36氪获悉，专注于AI赋能的创新材料研发公司MetaNovas（元星智药）近期顺利完成A+及A++两轮融资。本轮投资方汇集了富华资本、高榕资本、袋鼠妈妈集团等深耕消费健康领域的知名产业资本。此前，公司的A轮融资由高榕创投与宝顶创投联合领投，若羽臣跟投。
当前，AI for Science引发的技术浪潮方兴未艾，人工智能正深度重塑新药、新材料等行业的研发范式。市场在热捧之余，也逐渐回归理性思考：尽管AI在生成与优化分子结构方面的难度已大幅降低，但研发链条首尾两端的核心挑战——从最初的概念发现到最终的商业化落地——并未因为技术进步而发生质变。
在传统技术路径下，一款消费级新材料的开发，从早期选品、中期放大生产，到后期的注册准入与商业化落地，通常需要3到5年时间。为了全面提升全链条效率，MetaNovas构建了一个以Agentic AI（智能体人工智能）为核心的系统级操作平台。该平台旨在高度不确定的研发环境中，进行多目标决策，同时兼顾新材料分子的性能、生产工艺要求、法规约束等多重因素，从而从源头降低商业化落地的成本与周期。
MetaNovas联合创始人与CEO王梅杰向36氪介绍，在“AI智能研发组织”的推动下，其开发速度最快的生物活性原料，在12个月内便完成了从概念提出到人体功效测试的全流程。正是因为AI智能体在全链条的深入应用，MetaNovas得以保持一支精简、高效的团队，并且能够轻松支撑随着新材料管线快速增加所需的人力资源。
当前，MetaNovas团队中AI算法专家、生物学团队、转化团队各占约三分之一。创始团队成员均具备AI、生物医药与计算材料的复合背景。王梅杰曾于英伟达硅谷总部任职，负责开发生物计算专用的人工智能基础设施；首席技术官余论是MIT核科学与工程及AI方向博士，曾在美国联合健康集团担任首席数据科学家。
据悉，MetaNovas自研了分子语言生成大模型，作为底层生成引擎。该引擎能够跨模态表征多肽、聚合物、小分子等，其覆盖的化学空间超过10^60，分子生成有效率超过95%。同时，针对材料落地必须考量的理化性质（如热稳定性、气味、紫外吸光度等），公司开发了性能预测模型，为分子筛选提供关键依据。
提升模型精度的关键在于：高质量数据积累，以及基于实验数据自动迭代的主动学习系统。余论介绍道，训练数据主要包含三类：文献与专利数据；与学术机构合作授权的实验室数据；内部实验平台产生的高通量湿实验数据。其中，自有实验平台不仅积累了成功的验证数据，也沉淀了大量“失败”的负样本数据。这些稀缺的内部反馈，使得AI系统在迭代中变得更加精准。
图源：MetaNovas
为了让AI系统真正拥有研发团队的思维与能力，MetaNovas针对新材料开发的全流程，开发了文献挖掘、分子生成、性能预测、实验规划、市场和商业化等AI智能体。
“新材料开发涉及不同背景的团队，包括生物学家、药物化学家、配方师、市场人员等等。开发智能体的核心在于搭建出能更高效产出有效知识的工作流，将人类团队长期磨合出的动态协作机制，抽象为智能体能够直接执行的核心步骤、关键质量审核节点等，这就依赖于团队在各环节沉淀下的实践经验。”余论解释道。
例如在市场洞察环节，智能体系统会抓取消费品渠道的真实数据（成分、配方、销量等）进行前瞻性分析。在生物学家设计实验前，AI已结合市场方向，排除了过度竞争的赛道，引导研发走向更具差异化和市场潜力的方向，避免了“做出来却非市场所需”的沉没成本。
在智能体系统赋能下，MetaNovas平台推荐分子的首次成功率超过60%，大幅降低了试错成本与迭代次数。其开发的抗衰老相关肽分子仅测试了42个候选分子、经过2轮迭代，即完成实验验证，该分子也获得了品牌商的关注。此外，由AI设计的抗菌抗炎新分子AMP33已取得医疗器械主文档备案。
作为一家AI原生的新材料开发平台，MetaNovas的管线开发方向正在不断拓展，涵盖生物活性成分、医用材料、功能聚合物、光化学成分、气味与风味成分等。在工艺放大和生产方面，公司主要与CDMO深度合作，成立合资公司，进行定向生产转化。商业上，多采用与品牌商联合开发、进行材料供应等模式展开。
在Agentic AI的驱动下，材料科学正在告别漫长且昂贵的“盲筛时代”。当AI不再是单纯的生成工具，而是进化为不知疲倦、能跨越学科鸿沟、懂得商业化权责的“智能研发组织”时，新材料研发的新工业化时代正在到来。
