Über 3 Milliarden US-Dollar strömen wild herein, und Physical AI durchbricht gerade das Dach der KI-gestützten Arzneimittelentwicklung.

In letzter Zeit taucht das Wort „Physik“ immer häufiger in den Erzählkontexten von AI4S und der Pharmaindustrie auf.

Besonders im letzten halben Jahr wetteifern Startups, deren Geschäftsaktivitäten den Ober-, Mittel- und Unterlauf von AI4S abdecken, darum, die Erforschung der physischen Welt in ihre Finanzierungsdokumente aufzunehmen. Im August 2026 schloss Transfyr unmittelbar nach seiner Gründung eine Seed-Finanzierungsrunde über 25 Millionen US-Dollar ab, wobei die Bezeichnung „Physical AI Platform for Science“ im Titel der Finanzierungsnachricht aufgeführt wurde. Im Inland schloss Shuye Technology im September eine Pre-A-Finanzierungsrunde ab und schrieb ebenfalls die Entwicklung selbststeuernder Labore mit „Physical AI“ in den Titel der Finanzierungsmitteilung. Jindu Bio, das im Juni eine A-Runden-Finanzierung von fast 100 Millionen Yuan erhielt, betonte ebenfalls deutlich im Nachrichtentitel, dass es das Paradigma der biologischen Forschung mit Physical AI neu gestalten will.

Obwohl es in der Branche noch keine einheitliche Meinung darüber gibt, was Physical AI in der Pharmaindustrie genau ist, scheint es, dass man mit dem Wort „Physik“ bereits den Zugang zur realen Welt in der Hand hält.

01

Der Aufstieg von Physical AI in der boomenden AI4S-Branche

Physical AI ist ursprünglich ein beliebtes neues Konzept aus der Technologiebranche. In dieser neuen Welle der künstlichen Intelligenz wird Physical AI häufig zusammen mit verkörperter Intelligenz und Weltmodellen genannt. In der Technologiebranche bezieht sich Physical AI in der Regel auf KI, die mit der physischen Welt verschmolzen ist, wie beispielsweise das autonome Fahren. Auf der diesjährigen Internationalen Funkausstellung (CES) nannte Jensen Huang Physical AI die nächste Welle der KI.

Im Vergleich zur verkörperten Intelligenz und zum Weltmodell bietet Physical AI einen breiteren konzeptionellen Umfang und größeren Spielraum für Vorstellungen, wodurch es schnell hohe Anerkennung in der Kapitalbranche, der Wissenschaft und der Industrie erlangt hat. Heute schwappt die Welle von Physical AI in die Welt der Biowissenschaften und erhält einen noch größeren konzeptionellen Umfang.

„Tatsächlich ist der Begriff Physical AI auch für Kollegen in der Branche ein neues Konzept“, sagte Li Su, Gründer und CEO von Shuye Technology, zu Vcbeat. „Aus unserer Erfahrung betrachtet ist Physical AI KI, die die reale Umgebung wahrnehmen und Geräte steuern kann, die bisher von Menschen bedient wurden, um Aufgaben auszuführen. Im Laborkontext bedeutet dies, dass KI über Instrumente oder Roboter an Experimenten teilnimmt.“ Li Su wies darauf hin, dass der zentrale Wert von Physical AI in Biologielaboren in den Bereichen Umfeldwahrnehmung und Entscheidungsfindung liegt. Nach unvollständigen Statistiken von Vcbeat haben im letzten Jahr zahlreiche Biowissenschaftsunternehmen mit dem Label Physical AI Finanzierungen erhalten, darunter auch große Frühphasenfinanzierungen.

Zwei in dieser Runde besonders beachtete Unternehmen haben ihren Sitz eines in New York und eines in Shenzhen. Ende 2025 schloss das in New York ansässige KI-Roboter-Startup Medra eine A-Runden-Finanzierung über 52 Millionen US-Dollar ab, was zusammen mit der vorherigen Seed-Runde von 11 Millionen US-Dollar insgesamt 63 Millionen US-Dollar ergibt. Gründerin von Medra ist die chinesisch-amerikanische Wissenschaftlerin Michelle Lee, die an der Stanford University ihren Abschluss machte und jahrelang am Stanford AI Lab an Grundlagenmodellen für Roboter forschte. Bevor sie 2022 mit dem Gründen begann, absolvierte Michelle Lee auch ein Praktikum bei Elon Musks SpaceX. Medra widmet sich der Entwicklung von physischen KI-Wissenschaftlern für die Wirkstoffentdeckung. Michelle Lee fasst diese Arbeit als Zusammenarbeit auf zwei Ebenen zusammen: Die wissenschaftliche KI stellt Hypothesen auf, und die Physical AI bedient die Instrumente.

