核心判断：AI 在 Biotech VC 中的应用正在从"能用"进入"好用"阶段，但大多数讨论混淆了三件完全不同的事——landscape mapping（铺地图）、deal sourcing（找项目）、和 due diligence（做尽调）——同时还忽略了一件关乎长期回报的事：投后管理与 LP 沟通。每层能做的事和不能做的事差异巨大。中国 Biotech VC 在这件事上的落后不是工具层面的，是方法论层面的——大多数基金还没意识到，AI 不是一个更快的分析师，而是一种不同的信息处理范式。

诚实地说：目前没有任何 AI 系统能做出投资决策。但 AI 能把一个分析师能覆盖的信息面扩大 10 倍——这件事本身已经在改变谁先看到什么、以多快的速度做出第一轮判断。

这一年里，生物医药 VC 圈的人开会不会再有"AI 能帮我们干什么"这种泛话题了。取而代之的是一批具体到不能再具体的问题：能帮我扫完所有 KRAS G12D 的临床前管线吗？能在 24 小时内拉一张中国 PROTAC 专利地图吗？能自动监控我们 portfolio 里每一家公司的最新 ClinicalTrials.gov 更新吗？

这一切已经不是假设性问题。

Sofinnova Partners，一家管着€25 亿的欧洲老牌生命科学 VC，最近投了一家叫 Ingenix 的公司——€1300 万，种子扩展轮。这笔交易的特殊之处不在金额，在于 Sofinnova 投的是一家AI 推理引擎，不是药物发现平台。Ingenix 做的事情本质上是一个可解释的生物知识图谱：把生物学、化学、临床数据连起来，让科学家可以像问同事一样去问它问题。Sofinnova 的合伙人 Simon Turner 说得很直白："这是在造推理层——那个真正把数据变成决策基础的东西。"

据 BioCentury 今年 3 月的报道，Sofinnova 有一支工程师团队全职维护内部 AI 知识图谱——抓取 4000 万篇论文、9000 万作者的数据，把它变成投资团队可以实时查询的竞争情报基础设施。这家基金的做法不是个例。Atlas Venture、Flagship、Lux Capital 都在做类似的事，只是公开聊的人不多。BioCentury 那篇封面文章的标题就是"AI 正在融入 biotech 风险投资漏斗的哪个环节"。一年前这个话题还被认为是噱头。现在同一批人，已经在用 AI 工作了。

但这也是最容易产生幻觉的地方。大多数讨论把几件完全不同的事搅在一起，导致讨论本身失去了分辨率。

上面说的是行业正在变。但具体到底在变什么？得先把"AI 在 VC 里干什么"拆开看。

1

AI 在 VC 里干的其实是四件事

把 AI 在 biotech VC 中的应用摊开，它不是一条线，是四层。每层的能力差异、当前成熟度、和"不能做什么"，差得远。

1.1

第一层：landscape mapping——铺地图

这是目前 AI 做得最好的一层。任务定义很清晰：给定一个靶点、一个适应症、或一个 modality，把所有在研管线、专利、临床数据、交易记录拉出来，拼成一张竞争地图。

传统做法是一个分析师花 2-3 天，手动搜 ClinicalTrials.gov、PubMed、专利数据库、公司官网，然后手工整理成表格。AI 的做法：多个 agent 并行搜索、交叉验证、自动去重、按靶点/阶段/机制分类。

AAAI 2026 接收的一篇论文给出了硬数据。Bioptic.io 团队做了一个专门做药物竞争格局映射的 agent 系统，和几个通用工具做了对比：

但这组数字需要被诚实对待。83%意味着即使是最好的专用系统，也漏掉了 17%的专家已知竞争对手。 漏掉的往往是同类中最不显眼的——一个临床前项目、一个中国公司的 IND、一个换了个名字的 fast-follow。在 biotech 投资里，漏掉一个竞争对手不意味着"报告缺了一行"——它可能意味着你低估了一个资产的竞争烈度，在一个快要拥挤的赛道上多下了几千万。

另一组数据更具体：在实际的 biotech VC 案例中，这个系统把分析师的竞争格局调研时间从约 2.5 天压到了约 3 小时——大约 20 倍的压缩比。不是质量没降——Recall 从 100%（专家手工穷举的假设基准）降到了 83%。但速度提高了 20 倍。这个 trade-off 值不值，取决于你拿这个映射结果干什么。

这组效率数据不是孤例。Affinity 对近 300 家私募资本机构的调查显示，85%的投资人已在日常工作中使用 AI（一年前是 76%），82%的机构已将 AI 用于 deal sourcing 研究。Bessemer Venture Partners 在整合 AI 工作流后，每个分析师每年回收了 234 小时。BlackRock 的研究吞吐量提升了 5 倍——从每天分析 2-3 家公司到 10-15 家。landscape mapping 的效率跃迁不是某个工具的孤例，是整个行业在重复验证的模式。

