Das KI-Unternehmen, das eine weitere Finanzierung von 100 Millionen US-Dollar abgeschlossen hat, behauptet, dass AlphaFold nicht die Obergrenze der biologischen Welt ist.
Text | HU Xiangyun
Redaktion | HAI Ruojing
Im August 2026 wird es für ein Unternehmen, das KI nur zur „Kostensenkung und Effizienzsteigerung“ einsetzen möchte, schwierig sein, den größten Nutzen aus der KI zu ziehen.
Diese Ansicht, die von ZHAO Wei'an, dem Gründer von Aureka, geäußert wird, widerspricht in gewisser Weise der allgemeinen Erwartung. Schließlich war „Kostensenkung und Effizienzsteigerung“ in den letzten Jahren das gängigste Muster für KI-Pharmazeutika-Unternehmen. Er räumt ein, dass KI in der aktuellen Phase tatsächlich ein Spiel mit „gestiegenen Kosten und verringerter Effizienz“ ist: KI-Talente, Rechenleistung und experimentelle Validierung sind teuer; in großen traditionellen Pharmazeutika-Unternehmen kann die Gewährung höherer Entscheidungsbefugnisse für KI zudem zusätzliche organisatorische Reibungen verursachen.
Aber heute ist die Leistungsfähigkeit der KI bereits ausreichend stark. Das Scaling Law, das sich bei biologischen Grundmodellen und anderen zeigt, lässt die Branche die Möglichkeit sehen, dass „wissenschaftliche Entdeckungen“ die Obergrenze der Intelligenz anheben. „Die Fähigkeiten der KI im Bereich des Makromoleküldesigns haben sich enorm verbessert und übertreffen die Vorstellungskraft der Menschen – nur hat noch niemand das volle Potenzial der Modelle ausgeschöpft.“
Die Entwicklung von Grundmodellen und die Neugestaltung von Plattformen könnten in Zukunft dazu führen, dass differenzierte Moleküle in Massenproduktion entstehen. Wenn der Wert dieser Vermögenswerte die in der Anfangsphase investierten Mittel decken kann, bedeutet dies, dass die neuen Spielregeln von AI4S (AI for Science) neu geschrieben werden.
Im Jahr 2026 strömt das Kapital erneut in den Bereich AI4S. In dieser neuen Welle ist Aureka ein „junger Teilnehmer“, der vom Kapital ausgewählt wurde.
Exklusiv von Waves erfahren: Kürzlich hat Aureka eine weitere Serie-B-Finanzierung in Höhe von insgesamt 100 Millionen US-Dollar erhalten. Die erste Runde wurde exklusiv von Granite Asia (ehemals GGV Capital Asia) investiert; die nachfolgenden Runden wurden von bekannten industriellen Investoren angeführt, gefolgt von Hunhui Fund, Qiming Venture Partners, Matrix Partners China und New Alliance Capital sowie anderen bestehenden Aktionären, die ihre Beteiligungen aufstockten. Seit der Bekanntgabe der A+-Finanzierung in Höhe von 35 Millionen US-Dollar sind nur etwas mehr als drei Monate vergangen.
ZHAO Wei'an absolvierte seine Postdoktorandenforschung an der Harvard Medical School, wurde anschließend zum ordentlichen Professor mit lebenslanger Anstellung an der University of California, Irvine, und ist zudem ein Serienunternehmer.
Nach der Gründung von Aureka im Jahr 2023 baute ZHAO Wei'an gemeinsam mit dem für KI zuständigen Mitbegründer eine generative KI-Plattform und eine Hochdurchsatz-Plattform für digitale Biologie auf, die KI-Design und Nass-Experimentvalidierung zu einem geschlossenen Kreislauf verbinden. Nach Angaben des Unternehmens generiert dieses System Einnahmen in Höhe von mehreren zehn Millionen US-Dollar und hat eine Reihe von Kandidaten-Medikamenten-Pipelines hervorgebracht.
Aber er gibt sich nicht damit zufrieden, das Unternehmen als „KI-Biotech“ zu definieren.
Ende letzten Jahres investierte Aureka Rechenleistung im Skalemaßstab von tausend Kernen, um das biologische Grundmodell AuraIDE zu entwickeln. Im Juli dieses Jahres wurde die Open-Source-Funktion zur Modellierung biologischer Strukturen von OpenDDE veröffentlicht. ZHAO Wei'an bezeichnete diese Open-Source-Veröffentlichung als eine „Identitätsbestätigung“, um an dem globalen Wettbewerb um biologische Grundmodelle teilzunehmen.
