此，预测模型从观察一个分子，走向理解多个分子如何共同组成一个系统。AlphaFold 2 可以从氨基酸序列预测蛋白质的三维结构。2024 年 5 月，AlphaFold 3 将蛋白质、DNA、RNA 和小分子等纳入统一的复合物预测框架。这让研究人员在设计新分子时，多了一种检查它与靶点是否匹配的工具。
除了 Ismorphic Labs，不少公司也从这一层切入。比如 Chai Discovery、Boltz。2024 年 9 月，Chai 发布 Chai-1，预测多类生物分子的结构及其形成的复合物；同年 11 月，Boltz 团队发布 Boltz-1，并开放训练代码和模型权重。
而 Latent Labs 没有跟随先做结构预测的路径，而是直接做蛋白质生成设计。创始人Simon Kohl是参与开发 AlphaFold2 的核心人员和论文作者，Isomorphic Labs 当时正在沿着 AlphaFold 向多个药物研发方向扩张，而他认为蛋白质设计本身已经足够庞大，值得由一个更小、更灵活的团队集中突破。于是决定单独创业。他们的伦敦团队负责开发基础模型，旧金山则有湿实验室和计算生物团队，测试模型设计出的分子，将实验反馈用于模型研发，并采集训练数据。
2025 年，三家公司开始交生成模型的答卷，第一代生成模型相继亮相：
•6 月，Boltz-2 在结构预测之外加入结合亲和力预测，迈出了生成模型的第一步；
•同月，Chai-2 发布，成为第一个从零设计抗体的生成模型。
•7 月，Latent 发布首个模型 Latent-X，首先展示了环肽和小蛋白的从零设计能力。
•10 月，Boltz 推出生成模型 BoltzGen，正式进入结合物设计。
主力模型：Latent X
2025 年 7 月，Latent-X1 发布。
它首次公开展示了 Latent 的端到端全原子蛋白质设计能力。用户提供靶点序列、骨架结构和希望结合的热点后，模型联合生成新结合物的氨基酸序列，以及结合物—靶点复合物的全原子构象。
Latent-X 首先选择了大环肽（macrocyclic peptide）和小蛋白（mini-binder），而没有直接挑战完整抗体。团队在 7 个治疗相关靶点上进行湿实验，每个靶点最终测试 30 至 100 个设计。公司报告的大环肽命中率为 91%至 100%，mini-binder 为 10%至 64%，并获得了低纳摩尔乃至皮摩尔级 binder。
其中在环肽方面，Latent-X1 在三个靶点上的受测样品命中率达到 91%–100%，高于 RFpeptides 文献报告的 21%–38%，且在 MDM2 靶点的亲和力方面实现了更低的 KD 值。
RFpeptides 是华盛顿大学蛋白质设计研究所（IPD）开发的 AI 环肽设计方法，由 David Baker、Frank DiMaio 和 Gaurav Bhardwaj 三个实验室联合开发，可以理解为 RFdiffusion 面向环肽设计的延伸。
2025 年 12 月，Latent-X2 发布，目标是生成更接近药物的分子。
X2 可以输入指定表位，只生成关键结合区域，并把能力扩展到 VHH 和 scFv。团队对每个组合只测试 4 至 24 个设计，在 18 个靶点中的 9 个上获得成功，同时评估表达量、聚集倾向、多反应性、疏水性和热稳定性；部分代表性 VHH 还进行了人源供体的离体免疫原性实验。
•Agent 产品 Latent-Y
2026 年 3 月发布的 Latent-Y 是建立在 Latent-X1 和 X2 之上的 AI Agent。它把原本需要多位专业研究人员完成的蛋白质设计流程，封装成一个可以用自然语言操作的产品。Latent-Y 可以从自然语言目标出发，完成文献检索、靶点分析、表位选择、调用 X2 生成、计算验证和候选筛选。公司报告中，它在 9 个靶点里为 6 个找到了实验确认的 binder，为科研人员打造蛋白设计的“Cursor”。
按时间顺序排列的三家公司主要产品发布
Latent 的差异化下注
模态类型：环肽