结论：landscape mapping 是目前 AI 做得最好的一层。可以用，但需要人做最后的查漏补缺——不是替代人，是把人从 80%的重复搜索劳动中解放出来，把精力留给那 20%最难找的东西。

1.2

第二层：deal sourcing——找项目

这一层比第一层难一个数量级。不是因为搜索更复杂，而是因为"什么是一个好项目"这件事本身就难以结构化。

landscape mapping 的任务是"找出所有在研的 KRAS G12D 抑制剂"。这个任务的边界是清晰的——有靶点、有适应症、有 modality 约束。deal sourcing 的任务是"找出值得聊一聊的公司"——这个边界是模糊的，而且每个基金的定义都不一样。

目前 AI 在 deal sourcing 上的应用集中在信号检测而非判断：抓取公司成立信息、融资新闻、专利公开、团队变动、ClinicalTrials.gov 更新——然后按基金的投资主题过滤。工具层比较成熟（Affinity、PitchBook、Grata 都在做这件事），但真正的瓶颈不在工具，在信号到判断之间的那一步。

一个例子：AI 可以告诉你"某家公司的首席医学官最近离职了"。但它不知道这件事是 red flag（关键人物在临床数据读出前跑路）还是 neutral（退休、家属原因、更好的机会）。这一步的判断需要人对行业、对公司、对人本身的了解——目前没有任何 AI 系统能可靠地跨越这个鸿沟。

另外一个被低估的问题：如果所有基金都用同一套工具扫同样的数据源，信号优势从哪里来？ 这是 AI 时代的经典悖论——工具越普及，alpha 越回到人的判断力本身。

但信号源本身的质量差距在拉大。Specter 的 CEO Marco Squarci 指出了一个具体的代差：人才流动信号可以给投资人 6 到 12 个月的提前量——当高级运营离开独角兽去注册新公司时，大多数数据库还一无所知。Bain Capital Ventures（AUM 超 100 亿美元）更进一步：他们在结构化量化信号（增速、融资、团队规模）之上叠加 AI 驱动的非结构化情绪分析——大规模扫描用户评价、开发者社区讨论、社交媒体反馈，判断快速增长中有多少是真实的、可持续的。但 BCV 合伙人 Abby Meyers 同时划了边界："我们尽量不买任何涉及我们自身投资判断力的工具。"——AI 做过滤，人做判断，分得很清楚。

传统 deal sourcing 还有一个被低估的数字：根据 Copia Wealth 的行业数据，机构通常只能看到其投资领域中约 18%的相关交易机会。AI 不保证你看到 100%，但能把 18%显著推高——推高的每一段，都是竞争对手没看到的机会。

结论：deal sourcing 层 AI 是加速器，不是发现器。它让你更快地看到更多东西，但不能替你做筛选——因为筛选的维度本身就是基金的核心竞争力，不可能外包给一个大语言模型。

1.3

第三层：due diligence——做尽调和判断

这一层是目前最远的。不是"快要做到了"，是"还差得远"。

同一篇 AAAI 论文里还有一个数据很说明问题：所有系统（不管是专用 agent 还是通用工具）在"作用机制提取"上都只拿到 0.61 的分数——是最低分项。机制是 biotech 投资判断里最核心的维度之一：这个靶点为什么 work？和竞品在哪个节点上不同？MOA 的提取困难不是因为信息不可得，而是因为机制通常在多个粒度上被描述——通路层面、靶点层面、modality 层面、下游效应层面——同一个药可以同时被描述为"KRAS G12D 抑制剂"、"RAS 通路靶向药"和"共价小分子"。这些描述都对，但它们指向不同的竞争对标对象，而 AI 很难自动判断哪种粒度对当前的 DD 任务最有意义。

更深的限制是：目前所有"AI 做 DD"的案例，本质上都是信息提取和整理，不是判断。AI 能告诉你"这个药的 P1b 数据 ORR 是 37%"，但它回答不了"在 G12D PDAC 这个场景下，37%的 ORR 够不够确立 FIC 地位"——因为这个判断依赖于大量不可编码的隐性知识：FDA 最近对这个适应症的审评基调是什么、对标药物的真实世界疗效是多少、这个赛道未来 12 个月的催化剂节奏是什么样的。

实事求是的分层判断：

这个"零"是真的零。 这不是说 AI 判断力不够好——是说目前的系统不具备做投资判断的认知架构。投资判断不是信息的汇总，是在不完整信息下对一系列反事实的押注。这件事，人做得也不好，但 AI 目前做不了。