Wie sollen diese 100 Millionen US-Dollar ausgegeben werden? Kann KI von einem Hilfswerkzeug zu einem entscheidenden Entscheidungsträger in der Forschung und Entwicklung werden? Wie lässt sich erkennen, welche Unternehmen für neue Medikamente KI-nativ sind?
Anlässlich dieser Finanzierung haben wir mit ZHAO Wei'an über die neuen Werte und alten Geschichten gesprochen, die er beobachtet hat. Hier ist das Gespräch (redigiert):
AI4S wird zuerst auf dem Gebiet der neuen Medikamente umgesetzt
Waves: In den letzten sechs bis sieben Jahren haben KI-Pharmazeutika und KI-neue Materialien mindestens zwei Wellen von Boom erlebt, bei denen heißes Kapital kam und wieder ging. In diesem Jahr ist AI4S zu einem kleinen Hotspot der Investitionen auf dem chinesischen Primärmarkt geworden. Was ist der Grund für die erneute Erwärmung des Sektors?
ZHAO Wei'an: Der Kern liegt in dem Durchbruch der KI-Fähigkeiten, es gibt keinen anderen Grund.
Aus technischer Sicht sind große KI-Modelle sowohl in den USA als auch in China die Hauptinvestitionslinie des Marktes. Da die Hürden für Investitionen in allgemeine große Modelle immer höher werden, müssen Investmentinstitute zwangsläufig andere Chancen in der KI-Industriekette erschließen. AI4S ist ein hochwertiges Anwendungsgebiet mit praktischer Umsetzbarkeit, und die Durchbrüche im Bereich der Wissenschaft selbst werden die Intelligenzobergrenze der KI-Grundmodelle anheben. Aus diesen beiden Gründen ist AI4S derzeit die beste Investitionsrichtung.
Die Pharmazeutika-Industrie ist eine besondere Anwendung innerhalb von AI4S. Die Pipeline-Transaktionen zwischen multinationalen Pharmazeutika-Unternehmen und Biotechs sowie das Modell der Börsennotierung von Vermögenswerten sind sehr ausgereift und können nach „Forschungsmeilensteinen“ bewertet werden, ohne auf einen extrem langen Zyklus warten zu müssen. Im Jahr 2025 hat die Welle der BD-Lizenztransaktionen für innovative Medikamenten-Pipelines den Investmentinstituten die Chance gezeigt, dass KI im Pharmazeutika-Bereich einen geschlossenen wirtschaftlichen Kreislauf abschließen und Kapitalausstiege realisieren kann.
Waves: Haben die technischen Durchbrüche der KI die großen Pharmazeutika-Unternehmen dazu veranlasst, eher mit KI-nativen Unternehmen zusammenzuarbeiten?
ZHAO Wei'an: Seit Ende 2025 hat sich das Verständnis der globalen Pharmazeutika-Unternehmen für die KI-Technologie stark verändert.
Früher hatten wir das Gefühl, dass die Pharmazeutika-Unternehmen sehr vorsichtig waren, wenn es um tiefe Kooperationen mit KI-Unternehmen ging, aber im letzten Jahr hat die Branche das Scaling Law, das sich bei biologischen Grundmodellen zeigt, zunehmend anerkannt: Je leistungsfähiger das Modell ist, desto besser sind die Ergebnisse bei der Genauigkeit der Strukturvorhersage und der Differenzierung generierter Kandidatenmoleküle. Dies wird auch dadurch bestätigt, dass Unternehmen wie Isomorphic Labs und Chai Discovery nacheinander Kooperationen mit multinationalen Pharmazeutika-Unternehmen abschließen.
Waves: Früher waren die großen Pharmazeutika-Unternehmen bei der Anwendung von KI sehr vorsichtig – welche Bedenken hatten sie hauptsächlich?
ZHAO Wei'an: Nach unserer Wahrnehmung haben große Pharmazeutika-Unternehmen schon immer eine starke Angst vor der praktischen Umsetzung von KI. Sie möchten wissen, wie KI die Branche verändern kann. Aber sie wollen nicht, dass diese Veränderung zu viel Aufwand erfordert. Wenn die Umsetzung von KI die Organisationsstruktur des Unternehmens beeinflussen oder die bestehenden Forschungs- und Entwicklungsabläufe verändern würde, gäbe es große Widerstände.
