当大多数 AI 新闻还在聚焦大语言模型或图像生成时，一群化学家和工程师正在实验室里用另一种 AI 改变游戏规则——Physical AI。Telescope Innovations，这家从 SkyDeck 加速器走出来的初创公司，最近在大药企内部获得了实实在在的 traction。
Physical AI 是什么？
简单说，它不是生成文本或图片，而是直接操作物理世界。Telescope 把 AI 模型接入了自动化实验平台——机械臂、注射泵、光谱仪——让 AI 自己设计实验、执行操作、读取结果、再迭代优化。传统化学家一天可能做 3 到 5 个反应，而 Physical AI 系统能轻松跑到几十上百个，而且 24 小时不间断。
为什么大药企开始买单？
药物研发的早期阶段——先导化合物优化——极度依赖经验与试错。一个药物化学家往往需要反复调整分子结构，测试活性与选择性。Telescope 的联合创始人兼 CEO 在采访中提到，他们的平台能让 从分子设计到初步验证的周期缩短 60% 以上。对于像辉瑞、诺华这样的巨头，这意味着每年数亿美元的潜在节省。
“我们不是在取代化学家，而是让他们从重复劳动中解放出来，专注在真正需要创造力的地方。” —— Telescope Innovations 团队
实际落地场景
目前 Telescope 主要聚焦在两类场景：
- 反应条件筛选：当需要测试不同催化剂、溶剂、温度的组合时，AI 自动设计实验矩阵，并控制设备依次运行，同时用在线分析仪器实时监控产物。
- 工艺放大模拟：在从毫克级到公斤级放大的过程中，AI 通过模拟与实验反馈，帮助工程师找到最优参数，避免传统放大中常见的“踩坑”。
已有两家未公开名称的 top 20 药企在内部部署了 pilot 项目，将 Telescope 系统用于某类激酶抑制剂的候选分子筛选。初步数据显示，在相同的两周时间内，AI 驱动的工作流覆盖的化学空间是纯人工团队的 4 倍。
这不是唯一的玩家，但方向是对的
当然，这个赛道并不空白。像 DeepMatter 和 Synthace 也在做类似的事情。但 Telescope 的差异化在于：他们把 AI 模型直接嵌入了实验室信息管理系统（LIMS），而不是作为一个独立工具。这意味着化学家不需要改变自己的工作习惯，系统会自动学习和建议。
不过，挑战也很明显。硬件集成仍然是个麻烦——不同品牌的设备接口不统一，数据标准缺失。Telescope 目前只支持特定几家供应商的自动化平台，拓展性还有限。另外，AI 模型对低数据量的反应类型预测准确率还有待提升，部分小众化学反应类型可能需要人工干预。
如何看待这则新闻？
对于制药行业的从业者来说，这是一个明确的信号：AI 在实验室里的渗透正在从“辅助计算”走向“物理执行”。虽然 Telescope 目前还处在早期商业验证阶段，但其获得的大厂关注说明 Physical AI 的价值已经被认可。
如果你的团队正在考虑引入实验自动化，可以关注以下几点：
- 从标准化程度高的反应入手：比如交叉偶联、酰胺化等常见反应，Physical AI 的收益最明显。
- 评估 IT 与 OT 的融合难度：确保实验室的设备能与数据平台打通，否则 AI 只能“纸上谈兵”。
- 不要忽略人的培训：化学家需要理解 AI 的局限性，才能合理分配任务。
Telescope Innovations 的故事还在继续。也许再过一两年，我们会看到更多实验室里“机械臂 + AI”的组合成为标配。那时的药物研发速度，可能会快得超乎想象。
评论
暂无评论
成为第一个评论的人