Anew Labs 融资达2.9亿美元，但候选药物仍须验证AI押注

据报道，Anew Labs 已融资2.9亿美元。在其最关键的科学主张获得临床验证之前，这家从字节跳动分拆出来的AI制药公司已获得可观资本支持。

据知情人士称，Anew Labs 首轮外部融资令这家上海公司的估值达到15亿美元。融资完成后，字节跳动将保留56%的控股权。

这些数字意味着，这并非一轮普通的风险投资融资。它们也揭示了人工智能药物发现领域的核心矛盾。

投资者正以类似软件行业的速度，为模型、实验室和临床前项目提供资金。药物研发却仍须经历以年计的实验、毒理学研究、监管审查和临床试验。

Anew Labs 凭借生物分子模型、一个开源结构预测项目以及四个已披露的研发项目加入这场竞争。其核心管线包括一种针对自身免疫疾病中IL-17蛋白家族的口服小分子方案。

该公司已披露研究平台和项目目标，但尚未公布通过这些平台研发药物的人体试验结果或监管批准。

这一差距区分了一则吸引人的AI科研故事与一家经验证的制药企业。新资金为 Anew Labs 弥合差距提供了时间，同时也促使其他中国AI制药开发商展示相当的科学进展。

Anew Labs 融资轮带来了哪些变化

这笔融资将字节跳动内部的一项研究工作，转变为一家拥有外部投资者、资金充足且需独立运营的生物技术公司。

Anew Labs 在寻求首轮外部融资前，字节跳动已完成其分拆。该公司总部位于上海，同时也列有旧金山和新加坡的团队。

这笔交易最初通过匿名消息人士披露，而非正式融资公告。转载路透社报道的一则融资报道称，有两名人士知悉该交易。

据该报道，HSG、IDG Capital 和 Hillhouse Investment 领投本轮融资，FiveY Capital 作为联合领投方参与。

其他据报参与者包括高榕资本、Primavera Venture Partners、博裕资本、SBP Group 以及上海未来产业基金。投资者组合涵盖科技投资者、生命科学资本、战略资金和具国资背景的资金。

据报道，字节跳动仍持有 Anew Labs 56%的股权。这一持股比例很重要，因为“分拆”一词可能会让人以为双方已彻底分离。

Anew Labs 目前拥有独立的公司架构和外部股东。不过，字节跳动仍是其大股东，也是其财务故事的核心部分。

一位消息人士称，AI药物发现遵循的行业逻辑和管理实践与字节跳动的核心互联网业务不同。因此，此次分离为研究团队提供了更适合长期开发周期的架构。

这一解释符合生物技术行业的经济规律。消费软件团队可以发布产品、衡量用户参与度，并在数日内完成更新。

而药物开发商必须先获得可重复的实验室证据，才能在人身上测试候选药物。每一个阶段都会引入软件组织很少遇到的科学、监管和生产要求。

独立公司可以在为这一流程设计的激励机制下招聘药物化学家、生物学家和临床专家。它也可以筹集专业资本，而不必将每一项支出决策都与字节跳动的主营运营优先级挂钩。

不过，关于本轮融资的报道仍未得到完整验证。报道出现时，Anew Labs 和字节跳动尚未公开确认具体条款。

相关投资者也未发布协调一致的公告，说明融资金额、估值或持股情况。因此，读者应将这些数字视为消息来源可靠的报道，而非公司最终披露。

这一区别并不会抹去事件本身，而是界定了目前可获得的证据。

融资为 Anew Labs 带来了资源和关注度，但并未独立验证其模型、管线资产或报道中的估值。

为什么 Anew Labs 的AI药物发现此时吸引了投资者

Anew Labs 兼具技术实验室的模型构建特征，以及制药开发商的管线雄心。

其公开材料介绍了一组系统，涵盖蛋白质结构、分子运动、分子生成、抗体优化和科学推理。这些工具覆盖相互衔接的阶段，而非单一孤立的预测任务。

AnewFold 可预测蛋白质和分子复合物的三维结构。结构预测用于估计生物分子的排列方式，从而帮助研究人员理解它们之间的相互作用。

AnewSampling 对分子运动进行建模，而不是将每种蛋白质都视为静态对象。这一点很重要，因为生物分子会改变形状，而这些运动可能影响药物结合。

AnewOmni 被定位为用于设计生物分子之间相互作用的全原子生成模型。“全原子”意味着该模型表示单个原子，而不是仅依赖粗略的分子摘要。

AnewDesign 面向抗体设计与优化。AnewMind 被描述为一种科学推理模型，旨在支持药物研究全流程中的决策。

该公司还推出了 AnewDDE，一种智能体式药物发现引擎。在这里，“智能体式”指的是协调多项研究任务和模型、以实现既定目标的软件。

根据该公司的研究平台，AnewDDE 将结构预测、分子设计、结合亲和力估计、科学推理和实验反馈连接起来。

这一反馈闭环是关键所在。模型提出或评估一个方案，实验室实验对其进行测试，所得数据再为下一轮计算提供参考。

相比将单一基准分数视为药物开发能力的证明，这种架构更具可信度。它将计算与淘汰薄弱想法所需的物理证据结合起来。

Anew Labs 还承接了 Protenix，这是一个由字节跳动内部开发的开源生物分子结构预测系统。其Protenix 仓库为外部研究人员提供代码、模型信息和使用说明。

