前 OpenAI 科学主管的新赌局：Warp Sciences 要让机器人接管药物研发的湿实验室

过去几年，AI 做药的故事大多讲在软件层：模型筛分子、预测结合、生成候选结构，剩下的合成与测试，仍然交给人和传统实验室。10 月 22 日出现的一则融资消息，把故事推向了另一端：一家新公司不只想用 AI 挑出“值得做的化合物”，还想让机器人把“做出来并测一遍”这件事本身接过去。

据 TechCrunch 2026 年 10 月 22 日报道，前 OpenAI 科学主管 Kevin Weil 创立了 Warp Sciences，一家专注于用自动化实验室工作加速药物研发的新公司。公司已融资 2.15 亿美元，估值 8.65 亿美元——这两个数字来自 Weil 本人在 X 上的宣布，经 TechCrunch 转述，未经独立验证。本轮由 Lightspeed 领投，参投方包括 IVP、Mayfield、Lux Capital、Premji Invest 和 Menlo Ventures。先把口径钉死：这是一则简短的融资快讯（In Brief），不是深度调查；估值与融资金额是创始人自报，投资人名单是报道给出的全部信息，本文不对其做任何加码。

它到底想自动化什么

按报道的说法，Warp Sciences 训练机器人去“制造并测试研究人员认定有前景的化合物”。人类化学家的工作方式也被写得很具体：他们戴着摄像头和传感器手套做实验，机器人从中学习，目标是复现各类实验室任务。最终指向的是一个可以全天候运转的自动化湿实验室——机器人不睡觉、不换班，药物研发里的重复劳动不再被人的作息切断。

这句话里藏着两个不同的自动化层次，值得拆开。第一层是“动作自动化”：移液、称量、混合、加热、记录——把化学家双手做的事变成机器人可重复的动作。第二层是“流程自动化”：从一批候选化合物里决定先做哪几个、做到什么程度算合格、失败后如何调整下一批——这需要判断，而判断目前仍然来自研究人员。报道说的是机器人“制造并测试研究人员认定有前景的化合物”，主语仍然是研究人员先认定、机器人后执行。也就是说，Warp Sciences 现阶段赌的，是把执行层做扎实，而不是宣称 AI 已经能独立决定做什么药。这一点，恰恰是它比许多“AI 制药”叙事更克制、也更可信的地方。

“戴着摄像头和传感器手套训练机器人”这个细节同样值得注意。它走的是“示范学习”路线：不是先给机器人写死一套实验规程，而是让它看人怎么做、学人怎么做。这条路线的好处是上手快——实验室里本来就有人在做这些事，数据就在现场。坏处也同样直接：人的动作里混着大量隐性知识，什么时候该多摇两下、什么时候该停手看一眼颜色变化，这些判断很难只靠视频和手套数据完整还原。如果机器人只学会了动作的形状，没学会动作背后的“为什么”，那么它在标准流程上会很稳，一遇到异常样本、异常反应，就会暴露出理解上的断层。

为什么是“回流”，而不只是“更快”

报道给出的另一个动机，带有明显的地缘色彩：多年来，生物技术公司把合成成千上万种分子变体这种最耗人力的活，外包给中国的承包商，例如 WuXi AppTec。Weil 希望 Warp Sciences 能把这部分工作带回本土，并让整个药物研发流程免受地缘供应链风险的影响。

这里要区分“希望”和“事实”。“希望回流”是一个战略意图，不是已经实现的产能转移；“免受地缘风险影响”是一个目标，不是已经交付的结果。报道没有给出实验室选址、产能规模、首批客户、首个合作药企，也没有给出任何时间表。本文不把意图写成现状：Warp Sciences 目前公开的信息，只够支撑“它想做自动化湿实验室，并且拿到了大额启动资金”这个判断，不够支撑“它已经改变了全球药物研发供应链”这种结论。

即便如此，这个动机的分量仍然不小。药物研发的供应链问题，过去常被当作纯粹的成本问题：哪里人力便宜，就把合成外包到哪里。但当合成能力集中在少数地区、少数承包商手里时，它就变成了一个韧性问题：地缘波动、出口管制、物流中断，任何一环出问题，都会直接卡住研发管线。Warp Sciences 的打法，是把“韧性”本身做成产品卖点——不是承诺更便宜，而是承诺更可控、更贴近研发主体、更少受外部变量摆布。这套说辞能不能兑现，取决于自动化实验室的真实通量和成本，而不是融资新闻稿的语气。