Ein halbes Jahr später schloss das in Shenzhen ansässige Jindu Bio eine A-Runden-Finanzierung von fast 100 Millionen Yuan ab, die von GaoTejia Investment angeführt wurde. Zuvor sicherte sich Jindu Bio im Jahr 2025 mehrere aufeinanderfolgende Finanzierungsrunden von HSG Seed Fund, Chuangdongfang Investment und Nanshan Strategic Emerging Industry Investment. Jindu Bio wird von Gründer und CEO Jin Yongcheng gemeinsam mit drei weiteren Alumni der University of Oxford geleitet, die mehr als 60 Arbeiten in Top-Zeitschriften wie *Nature* veröffentlicht haben. Bei der Bekanntgabe der A-Runden-Finanzierung erklärte Jindu Bio ausdrücklich, dass die Mittel dieser Runde zuerst für die Vertiefung der unterliegenden Architektur von Physical AI verwendet werden.

Darüber hinaus haben mehrere ältere etablierte Unternehmen die Gunst des Kapitals erneut erlangt, indem sie die Welle von Physical AI nutzten. Im Mai 2025 schloss Suzhou Yulu Qianxing eine A-Runden-Finanzierung von mehreren zehn Millionen Yuan ab, die von Yuansheng Venture Capital angeführt wurde. Gründer Zheng Zheng erklärte einst, dass der technologische Weg von Yulu Qianxing darin besteht, KI und physikalische Simulation tief zu verschmelzen, um die dynamischen Wechselwirkungen zwischen Wirkstoffmolekülen und Zielstrukturen mit Molekulardynamik zu berechnen. Im März 2026 erhielt Hangzhou Hetan Intelligence eine neue Finanzierungsrunde über 50 Millionen Yuan, die von Yonghua Investment angeführt wurde. Seit seiner letzten Finanzierung sind bereits dreieinhalb Jahre vergangen. Chen Zhigang, Gründer von Hetan Intelligence, war der erste Chief Digital Officer von WuXi AppTec. Er verwendete den Begriff Physical AI nicht direkt, sondern betonte, dass Hetan Intelligence einen universellen, softwaredefinierten Roboterswissenschaftler entwickeln will.

Im August desselben Jahres schloss das 2018 gegründete Unternehmen Hangzhou Shuye Technology seine Pre-A-Runden-Finanzierung ab. Li Su, Gründer und CEO von Shuye Technology, ist Doktor der Ingenieurrobotik an der Technischen Universität München, und das Motto des Unternehmens lautet „Physical AI for Science“. Im darauffolgenden Monat kündigte das 2013 gegründete Unternehmen Nudao Bio die C1-Runden-Finanzierung über mehrere zehn Millionen US-Dollar an. In der Finanzierungsmitteilung betonte Nudao Bio das doppelte Antriebsmodell aus KI und Physik, um implizite allosterische Stellen zu identifizieren, die von herkömmlichen Kraftfeldern nicht erfasst werden können.

Es ist bemerkenswert, dass Investmentinstitutionen großes Interesse an sehr frühen Physical AI-Projekten im Biowissenschaftsbereich zeigen. Im April 2026 wurde die 25-Millionen-US-Dollar-Seed-Runde von Transfyr abgeschlossen, was etwa 168 Millionen Yuan entspricht. Das Unternehmen positioniert sich direkt als beobachtbare Physical AI-Plattform für die wissenschaftliche Forschung. Im Inland schloss Deep Cell im August 2026 eine Seed-Runden-Finanzierung von fast 100 Millionen Yuan ab und schlug vor, die molekularphysikalischen Mechanismen als Modellbeschränkungen mit KI und Physik zu formulieren. Im darauffolgenden Monat erhielt das erst einen Monat alte Unternehmen Shanghai Phyraxis eine strategische Erstinvestition in Höhe von mehreren Millionen Yuan. Phyraxis nannte seine Marke Phyraxis AI und positioniert sich direkt als Physical AI für die Wissenschaft. Wang Tong, Gründer von Phyraxis, erwähnte die verkörperte Intelligenz bei der Beschreibung der Geschäftstätigkeit des Unternehmens und wies darauf hin, dass die verkörperte Intelligenz im Biowissenschaftsbereich nicht nur auf Demonstrationen von Roboteraktionen beschränkt bleiben darf.