Protenix 被定位为对与 AlphaFold 3 相关能力的一种开放实现。Google DeepMind 和 Isomorphic Labs 将 AlphaFold 3 发布为可预测蛋白质、DNA、RNA、配体及其他分子相互作用的模型。

相关的AlphaFold 3 研究将结构预测的范围扩展到蛋白质之外。这使分子相互作用预测成为药物发现工作流中更直接的一环。

Anew Labs 的竞争并不只是复现这一能力。其更广泛的主张是，多个专门模型能够组成一套整合式发现系统。

投资者实际上是在押注这种整合能力。一个可用的药物平台必须能从结构假设走向可合成、可测试且可改进的设计。

这一时机也反映出AI发展的更广泛变化。通用语言模型已不再占据所有投资者的注意力。

AI for Science 公司提供了另一种价值主张。其模型处理专业数据、科学约束和高价值产出，而这些并不能仅凭文本生成实现。

中国也拥有深厚的制药生产能力、持续增长的生物技术专长和庞大的技术人才队伍。Anew Labs 可以将这些资源与字节跳动在大规模机器学习方面的经验结合起来。

但这些优势只是投入，并不能保证候选药物会在动物或人体中发挥作用。

因此，Anew Labs 的融资轮应被视为一项组织设计实验的融资。它将技术规模的模型开发与生物技术管线的严谨性结合在一起。

真正的较量是AI模型与实验证据之间的较量

Anew Labs 主要并非在与另一家模型供应商竞争，而是在与药物开发固有的高失败率竞争。

这一框架很重要，因为AI药物发现常被讨论成一场软件基准竞赛：某个模型预测更多结构、生成分子的速度更快，或在精选数据集上表现更佳。

药物开发衡量的是另一种结果。候选药物必须到达目标组织、影响正确的生物机制、避免不可接受的毒性，并带来具有意义的临床获益。

模型可以缩小搜索空间，但无法消除生物学的不确定性。

Anew Labs 在其网站上列出了四个管线项目，其中包括涉及IL-17和IL-4R的靶点，以及两个未披露项目。

其核心项目旨在开发一种口服小分子，靶向IL-17AA、IL-17AF和IL-17FF信号通路。这些形式参与与自身免疫疾病相关的炎症通路。

现有的IL-17疗法通常是通过注射给药的大分子生物制剂。成功的口服小分子可能提供不同的给药途径和生产模式。

这一目标在技术上难度很高。蛋白质—蛋白质相互作用通常涉及宽广或柔性的表面，传统小分子更难以调控。

Anew Labs 表示，生成式建模帮助其识别出旨在抑制多种IL-17形式的分子。该公司已在科学会议上展示围绕该项目的临床前研究。

临床前证据出现在人体试验之前，可能包括生化实验、细胞研究、药理学、毒理学和动物模型。

该阶段的积极结果可以支持进一步开发，但不能证明其对患者的安全性或有效性。

正是在这里，该公司的模型组合必须超越一系列研究演示。其预测需要生成具备实用物理和生物学性质的化合物。

一种分子可能在模型中结合良好，却因研究人员无法可靠合成而失败。另一种分子可能在实验室检测中表现出色，却在体内降解得过快。

第三种分子可能到达目标，却在其他部位引发毒性。这些属于制药问题，而非仅仅是模型智能不足的问题。

闭环开发通过将实验结果反馈至建模过程，解决了部分挑战。系统可以从失败的化合物中学习，也可以从成功的化合物中学习。

