纯数字空间的AI分子预测跑得再快，新药研发最终还是要撞上一堵物理高墙：湿实验（Wet Lab）。
2026年10月22日，前OpenAI首席产品官兼科学负责人Kevin Weil正式公开新公司Warp Sciences。这家处于极早期阶段的初创企业，宣布完成高达2.15亿美元的A轮融资，投后估值直接推升至8.65亿美元。本轮由Lightspeed领投，投资方还拉来了IVP、Premji Invest、Lux Capital、Mayfield和Menlo Ventures等硅谷一线机构。除Weil之外，联合创始人名单中还包括原白宫首席数据科学家DJ Patil，以及Manohar Paluri和Sol Reisberg。
这笔高额融资背后押注的逻辑很直白：让真人化学家戴上摄像头和传感器手套操作，收集示教数据，再训练通用机械臂来全天候合成并测试化合物。Weil公开主张借此重塑药物研发流程，将长期外包给海外CXO公司的繁复合成工作拉回本地。
然而，在连一座实体商业化实验室、每日样品通量或客户基准测试都没拿出来的阶段，资本就给出了准独角兽的定价。与其说这是具身智能在生物医药领域的重大突破，不如说是硅谷将大模型叙事硬套到物理世界时的一次激进下注。
具身智能的手套，解不开化学实验的细活
Warp Sciences的技术构想建立在目前最火热的具身智能（Embodied AI）范式之上。
传统实验室自动化依赖大型液体处理工作站，需要定制治具、标准化微孔板和极其严苛的管路控制。Warp想走一条捷径：让人类实验员佩戴触觉手套与第一人称视像设备，将每一个开盖、分液、搅拌和称量的动作数字化，再借助模仿学习把这些操作泛化到机械臂上。
这一设想在计算机视觉和人型机器人Demo里很赏心悦目，但放在真实的有机合成场景中，面临着截然不同的物理约束。
化学实验不是在固定工位拧螺丝。微量液体的表面张力、溶液粘度随温度的微小波动、反应容器的气密性要求，以及实验过程中不可避免的结晶堵塞或突发溢出，对容错率提出了极苛刻的标准。手套能记录下人类手指的运动轨迹，却无法自动让机械臂拥有老练实验员感知溶液阻力、微调倒液角度的触觉直觉。把一个在结构化数据中训练的端到端策略，扔进充满不可预测状态的化学台架，系统脆性往往会成倍放大。
云实验室的十年旧账与商业化现实
在Warp之前，所谓“云端全自动实验室”并不是新鲜概念。老牌玩家踩过的坑，至今仍清晰可见。
Emerald Cloud Lab（ECL）已经深耕多年，搭建了覆盖200多类仪器的庞大远程操作机房，其公开的初创企业订阅基准就达到30,295美元/月。即便在如此重资产的积累下，ECL官网上的复杂有机化学与分子合成模块，依然长期处于即将推出的待定状态。
另一家同赛道代表Strateos，其高通量筛选能力号称达到每日100,000个化合物，单月最高能完成超120万个化合物筛选。但这种惊人通量仅局限于特定、标准化的筛选流程，一旦涉及端到端分子的自主设计与湿法合成，现存系统全都会退回需要人类博士介入干预的半手动模式。
自动化流水线擅长处理千篇一律的筛查，却在充满变量的合成面前寸步难行。
药企之所以将大量合成业务外包给传统巨头，是因为化学合成本质上是一个兼顾成本、灵活性与高度容错的劳动力密集型网络。试图通过具身机械臂一举跳过这些繁琐的物理限制，不仅低估了专用仪器的工程壁垒，也低估了真实工业管线的转换成本。
A-Lab的教训：比动手更难的是看懂结果
退一步讲，即便机器人真能做到动作精准无误，实验室自动化的真正杀手，从来不是移液本身，而是对实验结果的科学判读。
学术界早有前车之鉴。伯克利团队的完全自主材料实验室A-Lab，曾在2023年于Nature刊文，宣称在17天内全自动合成了数十种全新材料。然而到了2024年，PRX Energy发表针对性论文，指出A-Lab的核心自动化分析系统对其X射线衍射（XRD）数据存在严重误判，其识别出的所谓成功产物大多名不副实；Nature最终在2026年1月正式刊发了更正。
这一波折揭开了一个让科研界警惕的现实：合成出物质是一回事，确认它到底是什么是另一回事。2024年ChemRxiv针对102位研究者的调研清晰表明，科学家对全自主实验室最大的顾虑，不在于机械臂能否开盖、移液，而在于自动化系统在假设生成、目标设定和数据判读上的不可靠。
机器人做得越快，一旦判读模型发生系统性偏移，其制造垃圾数据的速度也就越快。
检验神话的三大约束
在AI叙事日趋饱和的当下，投资人需要新的实体落地标的，而具身智能恰逢其时地接过了这个接力棒。Kevin Weil在OpenAI积累的光环，加上供应链脱钩的地缘政治叙事，共同促成了这起令人咋舌的A轮融资。
但这套逻辑想要在商业世界真正成立，必须跨过三个硬指标：
其一是化合物交付成功率，机器人在无人类介入下合成复杂分子的良率，必须能与成熟外包化学家团队匹敌；其二是单样品全生命周期成本，包含硬件折旧与维护，能否低于现有服务采购价；其三则是质检环节的人工干预率，如果在数据分析端仍然离不开一群高薪博士天天盯盘纠错，那所谓全自动不过是将人工成本换了个马甲。
- 风险.若机械臂只是在镜头前表演优雅的移液，而在数据判读端漏洞百出，这种自动化生产出来的只会是高昂的科研副产物。
天下难事必作于易，天下大事必作于细。湿实验的复杂性隐藏在每一滴溶剂的微观动态里。Warp Sciences拿到了极其充足的筹码，但在这张昂贵的赌桌上，能够决定胜负的从不是算法参数量，而是真实的物理世界。