Phylo & Biomni
斯坦福「AI 生物学家」的商业化解剖

Biomni 用 20 个月做到「全球使用量最大的 AI 科学家」（Leskovec 语）。a16z 合伙人 Jorge Conde 的投资逻辑直白：用户采纳速度是他们最看重的信号，学术项目做到这种真实使用量与用户黏性极为罕见。付费产品是在既有习惯上加收费墙，而非从零获客。

Phylo 自己与 Scale Labs 合作发布的 DrugDiscoveryBench 显示：最强前沿模型也只做对约一半任务，且失败模式是「静默丢约束后给出自信的错误答案」。一旦基座模型原生具备生物工具调用能力，Phylo 的 harness 优势将被压缩。

按公开薪酬带（中位数 $300K）与 7–10 个在招岗位推算，年化人力成本已逼近甚至超过种子轮总额。叠加 SOC 2 Type 2 + ISO 27001 已到手、并招 Head of Talent 与 Recruiter，指向 A 轮融资窗口在 2026Q4–2027Q1。

第三方报告的「AI 药物发现平台市场 2034 年 $226 亿」把靶点发现即服务、分子筛选、临床试验设计平台、里程碑付款全部计入 —— 那是 Recursion / Insilico / Isomorphic 的赛道。Phylo 卖的是科学家的工作环境（席位软件），不分子资产收益。用错口径会高估 40 倍。

若 Phylo 未来能把 Biomni Lab 从工具升级为参与靶点/候选分子权益的模式，才真正进入 $226 亿口径。目前没有任何公开证据表明它在做这件事 —— 与 Ono、Chugai 的协议均被明确描述为平台部署，而非资产共同开发。

部署范围　覆盖肿瘤、免疫与炎症、神经三大核心治疗领域的发现组织
接入内容　Ono 自有发现专长与历史数据被引入智能体环境 —— 这是「区别于单纯软件许可」的关键
表态　发现与研究执行副总裁 Seishi Katsumata：「我们相信 AI 将成为药物发现的核心能力」，并强调 Ono 研究人员在评估期就快速上手
未披露　交易金额、排他性、期限、临床里程碑
Ono 的一贯模式是外部化发现：此前与 Turbine（2023）、Jorna、Congruence 均有 AI 合作。Phylo 这笔在结构上与那些「资产挂钩」交易明确不同。

部署范围　四条明确工作流 —— 单细胞分析、人类遗传学、疾病生物学、靶点评估
接入内容　Biomni Lab 在 Chugai 安全边界内连接其专有研究数据
成交归因　CEO 黄柯鑫：「Chugai 的科学家是我们开源发布后最早的一批用户」—— 开源到付费的完整转化闭环样本
需注意的利益关联　Science 论文资深作者 Aviv Regev 是 Genentech 高管并任罗氏集团执行委员会成员，而 Chugai 属罗氏集团。论文亦披露多位作者持有 Phylo 股权
这不构成不当，但作为尽调必须记录：该笔标杆交易的达成路径存在学术-产业双重身份的便利。

三条独立信号同向：
① 合规已就位 —— ISO 27001 已认证、SOC 2 Type 2 已合规，企业级销售的前置门槛全部清除
② 组织在建规模化基建 —— 同时招 Head of Talent 与 Recruiter，这是准备大规模扩编的动作，不是种子期节奏
③ 标杆客户已集齐 —— 两家上市大药厂具名背书，是 A 轮故事的完整拼图

叠加 2026-02 首次融资，典型 18 个月节奏正好落在 2026Q4。

Biomni 端到端完成协议解析、OMOP 概念映射、队列构建、混杂因素校正、效应估计 —— 把过去需要数月的人工目标试验分析变成可规模化的智能体工作流。

量化结果
· 留一交叉验证：平均绝对误差 0.567 → 0.224（降 60.5%）
· 4 项域内试验：95% 后验预测区间 100% 覆盖
· 分布外 AVERROES 试验：误差 0.379 → 0.051（降 86.5%）

