近期，“物理”一词在人工智能赋能科学（AI4S）和制药行业的叙事中频频出现。过去半年里，业务覆盖AI4S全产业链的初创企业纷纷将探索物理世界的愿景写入融资新闻。例如，2026年8月成立的Transfyr在种子轮融资中便直接打出“科学物理AI平台”的旗号。国内方面，术也科技9月完成Pre-A轮融资，强调利用物理AI打造自驱动实验室；津渡生科6月近亿元的A轮融资则宣称要重塑生命科研范式。尽管业界对“制药物理AI”的定义尚存争议，但似乎只要握住“物理”二字，就等于握住了通往真实世界的钥匙。
**01 风口上的AI4S，涌起物理大潮**
物理AI源于科技界的热门概念。在此次人工智能热潮中，它常与具身智能、世界模型相伴出现。在科技语境下，物理AI指与物理世界深度融合的AI，如自动驾驶。英伟达CEO黄仁勋曾将其视为AI的下一波浪潮。相比具身智能和世界模型，物理AI概念外延更广，迅速获得资本、学术界和产业界认可。如今，这一浪潮涌入生命科学领域，并获得了更广阔的延展。
“物理AI这个词对业内同行来说也是一个新词。”术也科技创始人李谡表示。结合经验，他认为物理AI就是能够真实感知现实环境，并操控以往由人控制的设备去执行任务。在实验室场景下，即让AI通过仪器或机器人参与实验。其关键价值在于环境感知和决策判断。
据不完全统计，过去一年多，贴着物理AI标签的生命科学企业密集获得融资。值得关注的有两家：总部位于纽约的Medra于2025年底完成5200万美元A轮融资，累计6300万美元。其创始人Michelle Lee致力于开发物理人工智能科学家用于药物发现，核心是科学AI提出假设，物理AI操作仪器。半年后，深圳津渡生科完成近亿元A轮融资，高特佳投资领投。此前津渡生科已获红杉种子基金等多轮投资。其团队由牛津校友领衔，曾在顶刊发表论文六十余篇，资金将用于深化物理AI底层架构。
此外，多家老牌公司也借势获得青睐。2025年5月，苏州予路乾行完成数千万元A轮融资，主打深度融合AI与物理模拟。2026年3月，杭州合碳智能获5000万元融资，其创始人陈志刚曾任药明康德首席数字官，强调打造通用软件定义的机器人科学家。同年8月，术也科技完成Pre-A轮融资，口号是“Physical AI for Science”。9月，宇道生物宣布数千万美元C1轮落地，强调AI加物理双轮驱动。早期项目热度同样高涨：2026年4月，Transfyr完成2500万美元种子轮；8月，深度细胞完成近亿元种子轮；9月，成立仅一个月的上海斐睿科思获战略投资，定位面向科学的物理人工智能。
制药巨头也展现出极大热情。2026年1月，英伟达与礼来合作建立AI联合创新实验室，投入最高10亿美元；2026年8月，先声药业与薛定谔达成合作；更早之前，Anthropic与HHMI Janelia开源模型硬件标准MHS。至此，超30亿美元资金流入AI4S物理领域，热度可见一斑。
**02 物理AI4S的核心使命**
物理AI的本质是跳出计算模型，与真实世界融合。在AI浪潮下，实验室正经历巨变。生物大模型设计出的分子日益繁荣，但验证和数据反馈极度匮乏，湿实验需求被激发。设计端疯狂产出分子，验证端却缺乏出口，导致失败实验数据变得至关重要。
目前，技术风格各异的物理AI4S公司大致分为两类：一是把物理当场地，做机器人，卖实验通量和证据链（如Medra、津渡生科）；二是把物理当知识，做模型，卖先算再试的策略（如深度细胞、予路乾行）。两者都围绕实验下功夫，前者提高效率，后者减少需求。
**把物理当场地的公司**主要处理实验室智能化问题。这类似于生命科学领域的具身智能。目前大部分操作仍由人完成，实验过程繁琐。真正的卡点在于实验经验的流失，资深科研人员的直觉和窍门需要变成可复现、可追溯的数据。因此，物理AI4S公司提出了打造“AI物理学家”的方案。
落地模式有两种：自建实验室（如2026年4月Medra落成的全球首个实验室ML001，占地3530平方米）或轻量化改造现有实验室（如术也科技的VLA Operon集群、合碳智能在广州实验室的药物分子纯化、涌生智能的四组湿实验）。斐睿科思和津渡生物则通过记录执行证据账本和样本全生命周期追踪，实现数据化。
**把物理当知识的公司**尝试构建微观世界模型，将分子力场、构象动力学等写进模型。深度细胞将分子物理机制转化为模型约束；宇道生物训练出针对构象变化的分子力场；Fathom利用量子化学模拟蛋白质运动；Aqemia甚至宣称用物理算法生成合成数据来代替实验。这类公司通过改变试错位置，将部分试错前置到计算机中。
**03 AI制药遭遇真实瓶颈**
AI4S应用场景中，制药最成熟也最具潜力。物理AI4S热潮的背后，是AI制药正遭遇的困境。
随着AI管线进入III期临床，其真实价值受到拷问。数据显示，AI提升筛选效率，但选出的分子在临床试验中的失败率甚至高于传统流程。这意味着AI的进展集中在能算的部分，却未改变新药研发高风险、长周期的本质。模型能力成为瓶颈：AlphaFold 3在结构预测上表现优异，但亲和力预测完全不可靠。模型能告诉你分子怎么结合，却不能告诉你结合得好不好。
模型学的是历史样本的统计规律，在新药开发中获益有限。生命科学实验室中，实验常不按预想发生，因此需要具备自主感知异常的能力。这正如自动驾驶，从定速巡航到全自动驾驶差异巨大。真实数据是AI制药最缺乏的，尤其是临床阶段的数据极少。企业内部沉淀了大量失败数据，外部只能看到成功案例，造成幸存者偏差。模型最需要的数据，恰恰是最不可能外流的数据，形成悖论。
面对困境，物理AI4S的热度虽带风口成分，但方向正确。其落脚点不再是让模型更聪明，而是开始碰实验台和数据。如果基于AI的尝试让实验可复现、可记录、能反哺产能，那么物理AI4S将成为AI制药最核心的卡位因素。