2.15 亿美元与 8.65 亿美元，到底在为什么买单

一家刚公开亮相的公司，首轮就拿到 2.15 亿美元、估值 8.65 亿美元，这个数字本身就是一个判断：投资人买的不是一个已经跑通的业务，而是一条“必须用重资产才能验证”的假设。软件公司可以先做一个最小可用产品、找几个种子用户、再决定要不要扩；湿实验室自动化不行——机器人、实验室场地、安全合规、化学品管理，每一项的前置成本都不低，没有大额启动资金，连验证假设的场地都搭不起来。

这也意味着，Warp Sciences 的风险结构与典型的 AI 软件创业完全不同。软件创业失败，往往是“没人用”；硬件加实验室创业失败，往往是“做出来了，但通量、良率、成本三者总有一项对不上账”。机器人能连续做 100 个反应，不等于能连续做 10,000 个反应且每个都可复现；能复现标准反应，不等于能处理真实研发里层出不穷的异常；能处理异常，也不等于单位成本低于成熟的外包体系。投资人现在付的钱，买的是把这三个问号逐一验算的机会，而不是已经验算完的答案。

还有一点需要提醒：创始人光环在这里既是资产，也是干扰。Kevin Weil 的履历——前 OpenAI 科学主管——确实说明他见过前沿 AI 是如何组织研发的。但组织软件研发与组织湿实验室，是两种不同的管理能力：前者面对的是代码、算力和数据，后者面对的是化学品、生物安全、设备维护和实验人员的职业安全。把前者的成功经验直接平移到后者，是这家公司最需要警惕的思维惯性。报道没有披露 Warp Sciences 的实验室负责人、化学与自动化团队构成，这些人的背景，才是判断它能不能把机器人真正放进实验室的关键信息，而不是创始人一个人的头衔。

AI 制药叙事正在分叉

把 Warp Sciences 放回更大的图景里看，它标志着 AI 制药叙事的一次分叉。过去的主流叙事是“软件吃掉研发前端”：模型负责发现，实验室负责执行，两者之间有一道清晰的分工线。Warp Sciences 想要模糊这道线：模型挑出来的候选，不再排队等人工合成，而是直接进入自动化执行队列。如果这条路走得通，药物研发的瓶颈就会从“想不出好分子”转向“做不完、测不完”——而后者，恰恰是机器人最擅长解决的问题。

但分叉也意味着，评价标准必须跟着换。对软件型 AI 制药公司，人们问的是“模型准不准、筛得快不快”；对 Warp Sciences 这样的公司，人们应该问的是另一套问题：单位时间能完成多少个合成与测试循环？失败率和复现率是多少？异常情况下的停机与人工干预频率？单次实验的全成本与外包报价相比如何？安全事故与化学品泄漏的防控做到什么程度？这些问题，融资快讯一个都没回答。它们不是对公司的苛求，而是这类公司必须接受的、来自行业的正常审视。

从更广的视角看，Warp Sciences 也呼应了一个正在成型的趋势：AI 的下一个战场，不只在屏幕里，也在物理世界里。机器人、实验室、工厂、仓库——这些地方的自动化，过去受限于“动作不够灵活、判断不够可靠”；现在，示范学习与视觉感知让机器人第一次有可能“看着人做、学着人做”。如果湿实验室能被部分自动化，那么同样的范式迟早会伸向材料合成、农业实验、环境检测等其他“动手密集型”的科研领域。Warp Sciences 的价值，也许不在于它最终做出哪款药，而在于它验证了“示范学习的机器人能不能进实验室”这个更通用的问题。

给关注者的三条观察线

第一，看“通量”而不是看“演示”。一段机器人流畅操作的视频，证明不了什么；真正有说服力的，是连续运行下的通量、良率与成本曲线。Warp Sciences 下一次值得认真对待的披露，应该是可复现的运行数据，而不是又一轮融资。

第二，看“异常处理”而不是看“标准流程”。实验室的真实日常，大部分时间都在处理偏离：反应没按预期走、设备报警、样本污染、结果互相矛盾。机器人能不能识别异常、能不能安全停机、能不能把异常信息完整留给人类复核，决定了它到底是生产力，还是一个新的风险源。

第三，看“团队构成”而不是看“创始人头衔”。湿实验室自动化需要三类人同时在场：懂化学的人、懂机器人的人、懂实验室安全与合规的人。缺了任何一类，项目都会在某个意想不到的地方卡住。下一轮关于 Warp Sciences 的报道，最值得读的部分，很可能是它的招聘名单和实验室负责人背景。

我们还不知道什么

同样因为这是一则简短快讯，大量关键信息目前是空白：实验室的位置与规模、首批客户或合作方、首个进入自动化流程的疾病领域或分子类型、机器人平台是自研还是采购、预计何时产出第一批可验证的实验数据、以及 2.15 亿美元的具体用途分配。本文不填补这些空白——猜测一家刚亮相公司的内部计划，对读者没有任何帮助。

