Potential Sciences获八位数融资，用物理定律重构AI药物发现

编辑丨%

11 月 5 日，英国 AI 化学初创公司 Potential Sciences 正式走出隐身状态，宣布完成一轮八位数融资。投资方包括英国政府的 Sovereign AI Fund、Twin Path Ventures、Nauta Capital 等机构，以及 Stripe 联合创始人 Patrick Collison 等天使投资人。

根据报道，Potential Sciences 采用了一种全新的模型，专注于物理基本定理而非死板依赖实验数据。这可能使设计化学品所需的人工智能计算成本比目前低 100 倍。

公司官网： https://potentialsciences.com/

用物理计算扩充化学训练数据

Potential Sciences 由 Hatem Helal 创立，总部位于剑桥。其核心思路是：不再主要依靠已有实验结果训练化学 AI 模型，而是从原子和分子层面的物理规律出发，通过量子化学计算生成大规模数据，再用这些数据训练模型，预测分子行为及相互作用。

传统 AI 药物研发高度依赖实验积累的数据，例如蛋白质结构、分子结合和药物活性记录。但实验成本高、周期长，公开数据库也难以覆盖庞大的化学空间。Potential Sciences 认为，计算模拟可以提供另一种数据来源，让模型学习到更多分子组合及其相互作用，甚至包括实验研究中较少公开的失败结果。

图示：Isambard-AI 的实际服务器机柜。

为了获得更好的模拟效果，英国政府还将通过国家级 AI Research Resource，为公司提供超算资源，包括布里斯托尔的 Isambard-AI 超级计算机。

公司成员受训于加州理工学院、剑桥与欧洲核子研究中心（CERN），曾为 Graphcore、Recursion 和 Dayhoff Labs 开发用于科学领域的 AI。

将量子化学计算搬到 GPU 上

为了打破生成数据的成本瓶颈，公司重新设计了量子化学计算软件，使其能够更充分地利用 GPU 算力。投资方披露，公司称其计算引擎能够以比传统实现低 100 倍的成本运行高精度 CCSD(T) 计算，目标是将过去只能负担数千次的计算扩展到数百万个分子。

这些数据将用于训练公司的首批原子尺度基础模型（atomistic foundation models），学习原子如何相互作用，并通过计算而非实验室时间改进。对于药物发现团队来说，这意味着在下单一次检测前，必须知道哪些分子值得制造，它们能多强地结合，以及是否会接触到不该碰到的蛋白质。

公司目前聚焦小分子药物研发，重点包括先导化合物优化、化学反应预测和共价药物设计。它希望模型能够在候选分子进入实验室之前，预测其结合能力及潜在的非预期相互作用，帮助研发团队更早淘汰不合适的分子。长期来看，这套技术还希望延伸至催化剂、酶和材料设计。

扩大模型与数字基础

这轮融资将用于扩大研究团队、扩展计算数据集和训练首批模型。Potential Sciences 目前尚未公布具体融资金额和估值。WIRED 将这轮种子融资描述为数千万美元级别；投资方则以八位数融资及算力支持对外公布。公司还没有确定最终商业模式，也未说明模型是否会开放使用。

这家公司将试图打破 AI 药物发现长期面临的数据瓶颈，但目前仍处于早期阶段。模拟数据能否准确反映真实分子环境、模型能否可靠预测蛋白质结合行为，都需要进一步验证。

Potential Sciences 接下来需要证明的，是物理模拟生成的数据能否持续转化为可靠的药物研发预测能力。如果这条路线成立，其价值可能不只是加速现有药物筛选，还包括让过去因实验成本过高而难以探索的化学问题变得可计算、可研究。

相关链接： https://www.nautacapital.co/news-insights/potential-sciences-eight-figure-round

https://www.gov.uk/government/news/sovereign-ai-puts-cash-and-compute-behind-uk-startup-using-ai-to-redefine-chemistry