Auf der anderen Seite zeigen auch Pharmakonzerne ein beispielloses Engagement, um Physical AI aktiv zu nutzen. Im Januar 2026 kündigten Nvidia und Eli Lilly eine Zusammenarbeit an, um ein gemeinsames KI-Innovationslabor in der San Francisco Bay Area aufzubauen, das die BioNeMo-Plattform von Nvidia in den Forschungsprozess von Eli Lilly einbindet. Es wird erwartet, dass in den nächsten 5 Jahren bis zu 1 Milliarde US-Dollar für die daraus resultierenden Ausgaben für Personal, Infrastruktur und Rechenleistung investiert werden. Im Titel der veröffentlichten Mitteilung wurden Physical AI und die KI-gesteuerte Wirkstoffentdeckung gleichgestellt. Unternehmen wie Thermo Fisher Scientific, Amgen, Roche und Multiply Labs stehen gemeinsam in der Ökosystemliste. Darüber hinaus schließen Simcere Pharmaceutical und Schrödinger im August 2026 eine globale Zusammenarbeit bei der Wirkstoffentdeckung und -entwicklung ab. Beide Seiten vereinbarten, dass Simcere die präklinische und klinische Phase leitet, während Schrödinger die Fähigkeiten zur computergestützten Gestaltung auf Basis von Physik und KI bereitstellt. Früher hat der Großmodell-Konzern Anthropic in Zusammenarbeit mit HHMI Janelia einen Open-Source-Modell-Hardware-Standard namens MHS veröffentlicht, mit dem Modelle Mikroskope, Flüssigkeitsverarbeitungsgeräte und Roboterarme einheitlich erkennen und aufrufen können, was die Schwelle für den Einsatz von KI in Laboren stark senkt.

Bisher sind mehr als 3 Milliarden US-Dollar direkt oder indirekt in diesen Bereich geflossen, was die Begeisterung für Physical AI in AI4S deutlich zeigt.

02

Was soll Physical AI4S leisten?

Im Kern besteht das Wesen von Physical AI darin, aus den Berechnungsmodellen auszubrechen und sich mit der realen Welt zu verschmelzen. Die reale Welt, mit der Physical AI4S verbunden ist, sind die Labore, die sich unter der Welle der KI stark verändert haben.

Mit der fortlaufenden Weiterentwicklung von großen biologischen Modellen ist das Ergebnis des KI-gesteuerten Designs bereits sehr umfangreich, während Validierung und Datenrückkopplung extrem fehlen, was einen großen Bedarf an nassen Experimenten auslöst. Auf der Designseite werden täglich neue Moleküle erzeugt, und die Validierungsseite ist der einzige Ausgang. „Das macht die Daten aus echten Experimenten, insbesondere Daten von fehlgeschlagenen Experimenten, äußerst wichtig“, sagte ein Branchenkenner zu Vcbeat. Insgesamt lassen sich die derzeitigen Physical AI4S-Lösungen mit unterschiedlichen technischen Merkmalen grob in zwei Kategorien einteilen: Unternehmen, die die Physik als Umfeld betrachten, Roboter bauen und Experimentdurchsatz und Beweisketten verkaufen, wie Medra und Jindu Bio; sowie Unternehmen, die die Physik als Wissen betrachten, Modelle entwickeln und Lösungen für „zuerst berechnen, dann testen“ anbieten, wie Deep Cell und Yulu Qianxing. Beide Kategorien von Physical AI4S-Unternehmen konzentrieren sich auf Experimente: Ersteres verbessert die Effizienz von Experimenten, Letzteres reduziert den Bedarf an Experimenten.

Unternehmen, die die Physik als Umfeld betrachten, befassen sich hauptsächlich mit der Intelligente Gestaltung von Laboren. Das ähnelt der verkörperten Intelligenz im Biowissenschaftsbereich, weshalb das Konzept von Physical AI hier früher eingeführt wurde. Obwohl intelligente Labore kein neues Konzept sind, liegen die meisten Vorgänge in heutigen Laboren noch in der Hand von Menschen. Abgesehen von der Automatisierung einzelner Schritte erfordert der gesamte Prozess von der Festlegung von Zielen bis zur Erzielung von Ergebnissen immer noch wiederholtes Ausprobieren durch Forscher, was umständlich und nicht intelligent ist. „Für Physical AI4S liegt der eigentliche Engpass hier im Verlust von experimenteller Erfahrung“, wies der genannte Branchenkenner hin. „Wir müssen die Intuition und die Tricks, die erfahrene Forscher über Jahre durch praktische Arbeit angesammelt haben, in reproduzierbare und nachverfolgbare Daten umwandeln.“ Daher haben viele Physical AI4S-Unternehmen das ultimative Konzept eines KI-Physikers vorgeschlagen.

