0产品估值85亿美元，英伟达押注的AI4S独角兽，首个成果亮相！

还记得AI for Science企业Lila Sciences吗？

不到一年半时间，这家公司估值突破13亿美元，融资总额超过5.5亿美元。

投资人名单里，有Flagship、英伟达、木头姐、阿布扎比主权基金等顶级投资机构。

甚至据彭博社今年6月报道，公司正在洽谈约20亿美元的B轮融资。若成功，其投前估值预计将达到约85亿美元。

过去一年里， Lila在讲一个宏大故事：打造世界上第一个科学超级智能平台。

即用AI+Agent+超大规模自动化实验体系，实现远远超出人类能力的规模、速度和准确性产生新的科学知识。

公司表示，已经实现数百个新型抗体的发现与验证，优于商业化疗法的基因药物构建物，优于行业龙头产品的碳捕获新材料……

但没有产品、没有技术报告、没有论文......我们无从得知Lila正在构建一个怎样的AI自主科研工厂。

就在近日，Lila Sciences终于发布了首个具备数据的成果。毫不意外首先瞄准生命科学，并指向近期爆火的mRNA药物。

顺便一提，发布这个成果时间点，也颇为耐人寻味。

0产品，融资5.5亿美元

首先，需要介绍Lila Sciences的背景。

Lila Sciences成立于2023年，由生物医药著名风投Flagship Pioneering孵化。

必须要提的是，Flagship成功孵化出Moderna，前不久Moderna成功研发出历史上首个mRNA癌症疫苗，并且AI深度赋能。

2025年3月，Lila从两年“隐身期”中浮出水面，宣布拿到2亿美元种子轮。

半年后，故事继续加速。

2025年9月到10月，Lila的A轮分两次融资，合计达到3.5亿美元，追加轮里出现了英伟达的投资部门NVentures、CIA风投基金In-Q-Tel。

第一阶完成2.35亿美元融资，由Braidwell和Collective Global领投，估值约12.3亿美元。参投方包括“木头姐”Cathie Wood的ARK Venture Fund、General Catalyst等。

第二阶段完成1.15亿美元扩展融资，由英伟达（NVIDIA）旗下风投部门NVentures领投，参投方包括Analog Devices、IQT、Dauntless Ventures等。

至此，Lila累计融资5.5亿美元，估值突破13亿美元，正式跻身独角兽。

公司首席执行官Geoffrey Maltzahn博士，拥有麻省理工学院生物医学工程和医学物理学博士学位，也是Flagship的合伙人，曾经参与创办Generate：Biomedicines等AI制药独角兽。

公司首席技术官Andrew Beam是哈佛医学院生物医学信息学系的副教授，此前曾开发过多个医学相关的深度学习算法。

Lila Sciences领导层

它给自己的定位不是“某个领域的AI制药公司”，而是“世界首个科学超级智能平台”，横跨生命科学、化学、材料科学，野心是把整个科学方法论都自动化。

公司表示，在短短几年的开发中，该平台在医疗、材料、环境等多个领域展示了超越人类和现有AI的性能，包括基因医学产品，发现和验证数百种新型抗体、肽和结合剂、酶催化剂、碳捕剂等。