但即使在"信息提取和整理"这个 AI 能做的范围内，速度跃迁的幅度已足以改变工作方式。Riot Ventures（洛杉矶一家管理超 10 亿美元的深科技 VC）的 GP Will Coffield 描述了典型场景：他们投核反应堆、机器人、无人机这类技术门槛极高的公司，过去需要反复咨询外部专家才能勉强判断创始人的技术假设是否站得住脚。现在 AI 深度研究给团队提供了"相当于 PhD 级别的技术面试摘要"——他们可以带着高质量问题去联系外部专家，把有限的人类专家时间用在刀刃上。用他自己的话说："AI 帮我们清出了更多时间去理解创始人的动机和梦想。"

更宏观的数字指向同一个方向：传统 DD 中分析师 90%的时间花在数据处理上，只有 10%用于战略判断。AI 把这个比例翻转了——10%处理数据，90%做判断。pre-screening 从两周压缩到两天，deal 评估容量在不增加人头的情况下提升 50%。这些不是远期愿景，是正在发生的事。

1.4

第四层：投后管理与 LP 沟通——被忽略的回报放大器

如果前三层是关于"怎么投"，第四层是关于"投完之后怎么办"。这一层在大多数 AI+VC 的讨论里几乎不被提起，但它在实际工作中吞噬的时间可能比前三层加起来还多。

投后管理的传统模式是什么样？portfolio 公司的数据通过邮件、Excel、PDF 和季度更新电话进来——格式不统一，时间不固定，关键指标经常缺失。分析师花大量时间手动整理成 dashboard，合伙人做 follow-on 决策时拿的是过期的数据。创始人觉得填数据是负担，投资人觉得自己在摸黑前行。

AI 在这一层的应用集中在三个方向：

第一，数据自动归集与清洗。 Standard Metrics 等平台用 AI 自动解析 portfolio 公司上传的财务报表、收入明细、burn rate 数据——从非结构化的 PDF 中提取结构化指标，自动标记缺失字段并触发追问。结果：数据收集从"每次都要催"变成"后台持续运行"，分析师从做表机器回归分析师本职。

第二，实时异常检测与预警。 不再等到季度末才发现 burn rate 失控或 churn 飙升。系统在关键指标越过预设阈值时自动推送 Slack 或邮件告警，让投资团队在问题变成危机之前介入。这在传统工作流里意味着投资团队从"滞后指标"切换到了"先行信号"——这是质的改变，不是量的加速。

第三，LP 沟通自动化。 这是被讨论最少但 ROI 可能最高的一环。LP 的典型问题——"组合估值按行业怎么分布？""过去 12 个月哪些公司做了后续融资？""前五大持仓的集中度是多少？"——以前意味着分析师 2-3 天的数据拉取和 PPT 制作。现在的 AI 工具可以在几秒内生成回答和可视化图表，直接嵌入季度报告或 LP 邮件。Standard Metrics 的 AI portfolio analyst 甚至支持 MCP 协议（Model Context Protocol，一种让 LLM 安全连接到 portfolio 数据库的开放标准）——投资团队可以在日常使用的 Claude 或 ChatGPT 里直接查询 portfolio 数据，无需切换系统、无需复制粘贴。

这一层的意义不止于效率。它改变了投后管理的性质——从"被动接收、事后反应"变成"主动监测、事前干预"。更重要的是，它让 LP 看到了一个数据基础设施更透明的 GP——在募资环境越来越挑剔的当下，这本身就是一种竞争优势。

在中国 Biotech VC 的语境下，这一层几乎完全空白。大多数基金的投后管理仍停留在微信群+Excel 模式——不是没钱买工具，是没意识到这一层也有 AI 可以嵌入的空间。

走完这四层，一个自然的问题就是：既然最好的 AI 系统都是美国基金和美国公司在用，中国 Biotech VC 在哪里？

2

中国 Biotech VC 的 AI 差距：不是钱的问题

直接说结论：中国 Biotech VC 在 AI 采用上落后欧美同行大概 2-3 年。但这个"落后"不是买不起工具、雇不起工程师的问题——是问题定义层面的问题。

欧美基金的 AI 投入围绕两个清晰的命题展开："我能不能比对手更早看到值得看的资产？"和"我能不能在处理大量信息时不漏掉关键变量？" 这两个命题都是决策效率问题——本质上是用 AI 扩大一个分析师能有效覆盖的信息面。

中国 Biotech VC 目前的 AI 应用，大多数还停留在第一个台阶以下——用 ChatGPT 或 DeepSeek 翻译英文文献、做会议纪要总结。不能说没用，但离"改变决策基础设施"还差几个量级。

差距不在技术栈。中国的大模型能力（DeepSeek、Qwen、智谱）在过去一年里进展惊人，自主 agent 框架也不缺。差距在两个更底层的东西上：

第一，方法论自觉。 一个基金要有效地用 AI，首先得有自己清晰的、结构化的分析框架——你先知道自己做投资判断的底层逻辑是什么，才知道 AI 应该在哪个环节介入、为哪个步骤加速。如果基金自己的 DD 流程是"看感觉、聊一聊、凭经验"，AI 插不进去，也不需要 AI。