从产品策略看，Latent 则先用大环肽与小蛋白展示生成模型的能力，再于 2025 年 12 月发布 Latent-X2，将设计范围扩展至 VHH 和 scFv 等抗体格式。环肽始终是这条产品路线中的重要组成部分。
环肽是近期比较热门的研发方向，它处在小分子与抗体之间的“中间地带”，容易进入细胞：它的接触面积大于传统小分子，因此有机会识别平坦的蛋白质相互作用界面，并有接近抗体的亲和力和特异性；环化又可能提高抗蛋白酶降解能力，可以作为口服、缓释药物。
比较出名的例子包括：
•强生与 Protagonist 合作开发的 icotrokinra，是一款靶向 IL-23 受体的口服大环肽药物，2026 年 3 月获美国批准用于中重度斑块状银屑病，预测峰值销售超 $50 亿。
•默沙东的 enlicitide ，一款靶向 PCSK9 的大环肽。2026 年 7 月获批，用于降低高胆固醇血症成人患者的 LDL-C，其 2033 年销售额预期超 $50 亿。
数据闭环：自建湿实验室
从 2024 年开始，Latent 便在旧金山运行湿实验室，并将实验验证作为模型研发的重要支点。从招聘信息可以看出，伦敦的 Computational Protein Designer 主要负责计算设计；旧金山的同岗位则额外要求较强的湿实验经验，需要亲自开展蛋白表达与纯化、生物物理表征和功能实验。
我们可以从 Latent X1 模型的实验论文了解内部实验平台的分工，以小型蛋白质结合物 mini-binder 为例，模型先为每个靶点生成约 2 万个设计，再根据预测结构选出 100 个候选进入实验，进入两条相互补充的验证路径：
•一条交给外部服务商 GenScript：先根据设计序列生产蛋白质，再用 BLI，检测它与靶点是否结合再进一步测量，确定结合强度及结合、解离的速度。
•另一条由 Latent 内部完成，采用的是哺乳动物细胞表面展示，简称 mDisplay。研究人员将编码候选蛋白的 DNA 导入细胞；随后加入靶蛋白，通过荧光信号观察候选是否成功展示、能否抓住靶点。
这套双重筛选方法，让研究人员能够在原理不同的结合检测平台上，交叉验证哪些候选真正命中了靶点。
在这里，Latent 的自建实验室与外部服务商是协同关系。DNA 合成、部分材料制备，以及蛋白质生产和仪器测量，仍然由外部机构承担；Latent 则将一部分验证环节放在内部，让计算设计人员能够更直接地接触实验结果。
如果说 X1 论文更像是在验证自己内部的实验能力，那么近期我们能看到公司在越发重视实验的迹象。2026 年 3 月，Latent 在旧金山招聘 Head of Lab Platform 与 Research Lab Scientist。希望招聘具有从零搭建实验室经验的人，进一步扩展现有的高通量实验、自动化和数据管理能力。在未来，Latent Labs 可能会把更多湿实验室环节放进内部。
携手 AWS 接入客户
2025 年 5 月，Latent Labs 与 AWS 宣布多年战略合作，覆盖模型训练与推理所需的云基础设施，以及面向生命科学客户的商业推广。Latent 提供生物生成式 AI 模型，AWS 则作为其首选云服务商提供算力支持。Latent 使用 Amazon SageMaker HyperPod 扩展计算资源，支撑模型研发和客户使用；同时借助 AWS 的合作伙伴网络与市场拓展支持，触达更多药企、生物技术公司和科研机构。
Latent 旗下模型也接入了 Amazon Bio Discovery 平台：这是 AWS 于 2026 年 4 月推出的 AI 药物研发应用，目前主要面向早期抗体发现。平台将生物 AI 模型、科研助手和外部实验服务整合到同一个工作环境：科研人员可以选择模型并评估候选分子，再将选定候选交给合作实验室测试。
该平台已公布的早期采用机构包括纪念斯隆凯特琳癌症中心（MSK）、拜耳、Broad Institute、Fred Hutch Cancer Center 和 Voyager Therapeutics。
03.