In den vergangenen Jahren war die Erfahrung einiger großer Pharmazeutika-Unternehmen mit der Nutzung von KI nicht gut, weil sie es mit der Mentalität der „Kostensenkung und Effizienzsteigerung“ betrachteten. Tatsächlich ist die Kontrolle der Forschungskosten bei chinesischen Pharmazeutika-Unternehmen bereits extrem ausgereizt.
Zum Beispiel: Wenn die Mindestkosten für einen bestimmten Schritt 2 Millionen US-Dollar betragen, haben die großen Pharmazeutika-Unternehmen sie bereits auf 2,2 Millionen US-Dollar gedrückt. Der „Überhang“ des gesamten Ablaufs beträgt nur 200.000 US-Dollar. Wenn ein KI-Unternehmen für das Pharmazeutika-Unternehmen nur diese 200.000 auf 100.000 US-Dollar senken kann, ist der Wert für das Pharmazeutika-Unternehmen begrenzt. Und in der aktuellen Situation, in der KI-Talente und Rechenleistung teuer sind, kann dies auch die Ertragserwartungen des KI-Unternehmens nicht erfüllen.
Im Wesentlichen ist KI kein Spiel der „Kostensenkung und Effizienzsteigerung“. Kurzfristig wird es sogar „Kosten steigern und Effizienz verringern“. Der Schlüssel liegt darin, ob KI kontinuierlich hochwertige Vermögenswerte erzeugen kann, die aus dem traditionellen Forschungssystem kaum entstehen können, und die zusätzlichen Kosten der Anfangsphase durch langfristige Einnahmen zu decken. Das ist der Kern des Spiels.
Waves: Die kurzfristige „Kostensteigerung und Effizienzverringerung“ wird viele Unternehmen davon abhalten, sich in KI zu engagieren. Was bedeuten die neuen Spielregeln?
ZHAO Wei'an: Das bedeutet, dass wir Produktionsverhältnisse brauchen, die besser den Anforderungen der KI-Produktivität entsprechen. Neue Formen der Organisationsführung, neue Geschäftsmodelle auf Basis von Modelllizenzen und gemeinsamer Produktentwicklung und so weiter.
Waves: Wie lässt sich der KI-Nativitätsgrad eines Unternehmens beurteilen?
ZHAO Wei'an: Zumindest in der frühen Forschungsphase kann man darauf achten, wie groß der Anteil der KI an wichtigen Entscheidungen ist.
Die Forschungs- und Entwicklungskette für niedermolekulare Medikamente ist lang und erfordert die Zusammenarbeit von KI-Mitarbeitern, pharmazeutischen Chemikern und Biologen. Die von der KI entworfenen Moleküle müssen von pharmazeutischen Chemikern synthetisiert und anschließend validiert werden, was viele Zwischenschritte erfordert. Die Koordinationskosten für die drei Parteien sind hoch, sodass das KI-Team die Entscheidungen kaum dominieren kann.
Bei Makromolekülen wie Antikörpern lässt sich dies relativ leicht lösen: Es gibt keinen chemischen Syntheseschritt, und die Kernkette kann auf zwei Teile vereinfacht werden: KI-Moleküldesign und Nass-Experimentvalidierung. Die KI kann leichter einen geschlossenen Kreislauf mit den Nass-Experimenten bilden und eignet sich besser für die Einrichtung einer von KI dominierten Forschungs- und Entwicklungsarchitektur.
Ein intuitiver Indikator ist die Namensnennung in Patenten. Bei traditionellen Pharmazeutika-Unternehmen stehen die Biologie- und Chemieteams an vorderster Stelle bei den Patenten für Medikamente. Aber bei KI-Unternehmen wie uns stehen die KI-Algorithmen-Entwickler direkt als erster und zweiter Erfinder in den Kernpatenten für Medikamente.
Es ist sehr wichtig, mit dem KI-Design zu beginnen und dazu passende Nass-Experiment-Systeme und Forschungsarchitekturen zu schaffen. Wenn keine den KI-Anforderungen entsprechende Produktionsverhältnisse gebildet werden und man weiterhin nur die „Kostensenkung und Effizienzsteigerung“ für die traditionelle Forschung verfolgt, könnte die Branche in Zukunft wieder in ein Tief geraten.