第二，愿意为基础设施付费的耐心。 AI 系统不是买一个 ChatGPT 会员就能搭起来的。它需要持续的 prompt 工程迭代、数据源接入、输出校验、人机协作流程设计。这件事没有短期回报，但它会在 3-5 年内把用了 AI 和没用的基金之间的信息处理能力差距拉到不可逆的水平。

一个更具体的信号：中国目前没有任何一个公开的 Biotech VC AI agent 项目对标 Bioptic 或者 Sofinnova 的内部 AI 团队。有基金在用 AI，但都是个人行为——分析师自己用、合伙人自己试——不是机构行为。个人行为的 AI 使用和机构级的 AI 基础设施，差别跟"自己在家做饭"和"开了个连锁餐厅"一样。

第三，Build vs. Buy 的决策框架还没被认真对待。 欧美基金在这件事上已经分化出了比较清晰的策略。Earlybird Ventures 的合伙人 Andre Retterath 提出了"80/20 法则"：买现成工具解决 80%的需求，只在真正涉及自身投资判断力的地方自建。Bain Capital Ventures 的 Abby Meyers 说得更直白："我们买那些不涉及判断力的工具，在我们自己的投资方法论所在一层自己构建。"中国基金目前既没有认真"买"（大多数还在用通用 AI 工具而非 VC 专用平台），也没有能力"建"（没有工程师团队、没有 AI 基础设施投入的预算科目）。在一个工具生态快速成熟的窗口期，"既不买也不建"意味着每一年的代差都在累积。

第四，存在一个被忽略的"人才磁铁效应"。 根据 Copia Wealth 的行业报告，大约 50%的 PE/VC 机构认为，阻碍 AI 应用的首要障碍不是技术、不是预算，而是文化——人和习惯。但硬币的另一面是：不用 AI 的基金正在丧失对年轻人才（尤其是 Millennial 和 Gen Z 分析师）的吸引力。这一代分析师不想把时间花在手动整理 Excel 和复制粘贴信息上——他们想做有判断力的工作，用现代工具。如果一个基金的"技术栈"是微信群+Excel+个人 ChatGPT 会员，它不仅难以招到最好的人，也留不住他们。AI 采用不只关乎效率——它还关乎一个基金在人才市场上的品牌。

第五，监管时间窗在缩短。 超过一半的美加 PE/VC 机构预计未来 12-18 个月内，AI 使用将受到更严格的治理约束。这意味着现在建立 AI 基础设施的基金正处在一个相对宽松的窗口期——先搭建系统、先磨合人机协作流程、先把数据资产结构化——等监管收紧时，他们已经在合规框架内运行了。等到监管落地之后才从零开始的基金，面临的门槛会高得多。

这个差距目前还不致命——因为整个行业还没到"谁不用 AI 就没法投"的阶段。但窗口在变短。一旦 FOCR 的 ctDNA 前瞻性数据出来、ASCO 的 LBA 在 48 小时内被 AI 同时拆解出 50 个投资信号，那些没有 AI 基础设施的基金，不会"投资判断差一点"——而是根本不在同一个信息流里。

回到这篇文章应该回答的那个问题。

AI 在 Biotech VC 里不是一个即将取代人的革命。它是一个和人的判断力一起进化、互相驯化的基础设施。用得好，它能让一个只有两三个人的投资团队看到一个十人团队都覆盖不完的信息面。用得不好，它就是一个更快的搜索引擎——而且会用它的自信让你以为自己已经做了 DD。

中国 Biotech VC 的真正差距不是有没有在用 ChatGPT，而是有没有把自己的投资方法论结构化到"AI 可以嵌入"的程度。这个过程不性感、没有产品 demo、出不了 PR 稿——但它会在三到五年后，决定谁在看牌桌、谁已经下桌了。

远鉴别 BioInsight | AI 进了 VC 办公室，然后呢？

|2026-06-30

*核心数据源：BioCentury "Where AI is integrating into the biotech venture funnel" (March 2026)、Bioptic.io AAAI 2026 paper "LLM-Based Agents for Competitive Landscape Mapping in Drug Asset Due Diligence"、Sofinnova Partners / Ingenix €13M financing (June 2026)、Standard Metrics "How AI is Transforming Venture Capital" White Paper (2025)、Affinity "10 AI Tools for Venture Capital Firms in 2026"、Copia Wealth Studios "Why AI-Powered Due Diligence is the New Normal in Private Equity" (2025)、StratEngine AI "AI for VC Due Diligence: Risk Analysis Guide" (2025)、PitchBook Q4 2025 Pharma Biotools VC