点击关注
已关注公众号
具身涌现获悉，AI for Science初创企业 Mirendil 正式完成2亿美元种子轮融资，本轮由Andreessen Horowitz（a16z）与英伟达联合领投，Kleiner Perkins跟投。这笔大额首轮融资落地后，Mirendil估值突破10亿美元，成为AI4S赛道又一家十亿美元级初创公司。
资本集中押注背后，行业正在迎来AI与生物、材料科学深度融合的全新阶段，Mirendil自研自主科研AI系统，有望大幅降低各领域科学家使用前沿大模型的技术门槛。
成立仅半年的初创公司，创始团队有哪些硬核背景？
2026年初才正式成立的Mirendil将总部设立在旧金山，短短数月便拿下高额种子轮，核心底气来自豪华的创始团队阵容，核心成员全部出自Anthropic、谷歌、xAI、OpenAI等全球顶尖AI实验室。
创始人 Behnam Neyshabur 拥有7年以上科学AI研发经验，曾任职谷歌高级研究科学家，是Gemini核心团队负责人，共同主导Blueshift项目，后续加入Anthropic深耕科学人工智能方向。
联合创始人 Harsh Mehta 拥有十年谷歌工作履历，后入职Anthropic担任高级研究科学家，深耕大模型预训练，牵头自动化AI研发项目。
另一联合创始人Shayan Salehian出身xAI，全权负责模型训练后处理、推理基础设施与Grok系列模型研发。
此外，团队中还有一位极具看点的核心成员 Tara Rezaei，他只有23岁，而且还是麻省理工毕业生，同时又是OpenAI早期学生研究员，年轻科研力量补足了团队跨学科创新能力。
整支团队兼具通用大模型研发、AI智能体基建、前沿科学计算多重经验，这也是投资机构愿意重金入局的基础。
巨头扎堆大模型赛道，资本为何独独看好Mirendil？
主导本次投资的a16z普通合伙人 Matt Bornstein 拥有丰富AI赛道退出案例，投资清单包含Cursor、Character.ai、Replicate等多家被科技巨头收购的明星项目，他公开阐述了押注Mirendil的核心判断。
当下AI行业被规模定律裹挟，市场呈现明显集中化格局。训练通用大模型需要海量算力、巨额资金与顶尖人才，资源持续向少数头部企业聚拢，中小科研机构、细分领域专家很难接触顶尖AI能力。但仅依靠少数巨头，无法释放AI在生物、材料等垂直科研领域的全部价值。
行业下一阶段的核心机会，是搭建面向领域专家的AI工具生态。现阶段，想要借助AI开展药物、化学、生物研究的实验室，必须自行搭建完整AI团队、投入巨额算力成本，技术门槛居高不下，绝大多数科研团队难以落地。
而Mirendil的核心价值，就是抹平这套技术壁垒，把自主AI科研能力交付给行业科学家，这也是为何受到资本市场看好的主要原因，那么，具体怎么实现的呢？
Mirendil自研系统，究竟能重塑怎样的科研流程？
Mirendil的核心产品是一套面向生物学、材料科学的全链路自主人工智能系统，区别于市面上仅能做文献检索、数据绘图的单点AI工具，这套系统依靠多智能体协同架构，打通假设生成 - 实验设计 - 仿真推演 - 结果评估 - 迭代优化完整科研闭环，全程仅需少量人工干预，从底层重构传统科研线性工作流。
整套系统搭载三层核心自研技术底座，每一层都直击当前AI4S落地痛点。第一层是领域专用知识推理智能体集群，由文献挖掘、机理推演、方案批判三类子智能体协同工作。文献智能体自动检索全球生物、材料领域论文、专利、实验数据集，梳理现有研究空白，规避重复研究；机理推演智能体结合化学、生物底层规律，从海量碎片化数据中提炼全新可验证科学假设；批判智能体同步校验假设逻辑漏洞、排除违背基础理化规则的猜想，大幅降低大模型幻觉带来的无效实验成本，解决传统AI只会复述已知结论、难以产出原创科研思路的短板。
第二层是自适应实验仿真与自动执行引擎，也是团队依托Gemini、Grok研发经验打造的核心壁垒。传统科研AI只能输出静态文字方案，Mirendil系统可根据生成的假设，自动适配生物细胞实验、新材料合成、分子模拟等不同场景，生成标准化可执行实验流程，同步配套仿真推演模块。在真实实验开展前，系统会提前完成多轮虚拟试错，预判材料配比、生物试剂组合带来的变量波动，筛选成功率最高的实验方案，砍掉大量无意义重复测试；若线下实验出现数据异常、结果偏离预期，引擎会自动定位变量偏差，自主修正实验参数，无需科研人员手动调试代码与实验条件。
第三层是面向非技术人员的低门槛交互与自迭代数据飞轮。行业现存自主科研系统普遍要求使用者掌握大模型微调、算力调度、代码编写能力，普通生物、材料专家难以上手。Mirendil系统采用纯自然语言交互界面，科研人员只需输入研究目标，无需掌握AI底层技术；系统会沉淀每一轮仿真、实体实验产生的专属领域数据，反向训练推理智能体，形成越用越精准的数据闭环。中小实验室无需自建算力集群、招募AI算法团队，就能直接调用这套具备自主迭代能力的科研底座，彻底打破“想做AI科研，必先打造顶级 AI 实验室”的行业桎梏。
对应到真实科研流程的变化，传统模式是科学家独自完成文献查阅、头脑风暴、手动设计实验、人工分析数据，一轮完整材料/生物课题迭代往往耗费数月；而Mirendil自主系统接管重复性、标准化科研工作，人类专家仅负责设定研究方向、最终结论校验，课题迭代周期可压缩至数周。系统不替代科学家的创造性判断，而是充当全天候数字科研团队，承接海量试错、数据整理、方案优化等机械工作，让领域专家把全部精力聚焦在顶层科学问题创新上。
这笔2亿种子轮融资，会给AI4S赛道带来哪些新变化？
市场普遍将本次融资看作资本加码AI for Science的信号，跳出常规资讯视角，我们可以提炼两个差异化产业观点。
第一，AI赛道投资逻辑正在从通用大模型转向垂直自主智能体。过去资本扎堆通用基础大模型，如今行业痛点显现：通用模型无法适配细分科研场景。Mirendil证明，聚焦生物、材料科学的自主科研智能体，具备独立商业价值与落地空间，垂直领域AI4S企业将成为资本新的布局重心。
第二，AI普惠科研将成为行业长期发展主线。AI技术不应该只掌握在少数科技巨头手中，降低科研使用门槛、赋能细分行业专家，是AI落地实体经济的关键路径。Mirendil依托英伟达算力资源与a16z产业资源，有望打造标准化科研AI基础设施，加速全球生物医药、新材料领域的研发迭代速度。
高额种子轮融资加持下，Mirendil将持续迭代自主科研AI系统，依托创始团队头部大厂技术积累，打通AI与基础科学的落地通道，推动AI for Science赛道进入规模化落地新阶段。
往期推荐
融资10亿!上海国资重仓AMD前员工
吴夏青是谁？为什么离职英伟达创业？
点赞鼓励一下
图片来源：网络
本文不作为投资建议