Why now
De novo design：从创造分子到 RSI
传统结合物发现的流程需要：
1.先准备一个非常大的真实分子库；
2.用噬菌体展示、酵母展示、动物免疫等方式做实验筛选；
3.从百万到十亿级候选中找到少量结合者；
4.再做亲和力成熟、特异性和成药性优化。
而 De novo design（从头设计） 彻底改变了研发的起点：研究者可以先指定靶点、结合位置和功能要求，再设计满足这些条件的新序列，将自然界中原本不存在的分子纳入药物发现。只合成模型排名最高的一小批。
AI 最明显的突破是压缩早期结合物发现的时间和实验规模。传统抗体发现采用动物免疫等路线，获得初始结合物通常需要数月；之后还要完成候选优化和临床前开发。参考药明生物的公开材料，DNA-to-IND 阶段的典型周期为 6–15 个月，对应$500 万- 800 万。
同样类比早期发现环节，Chai-2 针对 52 个抗原，每个靶点、每种抗体格式测试不超过 20 个设计，报告约 16% 的候选级结合命中率，并在一半靶点上获得至少一个结合物；从计算设计到湿实验验证，用时不足两周。
通过对蛋白生成设计发展的观察，我们可以看到：
从模型能力到工作流编排，再到干湿实验闭环，竞争正向完整研发流程延伸。随着基础预测能力正在快速开源化，Latent 与 Boltz 纷纷发力 Agent 编排与工作流，希望争夺成为这个领域的操作系统。下一阶段，差异化可能更多来自能否有效连接计算设计与实验验证，让实验结果持续反馈到下一轮设计中。
药物发现的未来，将逐步走向智能科学的 RSI：lab-in-the-loop 是实现这一愿景的重要基础。它将湿实验室接入AI的设计与决策循环，让每一轮实验既筛选候选，也为下一轮探索提供信息，从而以更低的总成本、更短的时间，获得足以支持项目推进或终止的可靠证据。而在结合物设计阶段，更容易形成闭环，相较于药物研发的后续环节，这一阶段的实验环境更可控，评价终点更明确，反馈周期也更短。分子结合主要取决于两个分子表面在形状和化学性质上的互补，并受到明确的物理规律约束。这些特征使结合物设计更容易形成“设计—实验—反馈—改进”的循环。
专利断崖正在发生，AI 加速新/旧靶点的开发
药物研发长期承受反摩尔定律的压力：Eroom’s Law 最初描述的是的 1950 年至约 2010 年间，每十亿美元研发投入对应的新药产出大约每九年减半。而AI可能是有潜力逆转这个趋势的技术。
而另一个大趋势是药企的专利断崖正在发生，根据 Evaluate 预测，我们即将迎来下一个专利到期的高峰。2026-2032 年，累计有超过 5000 亿美元销售额可能面临专利过期的风险，药企需要寻找下一个大药物。
专利断崖会迫使大药企更积极地采用 AI 技术、投资 AI 公司、与 AI 公司合作。Isomorphic、Chai、Boltz 近期接连签下大订单，背后都有大药企面对专利断崖、需要新管线的驱动因素。而具体看，AI 带来的机会集中在两个方向：
1.大量未开发靶点迎来重新开发的机会
药企长期积累了大量尚未完成的研发项，这些未被开发的机会远比已经上市的药物多。2024 年的一项系统研究估算，在人类 19,813 个蛋白编码基因中，约有 4,729 个可能被生物药调控，但只有 755 个已经成为获批药物的靶点。即便只看曾经进入临床开发的靶点和疾病，约 170 万种潜在的“靶点—适应症”组合中，也只有 2.5% 被实际探索过。
过去，药企很难系统性地重新检查这些项目，而蛋白生成模型的出现，给了研究人员大量开发难成药靶点的机会。Isomorphic Labs 与 Novartis 最初围绕 3 个高难度靶点合作，一年后又增加了最多 3 个项目，说明大型药企已经开始把真实的早研问题交给 AI 平台。
2.AI 做 me-better /best-in-class 的机会
AI 可以针对这些已验证靶点，设计出更好的分子，AI 可以探索传统方法覆盖不到的序列空间，可以找到完全不同的结合模式，实现跨越式改进。另外，AI 蛋白设计本质上是高维搜索和优化。老靶点已经积累了大量结构、突变、药理和临床数据。问题因此从开放式的生物学探索，变成了一个边界清晰的分子优化任务。
生物医药领域特殊的行业结构，也为多家企业一同创造价值提供了空间。专利保护使任何成功创新有机会获得持续回报，而不同疾病、治疗机制和患者群体又形成了多个独立的市场。企业既可以通过 first-in-class 开辟新的治疗路径，也可以通过 me-better/best-in-class 在疗效、安全性或用药便利性上建立优势。因此，一家公司即使只在有限的治疗领域取得突破，也可能通过自主销售、授权或并购实现较大价值。
因此，这是一个极其长坡厚雪的赛道，一条条成功的管线则是这个领域可被验证的节点。
下一个大制药公司可能在 AI 发现平台中诞生
全球药企每年约有 3,000 亿美元研发支出，其中，top 25 家药企约花费 1760 亿，占全球约 61%，头部集中度高的特性。其中临床前部分约占到研发支出的 15%，大约占到每年 450 亿。这 450 亿美元构成了 AI 药物发现最直接的第一层预算池。如果 AI 能够避免临床前阶段 20%–40% 的低价值试错，对应每年约 90 亿至 180 亿美元的经济价值。
