1亿美元B轮落定：寻明生科押注生物基座模型，AI制药竞争上移至底层

交易发生了什么

国内AI制药公司寻明生科完成1亿美元B轮融资，核心叙事是“生物基座模型”（Biological Foundation Model）——基于大规模生物数据训练、可跨任务迁移的基础模型。这笔交易出现在AI制药第一波叙事降温、资本寻找新估值锚点的窗口期，因而备受产业界关注。

财务要点如下：

• 融资轮次：B轮
• 融资规模：1亿美元
• 投资方与投后估值：公开信息未披露具体细节
• 资金用途：按行业惯例，此类体量大概率投向基座模型训练、数据基础设施与干湿闭环验证

值得注意的是，公司尚未披露具体靶点、疾病领域与管线进展——这恰恰说明本轮资金押注的是平台本身，而非某条具体管线。

为什么是现在

过去两年，AI制药走完了从结构预测热潮、生成化学落地到叙事疲态的完整周期，单点工具型公司的估值天花板逐渐清晰。资本转而押注更底层的“卖水人”逻辑：谁能率先跑通生物领域的“预训练+下游微调”范式，谁就掌握了下游所有任务的入口。大语言模型已经验证了这一范式的可扩展性，1亿美元正是为这种重资产、长周期押注准备的弹药。

本轮交易的实质，是资本在AI制药估值体系重构期，用真金白银为“底层平台优先于单点管线”投票。

被买走的到底是什么能力

拆开看，投资人买到的不是靶点或临床资产，而是三层能力的叠加：数据工程，即获取并结构化高质量生物数据，这是基座模型与通用大模型最大的差异点；模型与算力，多模态架构设计与持续训练投入，决定模型的泛化上限；验证闭环，干实验预测必须接入湿实验反馈，否则模型无法迭代出真正的预测力。其中数据壁垒最难复制——公开数据库人人可用，专有数据与实验闭环才是技术壁垒的核心。

对研发团队的现实启发

想进入相似赛道的Biotech，早期最该补的不是算法，而是三件事：一是数据资产化能力，能否沉淀出他人拿不到的专有数据集，这往往也是差异化的真正来源；二是干湿闭环的早期验证，哪怕在很小的任务上证明预测可被实验复现；三是清晰的Platform-to-Pipeline转化路径，让BD方看到平台如何兑现管线价值。缺了这三点，“基座模型”容易沦为融资话术。

总结与展望

本轮融资标志着AI制药的竞争维度正从工具层上移至基础设施层，平台能力开始取代单点管线成为新的估值锚点。但风险同样明确：基座模型的商业闭环尚未被任何公司真正验证，烧钱速度远超传统Biotech，还要面对跨界大厂在算力与数据上的挤压。生物基座模型能否从叙事变为现金流，未来两三年的迭代数据将给出答案。