Open-Source-Grundmodell: „An den Spieltisch treten“
Waves: Aureka wurde 2023 gegründet, und die von KI entwickelten Antikörpermoleküle haben bereits lizenzierte Einnahmen in Höhe von mehreren zehn Millionen US-Dollar generiert. Nachdem die KI-Pharmazeutika-Plattform erfolgreich betrieben wurde, warum hat man Ende letzten Jahres Rechenleistung im Skalemaßstab von tausend Kernen investiert, um ein biologisches Grundmodell zu entwickeln?
ZHAO Wei'an: Nachdem der geschlossene Kreislauf aus generativem Modell und Hochdurchsatz-Plattform für digitale Biologie funktioniert hat, haben wir uns die Frage gestellt: Wo liegt die Obergrenze dieses geschlossenen Forschungsablaufs?
Analog zum Automobilbau: Unsere frühe Arbeit glich dem Bau einer Automobilproduktionslinie. Jetzt geht es darum, bessere Konstruktionspläne für Autos zu zeichnen.
In den letzten zwei Jahren haben wir das KI-Design und die Nass-Experimentvalidierung verbunden und einen geschlossenen Kreislauf gebildet, der die Zielstrukturanalyse, das Moleküldesign und mehrere Runden von Experimentvalidierung abdeckt. Dieses System hat eine Reihe von Medikamentenvermögenswerten hervorgebracht; die Kooperationen zur Entwicklung von Antikörpermedikamenten mit europäischen und amerikanischen Pharmazeutika-Unternehmen haben Einnahmen in Höhe von mehreren zehn Millionen US-Dollar generiert, was zeigt, dass diese „Produktionslinie“ funktioniert.
Aber was die Produktionslinie herstellen kann, hängt von den „Konstruktionsplänen“ ab, die das Modell liefert. Da auch biologische Grundmodelle dem Scaling Law folgen, kann die weitere Verbesserung der Modellleistung die Obergrenze des gesamten Forschungssystems anheben. Aus diesem Grund haben wir Ressourcen für einen Rechencluster von tausend Kernen investiert, das biologische Grundmodell AuraIDE auf Basis proprietärer Daten zur Protein-Koevolution selbst entwickelt und im Juli die Open-Source-Version OpenDDE veröffentlicht.
Waves: Kommerzielle Unternehmen neigen normalerweise dazu, ihre Modelle geschlossen zu halten – warum haben Sie sich entschieden, OpenDDE als Open Source zu veröffentlichen?
ZHAO Wei'an: Im Bereich AI4S wird die Veröffentlichung eines reproduzierbaren Modells, das öffentlichen Bewertungen standhält, ein ganz anderes Maß an Branchenvertrauen und Einfluss schaffen.
Für Aureka ist die Open-Source-Veröffentlichung auch eine Identitätsbestätigung. Früher neigte die Öffentlichkeit dazu, uns als ein KI-Biotechnologieunternehmen zu betrachten, da wir die Medikamentenforschung und die Pipeline-Lizenzierung als unser Kerngeschäftsmodell betrachten.
Aber jetzt möchten wir der Branche ein Signal senden: Aureka entwickelt ernsthaft Grundmodelle und ist bereit, an dem globalen Wettbewerb um biologische Grundmodelle teilzunehmen.
Aus diesem Grund haben wir OpenDDE, das auf Open-Source-Daten trainiert wurde, als Open Source veröffentlicht. Sein Trainingsdatensatz und die Datenaufteilungsregeln stimmen mit denen von biologischen Berechnungsmodellen wie AlphaFold3 und Boltz überein, und durch innovative Algorithmenarchitektur und Rechenleistungssteuerung wurde die Leistung verbessert. Zum Beispiel ist die Vorhersagegenauigkeit von OpenDDE bei der Vorhersage von Antigen- und Antikörperstrukturen im Vergleich zu AlphaFold3 um etwa das 1,5-fache gestiegen.
Das Open-Source-OpenDDE deckt nur die Modellierung biologischer Strukturen ab, was ein Glied in der gesamten Forschungskette für Medikamente ist. Selbst wenn es vollständig als Open Source veröffentlicht wird, beeinträchtigt dies nicht die Kernkompetenz des Unternehmens. Auf der Nachfrageseite ist das Angebot an biologischen Grundmodellen in der aktuellen Open-Source-Community knapp. Seit der Veröffentlichung von AlphaFold3 im Jahr 2024 gibt es weltweit nur ein oder zwei Open-Source-Modelle, die eine deutliche Leistungssteigerung erreichen. Es schadet also nicht, diese Fähigkeit allen zur Verfügung zu stellen.
