一家不写代码的AI公司凭什么融144亿元？这是一家成立不到三年的公司，要融144亿元——它不写代码、不画图、不做聊天机器人。如果你还在用“AI等于聊天机器人”的框架理解这件事，那才是真正错过了重点。144亿元不是在融研发经费，而是在融建厂钱——一个AI从数字世界跨入物理世界的信号。

你可能会想：AI做实验，跟我有什么关系？关系很大。如果Lila的假设成立，你未来吃的新药、用的电池、穿的衣服纤维，背后的研发成本都会大幅下降。当你需要一种新药时，它被开发出来的时间可能不再是10年，而是2到3年。

2026年6月3日，彭博社独家报道：总部位于马萨诸塞州剑桥市的AI初创公司Lila Sciences正在洽谈约144亿元的新一轮融资，投前估值约612亿元。距离上一轮融资仅过去不到8个月，估值翻了6.5倍。投资人名单里包括Nvidia旗下NVentures、Flagship Pioneering、General Catalyst，以及Cathie Wood的ARK Invest。

Lila Sciences不是又一家AI药物发现公司。它不做预测、不做筛选、不做老药新用。它做的事情可以用一句话概括：把整个科学实验室——实验设计、假设验证、试剂调配、数据采集、结果分析——交给AI自主运行。

大多数人在这件事上有三个误读。

第一个误读：它只是一家AI药物公司。实际上Lila横跨生命科学、材料科学和化学三个领域，同时在做mRNA序列优化、新型抗体筛选、非铂族金属催化剂开发、工业碳捕获材料。AI药物只是它的一条业务线。

第二个误读：612亿元估值是泡沫，因为公司还没产品。实际上Lila已经展示了可验证的成果——mRNA构建效率是现有技术的3倍，非铂催化剂性能等效于铂、成本仅为千分之一。只是还没有全部经同行评审公开。

第三个误读：竞争对手很多，它只是一家普通AI公司。Lila真正的护城河是闭环实验数据——互联网上有海量文本，但没有任何公开数据集可以训练一个科学家级别的实验AI。Lila每做一个实验，就在积累竞争对手无法复制的独家数据。

图：三个被误读的信号

要理解Lila的价值，必须回到第一性原理问一个问题：AI的能力边界到底在哪里？

但科学发现的核心是未知的探索。地球上的新材料、新药物、新催化剂尚未被发现，因此也没有现成的训练数据。这是AI在科学领域面临的根本障碍——没有数据源。

Lila的突破在于：不用等人类提供数据，而是自己生成数据。

它的核心机制是一个“实验→学习→改进实验”的闭环飞轮，分三层运行。

第一层是知识层。 AI模型不仅训练于所有已发表的科学文献和专利，还会吸收每一次自家实验的全部结果记录——包括成功和失败的数据。科学实验中的失败往往比成功更有价值，因为它排除了一个可能性。传统的论文发表有发表偏倚——只有阳性结果才会被发表。Lila的模型没有这个偏见，它记录所有的阴性结果。

图：三层闭环飞轮

第二层是实验层。 机器人操作系统将AI提出的实验方案转化为具体的操作指令——分配试剂、控制温度、测量输出、记录结果。这里的瓶颈不是AI的大脑，而是机器人的手：机械臂的精度、液体处理器的速度、传感器的灵敏度。传统实验室中，一个博士生一天最多能做5到10个平行实验。Lila的一个自动化实验室一天可以做几百个实验。机器人不会累、不会分心、不会手抖——实验的可重复性远高于人类。

第三层是学习层。 实验结果反馈回AI模型，更新它的科学假设，生成下一个实验的设计。这就是主动学习的核心：AI不是被动地分析已有的数据，而是主动地选择最值得做的下一个实验。人类倾向于在已知领域深耕，因为失败的成本高。AI倾向于探索未知空间，因为它的探索成本远低于人类——跑一个额外实验只需要分配机器时间。

这个飞轮的关键指标是闭环速度——从提出假设到验证假设的时间。传统模式是：人类做实验→记录数据→训练AI→AI做预测→人类验证预测。一个循环以周甚至月为单位。Lila的模式是：AI设计实验→机器人执行→AI分析结果→AI改进模型→AI设计下一个实验。这个循环以小时或天为单位。

这种效率差距在案例中已经显现。2025年，3个非专业人士（不是科学家）用Lila的平台，在4个月内发现了比现有疫苗技术mRNA效率高3倍的序列。传统制药公司一个类似的mRNA构建优化项目通常需要12到24个月。4个月对12到24个月——这是量级级别的差距。

商业逻辑上，Lila的差异化也很清晰。它的商业化路径是“科学即服务”——企业客户付费获取AI科学平台的访问权限。Lila保留知识产权，通过许可和合作将成果商业化。这有点像Arm的IP授权模式：不是卖产品，而是卖发现能力。