不过，闭环的质量取决于检测设计、实验室执行和数据的代表性。围绕一个具有误导性的实验快速迭代，只会更快地产生看似确信的错误。

因此，Anew Labs 需要跨学科协作。机器学习研究人员必须与计算化学家、药物化学家、结构生物学家、药理学家和临床开发团队协同工作。

这一组织问题也解释了为什么从字节跳动分离可能具有价值。该公司需要围绕治疗证据组织决策，而不是围绕互联网产品的用户参与度。

这也解释了为何报道中的估值值得审视。在 Anew Labs 尚未披露人体数据之前，15 亿美元的估值已计入了相当高的信心预期。

投资者或许愿意接受这一风险，因为成功的药物能够创造可观的长期价值。他们也可能将可复用平台本身视为独立于任何单一候选药物的价值来源。

但这两种论点都不会改变验证标准。平台的价值来自可重复的科学与研发成果，而不是拥有多少名称各异的模型。

本轮融资让 Anew Labs 有能力在多个项目中进行这一验证。其下一步证据必须来自实验与研发里程碑，而非融资势头。

中国 AI 药物研发企业面临更高的融资门槛

Anew Labs 的融资加大了竞争压力，因为其报道中的融资同时汇集了重要科技母公司、知名投资者和一体化药物管线。

中国已有多家成熟企业在机器学习与制药研究的交叉领域开展业务。Insilico Medicine 和 XtalPi 提供了两个有价值的参照点。

Insilico 已开发生成式 AI 系统，与制药企业建立合作，并将内部研发的候选药物推进至临床测试。其进展展示了从平台开发走向外部可见的管线里程碑的一条路径。

XtalPi 将计算模型与自动化实验室及合同研究能力相结合。这一模式将软件与实体实验和客户可购买的服务连接起来。

Anew Labs 的起点不同。它诞生于一家以大规模推荐系统、基础设施和 AI 研究著称的消费科技集团内部。

与 ByteDance 的关联可支持招聘和工程能力建设。但这也带来预期：Anew Labs 将把科技公司的执行速度应用于药物研发。

这种预期可能成为负担。拥有更长生物技术历史的竞争对手，或许在管理毒理学、临床运营、生产制造和监管沟通方面经验更深。

Anew Labs 必须在持续发布具有竞争力的 AI 研究成果的同时，建立这些能力。报道中的融资为其提供了资源，但每增加一个平台，所需的验证工作也会扩大。

该公司的开源策略带来了另一层竞争维度。Protenix 让研究人员能够审查并使用其部分结构预测工作。

开放式开发可以吸引技术贡献者，并提升其在计算科学家群体中的知名度。但它也会让竞争对手更容易研究模型能力。

因此，商业优势必须存在于代码访问之外。它可能来自专有实验数据、药物化学判断、实验室系统，或对成功药物候选物的所有权。

这同时形成了两场竞争。一场关乎模型性能和科学声誉。另一场关乎将模型更缓慢地转化为受监管产品的能力。

最终，第二场竞争将决定投资者资助的是否是一家具有持久竞争力的药物研发企业。它也将决定 Anew Labs 是改变竞争格局，还是仅仅推高整个行业的投入。

中国较小的 AI 药物研发公司如今面临更严峻的融资比较。投资者可能会问：既然 Anew Labs 拥有 ByteDance 支持和多个相互连接的平台，为何另一支团队仍值得获得资本？

