10x Science 融资 480 万美元：AI 能批量生分子，但药企真正缺的是把它们测清楚

10x Science 这笔 480 万美元种子轮，不只是普通融资新闻。它点中了药物研发里一个更现实的变化：现在很多团队已经不太缺候选分子，缺的是把这些分子快速、可信地看明白。

这家公司成立于 2025 年 12 月，领投方是 Initialized，参投方包括 Y Combinator、Civilization Ventures 和 Founder Factor。它不直接做“AI 造药”，而是盯住质谱数据解析、分子表征和优先级判断。受影响最直接的，是药企、分析服务商，以及已经被大量候选物压满实验流程的研究团队。

10x Science 做的不是“造药”，而是候选分子的解释层

原文最关键的一句是：Everything needs to be measured。分子可以批量生成，但最后都得被测量、被解释、被留痕。

10x Science 的路线，是把化学和生物规则驱动的算法，与 AI 数据解释能力结合起来，用在质谱这个门槛很高的环节。它更像实验理解工具，不是前端生成模型，也不是 AlphaFold 那类结构预测系统。

创始团队来自 Carolyn Bertozzi 实验室，这给了它一定技术信用。外部反馈也有，比如 Rilas Technologies 的正面评价。但目前能看到的，仍是早期验证，不是大规模落地。这个边界要分清。

真正卡住药物研发的，越来越像“测不动”而不是“想不到”

过去几年，AI for drug discovery 最热的叙事，是更快设计分子、更快提出候选物。现在麻烦来了：前端生成能力上去了，后端验证和理解没有同步扩容。

结果就是，候选清单越拉越长，实验表征越来越慢。算法负责“多”，实验负责“真”。后者才是贵的部分。

质谱就是典型例子。它重要，但复杂。数据多，但解释不轻松。很多时候，真正拖慢项目的，不是没有新分子，而是没人能快速确认哪个分子值得花下一个月、下一笔预算继续做。

这也是我觉得 10x Science 值得看一眼的原因。它押的不是“生成更多”，而是“更快排除”。药物研发里，后者常常更值钱。

“天下熙熙，皆为利来。”放到这里很直白：卖候选物未必比卖筛选工具更稳，卖故事未必比卖证据链更有黏性。历史上每一轮技术加速，最后都有人靠检测、计量、标准化和工具链挣钱。今天的生物 AI，也没跳出这条旧路。

但我不太买账的一点也很清楚：基础设施机会，不等于天然是好生意。药企不会因为一个系统“有 AI”就换流程。它们采购的是可靠性，不是演示效果。

跟传统人工分析相比，10x Science 现在公开讲清楚的是方向，不是结果。它没有公开给出大规模准确率、节省时长或成本下降幅度，也没有大药企广泛部署的数据。换句话说，市场痛点成立，产品价值方向也成立，但商业证明还早。

谁该盯这家公司，接下来该看什么

最可能先试用这类工具的，不一定是流程最成熟的大药厂。更像是两类人。

一类是小型生物技术公司。它们候选项目推进快，人手却不够，尤其缺懂质谱和数据解释的资深人才。对这类团队，采购逻辑很现实：如果工具能减少专家依赖，项目就能更早进入下一步；如果结果不稳，采购就会延后，继续靠外包和人工复核。

另一类是分析服务商，比如 Rilas Technologies 这样的外部实验与分析团队。它们的压力更直接：样本多、解释慢、人力贵。如果系统真能压缩重复分析时间，它们会更愿意先把它当增效工具，而不是全自动替代系统。

对关注 AI for Science 的科技读者，这件事的意义在于：药物 AI 的价值中心，正在从“能不能生成”转向“能不能验证”。这会影响你怎么看一批生物 AI 创业公司。会讲模型，已经不够了；能不能进入实验和合规流程，才开始分层。

对生物科技从业者和投资人，这件事更像一个筛选信号。以后看同类项目，我会优先问四个问题：

• 有没有真实外部用户，而不只是内部 demo
• 能不能稳定处理不同分子类型和实验条件
• 输出结果能不能审计、复现、留档
• 能不能嵌进药企或服务商现有 SOP，而不是要求客户重做流程

原文里有个细节很能说明问题：系统可以根据文件名推测蛋白信息，再去网上找对应序列。这不是什么科幻突破，但它很像真实工作流里愿意付费的那种改进。不是改变科学原理，而是减少研究人员在低价值步骤上的时间消耗。

接下来最该观察的，也不是它会不会继续融资，而是三个更硬的变量：

如果这三项能逐步成立，它卖的就是一段越来越稀缺的科研基础设施。如果跑不通，它很容易变成又一层 AI 包装。差别不在模型会不会说话，在结果能不能被实验室和监管体系一起接受。