Genauer gesagt lassen sich die Betriebsmodelle von Physical AI in Laboren in zwei Kategorien unterteilen. Die erste Kategorie ist der Aufbau eigener Labore: Zum Beispiel eröffnete Medra im April 2026 das sogenannte weltweit größte Labor ML001 in San Francisco mit einer Fläche von etwa 3530 Quadratmetern, in dem Hunderte von Robotern rund um die Uhr laufen. Das zweite Modell ist schlanker: KI-Algorithmen oder Roboter werden in bestehende Labore eingebracht, wo die meisten Physical AI4S-Unternehmen tätig sind.

Zum Beispiel baut Shuye Technology mit einem visuell-sprach-handlungsbasierten Modell ein „VLA Operon“-Physisches-Multi-Agent-Cluster auf, sodass Geräte wie Pipettiergeräte und Reinigungsgeräte keine isolierten Endgeräte mehr sind, sondern intelligente Einheiten mit Fähigkeiten zur Wahrnehmung, Entscheidungsfindung und Zusammenarbeit. Zusammen mit modularen Arbeitsplätzen, die wie intelligente Legosteine kombiniert werden können, werden Experimente von manuellen Vorgängen zu selbstgesteuerten Abläufen. „Mit der Einführung von KI hoffen wir, dass das System nicht nur die Ergebnisse der aktuellen Charge analysieren kann, sondern uns auch dabei hilft zu entscheiden, welche Bedingungen in der nächsten Charge vorrangig getestet werden sollen – also den Forschern dabei hilft, die erforderlichen Vorbedingungen zu ermitteln“, erklärte Li Su.

Ein weiteres Beispiel: Hetan Intelligence brachte Roboter in das Labor des Innovationszentrums von BeiGene auf dem Bio-Insel in Guangzhou, um die Reinigung von Wirkstoffmolekülen durchzuführen. Nach Informationen der Betreiber führte Talos von Hetan Intelligence in einer 50-tägigen Testphase 15 echte Wirkstoffmoleküle durch, von denen jeder mehr als 200 aufeinanderfolgende Arbeitsschritte erforderte. Insgesamt wurden mehr als 3000 physische Vorgänge ausgeführt, und 14 der 15 Wirkstoffmoleküle wurden erfolgreich gereinigt. Ein weiteres Beispiel: Die vier Gruppen von nassen Experimenten zwischen Yongsheng Intelligence und dem Shanghai AI-Labor waren noch vollständiger: Alle Bakterienkulturen in 96-Loch-Platten wuchsen, alle 24 Kolonie-PCRs ergaben die erwarteten Banden, bei der molekularen Klonierung wurden zwei Plasmide erzeugt und 15 Mutanten durch Sequenzierung bestätigt, und bei der PCA-Methode der Assemblierung ergaben sich 93 positive Ergebnisse unter 96 Kandidatenklonen.

Die Modelle von Phyraxis und Jindu Bio sind noch schlanker: Ersteres listet das Ausführungsprotokoll als Plattformmodul auf, das Anweisungen, Zustände, visuelle Beweise, Betriebsergebnisse und Ausnahmeinformationen aufzeichnet. Letzteres verfolgt den gesamten Lebenszyklus von Experimentproben, wobei die Arbeitsaufträge bis zu Flüssigkeitsvolumen, Temperaturgradienten und Zeitfenstern genau spezifiziert sind.

Unternehmen, die die Physik als Wissen betrachten, versuchen dagegen, mikroskopische Weltmodelle aufzubauen, in die Molekularkraftfelder, Konformationsdynamik, Quantenchemie und andere Inhalte integriert werden, um zuerst zu berechnen und dann die Ergebnisse im Labor zu validieren.

Der Ansatz von Deep Cell besteht darin, molekularphysikalische Mechanismen in erlernbare und überprüfbare Modellbeschränkungen umzuwandeln, anstatt mehrere physikalische Regeln außerhalb des Modells zu schichten. Nudao Bio hat über zehn Jahre lang Daten von Protein-Konformationen in einer Datenbank gesammelt und darauf ein Molekularkraftfeld für Konformationsänderungen trainiert, um implizite allosterische Stellen zu identifizieren, die von herkömmlichen Kraftfeldern nicht erfasst werden können. Die repräsentative Pipeline ist der p53 Y220C-Reaktivator. Fathom nutzt Quantenchemie in Kombination mit KI, um die Bewegung von Proteinen mit atomarer Auflösung zu simulieren, und entwickelt ein Weltmodell, das die Wirkung von Medikamenten in lebenden Zellen nachbildet. Yulu Qianxing verfolgt einen Ansatz der multiskaligen Molekulardynamik und konzentriert sich auf Protein-Degrader, GPCRs und Nukleinsäure-Wirkstoffe.

Die