这些公司可以用更强的临床进展、更聚焦的疾病专长、独家数据集或有价值的制药合作来回应。它们不能只依靠拥有一个生成式模型。

这笔融资也可能鼓励科技公司重组其科学研究部门。分拆可以吸引外部资本，同时保留战略所有权。

然而，Anew Labs 的结构并非通用模板。药物研发需要耐心资本、专业治理，以及对项目失败的承受能力。

母公司保留控制权可以提供稳定性，但也可能引发有关决策权、知识产权和分拆公司独立性的问题。

外部投资者最终将评判这种结构是加快决策，还是增加一道审批层。随着研发周期拉长，员工也会关注激励机制和所有权。

因此，这种压力不止影响竞争中的药物研发企业，也波及正在考虑 AI for Science 研究是否应留在主营组织内部的科技集团。

Anew Labs 目前提供了一个显眼的测试案例。成功将支持独立融资的科学子公司模式；失败则会凸显 AI 研究能力与制药执行之间的距离。

2.9 亿美元未能证明什么

Anew Labs 的融资轮次证明了投资者的兴趣，但并不能证明临床有效性、监管准备度或可重复的药物研发生产力。

第一个不确定性涉及融资本身。融资金额、估值、所有权结构和投资者名单来自熟悉该交易的媒体消息源。

相关报道出现时，Anew Labs 尚未发布完整的融资公告。这留下了关于该轮融资确切结构和交割条款的常规疑问。

第二个不确定性涉及管线成熟度。Anew Labs 列出了项目和研发阶段，但尚未披露人体安全性或疗效结果。

读者不应将模型生成的候选药物等同于获批药物。候选药物发现只是漫长过程中的早期一步。

第三个不确定性涉及评估。AI 药物系统可能在基准测试中表现出色，却无法泛化至陌生的生物靶点。

训练数据集可能包含结构相似性、测量偏差和覆盖不均等问题。这些问题使独立测试和前瞻性验证尤为重要。

前瞻性验证是指在研究人员知晓实验答案之前，评估模型作出的预测。它比从既往观察数据中重构结果提供更强的证据。

第四个不确定性涉及监管接受度。监管机构不会将算法作为药物安全、有效且能稳定生产这一证据的替代品而予以批准。

美国食品药品监督管理局已看到 AI 在药物研发各环节的应用日益增加。其 AI 药物指导指出，提交材料已在非临床、临床、上市后和生产制造场景中使用 AI。

该机构的做法强调明确的使用场景。开发者必须说明模型的作用、其输出的重要性，以及错误结果可能带来的风险。

FDA 和欧洲药品管理局还发布了相关原则，涵盖人工监督、数据治理、模型性能、全生命周期管理和基于风险的验证。

这些要求并不阻止 AI 辅助研发。它们要求开发者记录系统如何支持特定决策，以及其输出为何足够可靠。

如果模型生成的证据被用于支持监管申报，Anew Labs 将面临这些要求。其实验室和临床记录的重要性将不亚于每个模型背后的架构。

另一个不确定性涉及一体化的经济性。运行专业模型、自动化实验、药物化学和内部药物项目需要消耗大量资本。

2.9 亿美元的一轮融资可以支持大量工作，但无法消除项目优先级排序的需求，也无法替代对哪些能力应保留在内部的决策。

公司可以寻求制药合作、授权候选药物、自主开发药物，或结合这些方式。每种选择都会改变资本需求和潜在回报。

合作关系可以增加疾病专长和研发资源，但也可能将项目的一部分经济价值转移给更大的制药公司。

自主研发保留更多潜在价值，但会让 Anew Labs 承担临床成本和执行风险。投资者将关注公司选择哪条路径。

最后一项风险是叙事膨胀。“AI 设计药物”这一说法可能将数千项人工和实验决策压缩为一个吸引人的标签。

模型可能参与靶点选择、分子设计、优化、试验分析或多个阶段。要理解 AI 实际改变了什么，清晰披露必不可少。

Anew Labs 可以通过发布前瞻性结果、实验方法、阴性发现以及与既有工作流程的比较来强化其论点。

在此之前，这笔融资验证的是资本获取能力，而非该平台能以更快速度产出更好药物这一核心承诺。

将定义 ByteDance AI 药物分拆公司的三个信号

下一阶段应依次通过研发证据、独立验证和商业承诺来评判。

第一个信号是 IL-17 项目的正式研发里程碑。Anew Labs 需要披露监管申报、试验许可或其他可验证的人体测试推进步骤。

这一事件将表明其领先候选药物已通过足够的内部审查和临床前工作，能够进入受监管的研发流程。

这并不能证明药物有效，但会显示该项目已超越模型输出和会议展示阶段。

延迟并不必然意味着失败，因为毒理学和生产制造工作可能改变时间表。但长期沉默仍会削弱 AI 赋能快速进展的论点。

第二个信号是对公司一体化平台的独立验证。外部研究人员应能够在陌生靶点和实验环境中测试模型输出。

开源的 Protenix 为技术审查提供了一条路径。Anew Labs 可以通过前瞻性挑战、同行评议研究和报告可量化结果的合作进一步推进。

最有力的证据将把计算预测与在预测作出后接受测试的化合物联系起来。公司外部的重复验证将进一步增强结果的可信度。

这一信号之所以重要，是因为 Anew Labs 推广的是一个互联的系统，而不只是单个模型。因此，证据应显示这种整合能够改善实际的药物发现决策。

第三个信号是具有实质性承诺的制药合作。可信的合作伙伴能够贡献靶点知识、研发专长、实验室、临床运营或资金。

仅宣布合作还不够。读者应关注是否有已命名项目、预付款承诺、里程碑结构或明确定义的研究职责。

这些细节表明一家制药公司是在购买访问权、共担研发风险，还是仅仅探索该技术。

这三个信号共同构成了对报道中 Anew Labs 融资的一项实用检验。这笔资金应推动候选药物前进，让平台接受独立审视，并吸引知情的商业验证。

否则，该公司最强的证据仍将集中在融资和自行报告的研究上。

对于关注这一领域的研究人员和技术团队而言，挑战在于让科学主张始终与其来源证据相连。结构化的 AI knowledge base 可以帮助团队追踪论文、模型版本、实验和监管里程碑。

先关注 IL-17 项目，其次是独立平台测试，最后是具体的制药合作协议。这些结果将决定 Anew Labs 的 AI 药物发现能力究竟会成为研发引擎，还是仍只是一个雄心勃勃的模型集合。