新发现　模型识别出一个稳定的机构性偏移信号 —— DOAC 疗效在 Mount Sinai 真实数据中系统性衰减，这是单次仿真无法发现的系统级属性。
状态：medRxiv 预印本（2026-02），尚未同行评审。

赛事　Alzheimer’s Insights AI Prize（AD Data Initiative 主办，Gates Ventures 支持）。原定单一 $1M 奖，因提交质量突出扩为两个并列冠军、总奖金翻倍至 $2M；Biomni-AD 与 Prima Mente 同获 $1M。

团队　Stanford（Kexin Huang、Jure Leskovec）+ Mount Sinai Icahn 医学院（Kuan-lin Huang 领衔）
技术　基于精选 AD 数据湖与 180+ 专业工具，打通遗传学、单细胞、CRISPR 筛选、蛋白组、生物标记与临床数据集
交付　将通过 AD Workbench 向全球研究者免费开放，并计划成立 ADA 联盟

值得记录的个人动机：黄柯鑫公开表示自己携带 APOE 高风险基因型。

真实痛点（第三方证据）　高校中心化生信团队普遍超额认购，等待时间以月而非天计；小机构可能完全没有生信支持。结果是数据在硬盘上躺几个月，论文被拖。

他们的替代选项都很糟　自己拼教程 + ChatGPT + 半懂的 R 脚本（实测常因未校正批次效应被审稿人打回）；找自由职业者（有失联跑单的真实案例）。

付费逻辑　$50/月（学术 5 折）换掉一次 $1,000–3,800 的外部生信服务 —— 单次即回本，且不用排队。NYU Langone 的助理教授明确说：以前协调迭代请求要数天数周，现在自己就能做，已贡献于数份在准备中的基金申请。

为什么价格不敏感　单个新药平均开发成本约 26 亿美元、周期 14.6 年。相比之下，即便按 $120/座/月给上千名科学家配齐，也只是研发预算的舍入误差。

真正的采购理由是数据利用率　Chugai 与 Ono 的公开表述都指向同一件事：公司已经生成的数据正在闲置，分析师在断开的工具间反复搬运。买 Biomni Lab 是为了让存量数据变成决策依据。

决定成交的却是采纳率　Ono 与 Chugai 给出的理由高度一致 —— 「研究人员在评估期就快速上手」。不是 benchmark 分数，不是模型强弱。这说明 PLG 免费层是企业销售的前置武器，而非成本中心。

结构性难题　生信需求项目驱动、忽高忽低 —— 可能两个月爆满、三个月空闲。一个全职生信要么被压垮要么被闲置；而合格生信在学术市场也要 $80K–120K+，工业界更高，且离职率高、走了连未文档化的脚本一起带走。

Ginkgo 的公开数据点　10+ 项 cell-painting 与转录组分析，周 → 小时，且由 Ginkgo 自己的科学家验证为可发表质量。数据科学高级总监表态希望把它变成日常工具。

付费逻辑　把固定人力成本换成随用量走的变动成本。

Mount Sinai 的量化战果　在 1,200 万患者 EHR 上端到端复刻 5 项标志性抗凝试验，把过去数月的人工目标试验分析变成可批量跑的智能体工作流。

关键在于「批量」解锁了新东西　跑够多次之后，模型识别出一个稳定的机构性偏移信号（DOAC 疗效在该院真实数据中系统性衰减）—— 这是单次仿真在原理上无法发现的系统级属性。误差降 60.5%，分布外试验降 86.5%。

付费逻辑　不是省钱，是买到原本买不到的结论。这也是四类买家里唯一「增量价值」而非「替代成本」的一类。

入口节点　Jure Leskovec（Stanford CS 讲席，公开学术邮箱 jure@cs.stanford.edu）、Le Cong（Stanford 病理学）
可用共同信号　Stanford HAI Hoffman-Yee 研究基金、Stanford AI+Biomedicine 系列研讨会（黄柯鑫为联合组织者）、CS 224W 课程（他曾任首席 TA 与客座讲师）
论文共同作者网络　Michael Snyder（遗传学）、Matthew Wheeler、Jonathan Bernstein、Mengdi Wang（Princeton）、Yusuf Roohani（Arc Institute）、Marinka Zitnik（Harvard，前合作导师）
适用场景：学术合作、联合研究、数据共享、论文合作。这条路径最自然、门槛最低。