AI发现平台的长期上行，来自将药物发现转化为一种能够持续积累、重复产出新资产的研发能力。一个分子的设计和筛选成本，只是项目总投入的一部分。如果靶点选择、疗效或安全性问题直到临床阶段才被发现，此前投入的时间和资金便可能难以收回。AI如果能够更早识别高风险项目，提高进入临床项目的平均质量，其经济价值会显著超过减少几轮筛选实验。
历史上，新一代平台型药企的出现，往往都发生在一次科学突破被工程化、工业化的窗口期。重组 DNA 技术催生了 Genentech；受体陷阱蛋白和全人抗体工程平台支撑了 Regeneron；核苷修饰和递送技术促成了 Moderna。AI 与这些技术的不同之处在于，它不是一种单独的治疗模态，而是一套可以横跨小分子、抗体、蛋白质和核酸的发现基础设施。因此，它理论上能够支撑的管线宽度更大，平台的上限也可能更高。
目前而言，最接近下一代制药公司的是 Isomorphic Labs，公司在 2024 年与 Lilly、Novartis 的合作，首付款分别为 4,500 万和 3,750 万美元；另有分别最高 17 亿和 12 亿美元的条件性里程碑，以及销售分成。
04.
竞争格局
目前在大分子领域，最为突出的竞争者分别是前 OpenAI、Meta FAIR 研究者 CEO Joshua Meier 创立的 Chai Discovery 和从 MIT Jameel Clinic 研究项目发展出来的 Boltz。他们的路线差异具体如下：
•Chai Discovery：专注抗体，Enterprise-first，强调模型性能和大药企深度部署。
•Boltz：专注开源模型 + API 的收费逻辑，主打全模块。让 Claude/Codex/ 药企内部 agent 组合工作流
•Latent Labs：环肽路线，拥有湿实验室。目前与 AWS 合作负责分发，在客户方面走 Chai + Boltz 的混合路线。
技术
尽管缺乏 head-to-head 数据直接对比，但从三家公开实验中，我们可以看到各家的侧重点有所不同：
•纳米抗体与小蛋白模态更像是 AI 的低垂果实，是各家开始时共同选择的方向，但仍处早期方向。
•小分子与抗体类药物目前最成熟成药最多，都有数千亿美元的规模。但可能面临 Isomophic 的竞争。
•Chai 从一开始就专注抗体领域，目前属于领先地位。
•环肽是近期较热门的新兴方向，且这个赛道目前 Latent 暂时领先。
商业化
Chai 是三家中合作最成熟、交易结构最清晰的，已经进入了大药企正式部署阶段。其特点是定制模型路线，利用制药公司的专有数据，并深入适配其工作流。Chai 已公开宣布与五家独立药企合作，且年度订单费用高达中八位数美元。根据测算，其年度订单规模可能已经高达 2 - 3 亿美元。
而 Boltz 走的是开源 + 基础设施路线，Boltz-1、Boltz-2 和 BoltzGen 形成了三家里最深的开放模型栈，产生明显的学术与产业分发。目前累计超过 500 万下载、被超过 10 万科学家和 1000 家公司使用，并覆盖前 20 的制药公司。公司已经推出 API 产品，与 Claude Science、Benchling、Phylo 等工具和平台的集成，作为其他科研平台的底层能力供应商。
在费用方面，参考 Boltz 对 BoltzMol-1 的描述，一个小分子从靶点到实验验证的初始hit，计算加实验预算约为 10,000–15,000 美元，耗时 3–8 周。收费量级相比闭源合作类型少了一到两个量级。
在商业合作方面，Boltz 获得了三家的医药公司合作订单，但跟 Chai 的模式不同的是，Boltz 并不保留平台开发产生的化合物所有权，因此更多扮演一个工具属性。
潜在范式竞争：Anthropic
Anthropic 是目前大模型公司中最看重 AI for Science 的，正通过大量科研实验和人才招聘进入生命科学领域。
在最近一次蛋白质设计实验中，Claude 根据操作手册自主查阅资料、制定设计策略，并调度专业模型生成和筛选候选分子，再由 Adaptyv Bio 和 Twist Bioscience 进行湿实验验证。
Claude 成功编排了多个开源蛋白质设计模型，生成了具有高成功率和高亲和力的结合剂。报告显示，整体结合命中率为 26.8%，15 个靶点中有 14 个获得结合分子。
这里 Claude 负责理解研究目标、选择设计策略并调度工具；具体到生成骨架、设计序列和预测复合物，仍由专有模型完成。从竞争格局看，通用模型公司与专业模型公司也可能形成上下游合作。通用 Agent 可能可以成为专业模型的分发入口。
另外，Anthropic 最近更新了一则招聘招聘企业发展负责人，主要职责为发掘并执行与 AI 原生生命科学公司的收购、投资和战略合作。说明 Anthropic 希望通过收购强化在生命科学中的地位。
05.