一句话总结：Warp Sciences 值得关注，不是因为它融了 2.15 亿美元，而是因为它把 AI 制药的问题往前推了一步——从“模型能不能想出好药”，推向“机器人能不能把药做出来、测出来”。前者已经有很多人做，后者才刚刚开始有人愿意花大钱验证。融资给了它验证的时间，验证本身，才刚刚开始。

机器人进实验室，并不是第一次

“让机器做实验”这个想法本身并不新。制药与生物实验室里，移液工作站、自动分液仪、高通量筛选平台已经存在多年。它们解决的是“把一个固定动作重复一万次”的问题，而且解决得相当好。Warp Sciences 想要解决的，是更难的一层：动作不是固定的，流程不是写死的，实验对象每天都在变。

这两者的差距，类似于“流水线”与“学徒”的差距。流水线擅长重复，学徒擅长应变。传统实验室自动化是流水线思维：先把流程标准化，再把标准化流程交给机器。它的天花板，是流程本身能不能被标准化。Warp Sciences 的示范学习路线，是学徒思维：先让机器看人怎么做，再让它在变化中模仿。这条路线的天花板更高，但门槛也更高——学徒学坏了，比流水线停工更危险，因为它会在“看起来会做”的状态下持续产出错误结果。

这个区分，也解释了为什么“机器人进实验室”过去屡屡停留在演示阶段。演示通常选的是最标准、最干净的流程：固定试剂、固定浓度、固定步骤，机器人当然做得漂漂亮亮。真实研发的日常，恰恰是反演示的：试剂批次变了，样品状态变了，仪器漂移了，实验目的中途改了。Warp Sciences 能不能跨过演示阶段，取决于它处理“非标准”的能力，而不是处理“标准”的流畅度。投资人现在付的钱，某种程度上就是在为“非标准”这部分的验证买单。

投资人名单能读出什么，又不能读出什么

Lightspeed 领投，IVP、Mayfield、Lux Capital、Premji Invest、Menlo Ventures 参投——这份名单里既有擅长企业软件与基础设施的机构，也有覆盖面很广的综合型基金。能读出的信息是：这轮融资不是某一家机构的单点押注，而是多家机构对“AI 加机器人加生命科学”这个交叉方向的共同兴趣。不能读出的信息是：这些机构各自看中了什么、估值是如何谈出来的、以及它们对 Warp Sciences 的技术路线有没有分歧。融资名单是公开信号，不是尽调报告，把名单解读成技术路线的背书，是过度解读。

还有一点值得提醒：2.15 亿美元在生命科学领域，并不像在软件领域那样“够烧很久”。实验室场地、机器人采购与维护、化学品与耗材、安全合规、专业人员薪酬，每一项都是持续支出。如果 Warp Sciences 的验证周期比预期长一倍，它的资金消耗速度也会比软件公司快得多。下一轮融资的谈判桌上，投资人不会再问“故事够不够大”，而是会问“上一轮的钱，换来了多少可复现的实验数据”。这是所有重资产科学创业共同的时钟，Warp Sciences 也不例外。

如果成功，研发组织会变成什么样

假设 Warp Sciences 的路线最终跑通，变化的将不只是“实验做得更快”，而是研发组织的形态本身。今天的药物研发组织，是围绕“人”排班的：研究员白天做实验，晚上仪器停着，数据第二天再分析。如果机器人可以全天候运转，组织就会围绕“实验队列”排班：研究员的工作重心，从“亲手做实验”转向“设计实验、解读结果、决定下一批做什么”。

这种转变对人才结构的影响是双向的。一方面，初级研究员花在重复操作上的时间会减少，有更多时间做判断性工作；另一方面，“会做实验”这项基本功的训练机会也会减少，新一代研究员可能更擅长设计实验，却更少亲手感受过反应过程中的异常与手感。这不是反对自动化，而是提醒：自动化改变的不只是效率，还有组织的知识传承方式。当“手感”不再通过亲手操作传递时，它必须通过别的方式被记录下来——数据日志、异常案例库、机器人示范数据——否则，组织会在效率提升的同时，悄悄丢失一部分隐性知识。

更进一步，如果多家公司的湿实验室都被自动化，并且实验数据开始以机器可读的格式积累，那么“实验”本身就有可能变成一种可组合、可复用的资产：A 公司的失败实验数据，能不能帮助 B 公司避开同样的坑？在什么规则下可以共享？这已经超出了 Warp Sciences 一家公司的范畴，指向的是整个行业数据基础设施的问题。但所有这些远景，都建立在一个前提之上：第一家把机器人真正放进实验室、并且跑出可复现数据的公司，先出现。Warp Sciences 正在争取成为这家公司，但争取不等于已经是。