关键节点　Aviv Regev —— Science 论文资深作者、Genentech 研究与早期开发高管、罗氏集团执行委员会成员；Hanchen Wang —— 论文共同一作、Genentech 员工
已验证的效果　Chugai（罗氏集团成员）成为第二家具名大药厂客户
黄柯鑫本人的产业网络　Genentech、GSK、Pfizer、IQVIA、Flatiron Health、Dana-Farber 均有研究经历；曾在 Roche R&D Center AI Club、GSK.ai、IBM Research、Retro Biosciences 做过报告
适用场景：药厂 BD、企业级合作、供应链或渠道合作。

Lai Wei（UCSD 项目科学家）：CRISPR 筛选工作流从近 20 小时压到 30 分钟内，约 40 倍加速；更重要的是迭代变容易，能自由探索参数，瓶颈从机械执行转移到科学决策。

Ashkan Javaherian（神经科学家/生物科技高管）：Biomni 不只返回支持假设的准确文献 —— 它找到了一篇论文某张图里埋藏的、与我假设相矛盾的数据，并重新解读、帮我以从未想到的方式完善了假设。「这种批判性思维水平我在其他 AI 平台上没见过。」

Ezequiel Dantas（NYU Langone 助理教授）：以前要花数天数周协调迭代请求，现在自己就能探索数据集、检验假设、生成可发表质量分析，已贡献于数份在准备中的基金申请。

Sahin Naqvi（Boston Children’s / Harvard Med）：构建转录因子扰动与表观基因组图谱，1–2 周的工作变成引导智能体的 1 天。

按 SOM 中值 $2,300 万 ARR × 15–25× 计，3 年企业价值 $3.5 亿–5.8 亿；对当前约 $5,300 万投后估值隐含 7–11 倍。

必须问到答案的三个问题
① 3.9 万用户里的付费转化率与月留存是多少？
② Ono/Chugai 合同的金额、期限、续约条件？
③ 客户专有 skills 的沉淀量 —— 有多少客户已经无法零成本切换？

不要用 AI 制药平台的 $226 亿 TAM 做估值锚，那是错误口径（详见第 8 页）。

可以买的价值　明确定义的计算任务提速 10–40 倍（CRISPR 筛选、转录组、文献综合、图谱构建均有具名证言）
不要指望的　开放式科学判断、细致临床推理、深度生物学综合 —— Phylo 自己承认这些仍未达专家水平
合同必须写进去　① 效果验收指标（周期、命中质量）② 数据治理与不用于训练的明文承诺 ③ 模型衍生结果的 IP 归属 ④ 集成第三方组件的商业授权责任划分
起步方式　注册即得 7 天 Pro 试用、无需信用卡；先跑一个你已知正确答案的历史项目做对照

Phylo 已把技术全部公开（Science + Apache 2.0），追平架构是工程问题。真正要抄的是三件非技术动作：
① 先开源做分发，再收口变现 —— 免费层是企业销售的前置武器，两家药厂给的成交理由都是「研究人员上手快」
② 用学术信用换社区资产 —— 贡献 10 个工具换顶刊共同作者，这是这个赛道独有的低成本杠杆
③ 主动公布不好看的基准 —— 把叙事从「AI 多强」切到「你的专家知识才是关键」，反而更好卖

企业合作　contact@phylo.bio（官方明示报价入口）
学术合作　走 Stanford 导师链：Jure Leskovec / Le Cong；共同作者网络覆盖 Snyder、Wheeler、Bernstein、Zitnik、Roohani
药厂 BD　走 Genentech–罗氏轴（Aviv Regev / Hanchen Wang）—— 这条路径已被 Chugai 交易证明有效
产品与商业化议题　找创始顾问 Malay Gandhi（Benchling 前 CSO）
临床 RWE / 阿尔茨海默病　Mount Sinai 团队 + 正在筹建的 ADA 联盟
技术交流　GitHub Issues 或官方 Slack，门槛最低、响应约 1 天