团队与融资
以 AlphaFold 为班底的核心团队
•Simon Kohl｜创始人兼 CEO
早期在德国卡尔斯鲁厄理工学院（KIT）学习物理，随后在德国癌症研究中心与KIT开展医学影像机器学习博士研究。加入DeepMind后，是AlphaFold 2的核心研发成员之一、Nature论文同等贡献作者，参与了神经网络架构与训练开发。他还开发了广泛使用的结构置信度预测机制pLDDT，起并共同领导DeepMind的蛋白质设计团队。
•Paul F. Jaeger｜Head of AI
现任 Latent Labs AI 负责人。此前在 Google DeepMind 参与面向药物研发的大语言模型研究，是 TxGemma 的关键贡献者，并参与将大语言模型用于单细胞分析的研究。更早在德国癌症研究中心完成博士研究并领导交互式机器学习团队，是医学影像分割框架 nnU-Net 的共同一作。
•Alex Bridgland｜创始技术成员
曾参与 DeepMind 的 AlphaFold 1、2、3，积累了跨多代蛋白模型的研发与工程经验。他是 AlphaFold 2 Nature 论文的同等贡献作者，主要参与数据、分析与推理系统开发。加入 Latent 后，与 Simon Kohl 共同搭建最初的机器学习代码库，并参与 Latent-X 的模型架构、预训练方法及数据流程开发，是公司早期模型与工程系统的重要建设者。
•Stefan Oschmann｜战略顾问
曾任德国默克集团 Merck KGaA CEO，拥有大型医药与生命科学企业的管理经验。2025 年 12 月宣布其担任 Latent Labs 战略顾问。
除此之外，团队还有两名曾在 David Baker 团队的研究人员，以及专注实验平台与内部湿实验室设计的多名科学家。
融资历程
Latent Labs 最新一轮为 2025 年 2 月 天使轮 + A 轮融资 5000 万美元。A 轮由 Radical Ventures 与 Sofinnova Partners 共同领投，早期投资方包括 8VC、Kindred Capital 和 Pillar VC。天使投资人则包括 Google 的 Jeff Dean、Transformer 论文共同作者 Aidan Gomez，以及 ElevenLabs 联合创始人兼 CEO Mati Staniszewski。
相比之下，Chai Discovery 的融资节奏最快、规模也最大。从 2024 年 9 月的约 $3,000 万种子轮起，公司在不到两年内连续完成 A、B、C 三轮融资，累计融资约 $6.3 亿。2026 年 7 月的 C 轮融资金额为 $4 亿，估值达到 $38 亿，由 Index Ventures 领投，Kleiner Perkins、Sequoia 等参与；OpenAI 和 Thrive Capital 则是其早期投资方。
Boltz 仍处于更早期阶段，于 2026 年 1 月完成 $2,800 万种子轮融资，估值为 $1.25 亿。投资方包括 Zetta Venture Partners、Amplify Partners、a16z 和 Factorial Capital，个人投资者包括 Hugging Face 联合创始人兼 CEO Clément Delangue。
| | | |