公司称，他们的AI系统已经积累了超过10万亿个科学推理数据，这些数据完全由 AI 模型运用科学方法，结合实验结果进行推理而生成。

作为参考，互联网上可用于训练逻辑逻辑模型 (LLM) 的数据子集约为15万亿个数据。

到2026年底，Lila的科学推理数据集将超过用于训练前沿通用大模型的互联网规模的两倍。

尽管Lila只在内部验证其模型，也没有发布其产品，但它的支持者们依然相信，它将极大改变科学研究。

再性感的故事，也需要落地证据

一直以来，Lila的宏伟目标更像是故事，而不是证据。

但这次不一样，公司拿出了真正拿得出手的数据，

8月28日，Lila发了一篇博客，题为《从Prompt到CAR-T：Lila的RNA发现引擎》。

这是Lila第一次，把AI用于一个具体的治疗模态，还带上了实验数据。

案例一：让mRNA存活更久

mRNA疗法的原理是往细胞里送一段mRNA指令，让细胞按指令生产某种蛋白质，可以是疫苗抗原，也可以是患者体内缺失的酶。

但mRNA进入细胞后会被酶迅速降解，半衰期通常只有几分钟到几小时。

降解越快，患者要打的针就越多，剂量越大，副作用也越重。因此，让mRNA在体内存活得更久，一直是这个行业最难的攻关方向。

难点在于，这不是调一个参数就能解决的问题。一段mRNA有三段结构需要同时优化：即5'UTR、3'UTR和编码区。

三段任何一段没调好，蛋白质的稳定性都不会持久。而且这三段必须同时优化，候选组合数量是天文数字级别，传统实验室只能测几十上百条候选序列，赌其中一条接近最优解。

Lila的做法是，用平台测试了95万条mRNA序列，这些 RNA 序列已经过物理合成，并在 Lila 的 AI 科学工厂 (AISF) 的细胞中进行了测试，并将结果反馈到模型中。

这意味着模型学的是95万次真实实验结果，而不是文献里的知识。

科学家给平台一个目标，模型就会同时优化三段结构，在成千上万种设计里打分排序，把最优候选送去实验室验证。

结果上，拿促红细胞生成素（EPO）蛋白举例：优化后的序列，第15天的蛋白表达量，相当于对标序列第2天的水平，拉长了一个数量级。

这也不是孤例，不仅如此，Factor IX、IL-10等其他蛋白上，也重现了类似的稳定性提升。Lila的序列半衰期都明显超过了行业已发表的公开基准序列。

案例2：高效发现体内CAR-T

如果说mRNA稳定性是基本功，体内CAR-T这个案例，是Lila拿这套基本功去啃一块更硬的骨头。

按照传统CAR-T疗法，要把患者的T细胞取出体外，做基因改造，再回输进体内。流程复杂，周期动辄数年，成本动辄数亿美元。

“体内CAR-T”想解决的就是这个——直接用脂质纳米颗粒，把编码CAR的mRNA递送进体内，让T细胞原地“重新编程”。

这也是近两年行业最热的赛道之一，艾伯维、礼来、BMS都在这条线上砸了几十亿美元收购。

2025年7月，Lila的生命科学团队已经能稳定做出超稳定mRNA，公司随即让3个此前完全没有CAR-T背景的科学家试试能不能把这套技术用到CAR-T上。

两周内，他们设计了抗CD20 CAR mRNA，将其制成靶向CD8的脂质纳米颗粒，并开始在细胞培养中测试这些构建体，随后推进到小鼠模型，最终进入非人灵长类动物实验。

结果是，Lila的制剂让外周血B细胞在第4天就几乎清零，并维持到第14天；而对比的行业对标疗法，B细胞水平到第14天已经反弹，甚至超过了给药前的基线。

这样一整套研究，常规需要一整家公司花几年时间。Lila只用了3个科学家、不到6个月，成本估计只有传统方式的十分之一。

需要提示的是，数据好看，不代表可以直接照单全收。

第一，这些数据全部来自公司内部测试，没有经过同行评审。Lila自己在文末小字里也承认了这一点。

第二，所谓跑赢对标，对标的是已发表的公开序列，不是行业内真正未公开的专有配方。跑赢benchmark这句话，含金量要打个折扣。

第三，CAR-T这部分，是单次项目结果，不是大规模、可复现的数据。

如今，Lila正在迅速扩展其平台。其最新的AI科学发现工厂位于马萨诸塞州，占地27万平方英尺的专用设施。

它能将把其人工智能科学推理模型和自主实验室作为一个闭环系统运行，旨在实现24小时不间断的实验循环，并将所有结果反馈到模型中。

写到最后

真正值得想一步的问题：为什么是现在？

比数据本身更值得琢磨的，其实是时间点。

过去一年半，Lila讲的一直是通用平台的故事，横跨生命科学、材料、化学、能源。

这次，是它第一次围绕单一治疗模态，讲一个完整、连贯、带数据支撑的故事。

而这个时间点，恰好对应Lila自己公开表态的商业化节奏——引入首批付费客户。

平台型AI4S公司走到要真正向药企、向资本收费验证能力的阶段，才有动力从讲故事切换成交出可拆解的技术细节。

毕竟，谁能先把AI for Science这种性感叙事，变成一份可复现的商业化案例，谁就能在下一轮估值竞速里，先占住身位。

你觉得Lila交出的首份答卷如何？欢迎留言讨论。

— The End—