图：Nvidia的算力赌注

对AI产业来说，Lila这轮融资标志着AI投资重心的转移。标志性事件：Nvidia投资Lila，而不是投资又一家ChatGPT竞品。这说明黄仁勋认为AI的下一个大市场在科学发现，而不是内容生成。与此同时，竞争对手Periodic Labs（由前OpenAI和DeepMind研究员创立）也在洽谈约504亿元的融资。这意味着AI科学公司的估值已经和前沿模型公司处于同一量级。

对全球经济来说，如果AI科学工厂模式可行，将从根本上重塑研发密集型行业的成本结构。创新药的开发成本从187亿元可能降至数亿元；新材料从偶然发现变成定向合成；绿色氢能从催化剂成本问题中解放。全球研发行业等于被装了一个10倍加速器。

但硬币的反面：科学发现本身的商品化。如果AI可以自主发现新药，传统制药公司的研发优势将大幅削弱。那些依靠专利壁垒的商业模式将面临AI加速的创新竞争——你花10年建立的技术护城河，AI可能用1年就找到了绕路方案。

更深一层看，这还意味着科学人才的价值重定价。过去一个顶尖科学家能在实验室里带出5个PhD学生，他的影响力就被放大5倍。未来一个顶尖科学家如果能教会AI如何设计实验，他的影响力可能被放大1000倍。科学界的“超级个体”时代正在来临。

但这不必然意味着悲观。更可能的图景是：每一个受过训练的科学从业者都能用AI做更快的科学发现——就像今天每一个程序员都能用AI辅助写代码一样。门槛降低了，产出放大了。

面对“AI科学工厂”这股浪潮，普通人最需要的是判断标准，不是预测。这里有三把尺子，可以帮助你在未来几个月里自己判断这个赛道的真伪。

第一把尺子：看有没有实验室。不是所有AI科学公司都等于Lila。核心差异在于闭环物理实验——如果一家AI科学公司没有自己的实验室和机器人，它只是在做预测，不是在搞发现。未来12个月内，如果再有3到5家同类公司获得72亿元以上的融资，“AI科学工厂”这个赛道就可以确认是AI下一波的主战场。

第二把尺子：看成果有没有被独立复现。 科学的信条是可重复验证。Lila展示的催化剂千分之一成本、mRNA 3倍效率，需要经过独立实验室的重复验证才能确认。一个简单的判断方法：如果一家AI科学公司的成果只出现在自己的新闻稿里，而没有出现在学术期刊上，保持适度怀疑。

第三把尺子：算一笔比特与原子的账。数字AI公司的毛利率可达80%以上，因为API调用几乎没有边际成本。物理AI公司每做一个实验都要消耗试剂、设备折旧和能源。144亿元对于AI科学工厂来说只是入场券。

重资产模式意味着更低的毛利率和更长的回报周期。

图：三把判断尺子

对科学从业者来说，未来5年，“AI加实验自动化”将成为科研标配。学习如何使用AI科学平台、如何设计可以被AI执行的实验，将和今天学习编程一样重要。这不是威胁，而是新工具——就像显微镜和PCR技术一样，是又一次科研工具的革命。

同时值得警惕的是：当一家公司宣布“AI发现了新药”或“AI找到了新材料”时，先问三个问题：有没有同行评审？有没有独立复现？有没有比现有方案真正的成本优势？如果三个答案都是否，那就先当作营销来看。

Lila Sciences的故事揭示了AI产业最深层的趋势：AI正在从理解世界走向改变世界。

第一波AI浪潮（生成式AI）改变了我们如何创造信息。从ChatGPT到Midjourney到Claude，它们处理的对象都是比特——数字世界的信息单元。这个时代的标志是：边际成本趋近于零，规模扩张是指数级的。

比特和原子有根本性的不同。数字世界的AI可以无限复制；物理世界的AI每做一步都要消耗实打实的资源。但这恰恰意味着：真正有价值的科学发现，其商业护城河也更深。数字世界的AI公司之间的竞争是模型和数据的竞争；物理世界的AI公司之间的竞争是实验数据积累速度的竞争——这是更难逾越的壁垒。

图：从理解到改变世界

Lila的144亿元融资不是一个公司的融资新闻，它是一个历史时点的坐标。它告诉我们：AI的第二个时代，不再是关于人类已有的知识，而是关于人类尚未发现的知识。 在这个时代，最值钱的不是计算能力，不是算法，甚至不是数据——而是能够自主生成未知知识的能力。

当AI可以自己做实验、自己纠正假设、自己发现新材料时，科学探索将从少数天才的灵感火花变成系统化的工程流程。对人类社会来说，这可能意味着更快的药物、更便宜的材料、更清洁的能源。

科学民主化的时代，也许比我们想象的更近。而Lila Sciences的144亿元融资，只是这个时代的第一张入场券。

正如第一波AI浪潮催生了万亿市值的公司，第二波AI浪潮——从比特到原子的跨越——可能催生出我们今天无法想象的产业格局。谁在建造通往这个新世界的实验室，谁就在定义未来20年的科学边界。