Lila Sciences：用旗舰资本建科学工厂，收入证据仍缺席

Lila Iris 生成假设，机器人工厂负责把假设跑成数据

Lila Iris 的定位不是聊天式科研助手，而是可生成假设、设计实验并解读结果的科学推理模型，其后端连接 AI Science Factories 自动化机器人实验室，持续运行模型驱动的实验。这个组合意味着产品交付物是实验数据与结论，而非软件许可证；对客户而言，价值在于缩短“想—做—读”的循环，但前提是机器人实验通量足够高、数据保真度足够稳定。

公开资料给出的首个规模化证据是平台已测试超 95 万条 mRNA 序列，并在活细胞中设计、构建与测量。95 万条序列说明已有规模化实验记录，但是否构成稳定通量尚无法从公开资料判断；公司未披露这些序列中有多少产生了可复用模型改进、单条实验成本是多少、以及外部客户能否获得同等通量。产品能力因此可被验证，但产品经济性尚未被验证。

判断：Lila Iris 与机器人实验室是同一件产品的两面，卖点是“模型提出、机器执行”的闭环速度，而非模型参数或榜单分数。这个机制对科学发现成立的前提，是实验数据质量能持续反哺模型；若数据只进不出，自动化实验室就退化为高成本外包实验平台。

RNA 与体内 CAR-T 成果是产品演示，但验证仍在公司内部

2026 年 8 月 28 日公司发布 RNA 发现引擎博客，首次公布带数据的成果：在活细胞中设计、构建与测量超 95 万条 mRNA 序列；2026 年 ASGCT 展示的体内 CAR-T 疗法在非人灵长类中 B 细胞清除优于对标。这些成果把 Lila 从“平台故事”推到“有候选分子”的阶段，也是其向药企和材料企业证明平台可交付的关键材料。

但证据边界很清楚：RNA 与 CAR-T 成果均为公司内部测试、未经同行评审，对标为公开序列。这意味着“优于对标”是公司自述口径，不是独立复现结论。对科学智能平台而言，同行评审和外部实验室复现不是学术礼节，而是商业信任的基础设施；没有它，客户无法把交付物纳入自己的研发决策。

判断：产品演示已经出现，但产品验证仍按公司内部节奏推进。接下来最值得观察的不是更多内部数据，而是首个外部客户或合作方是否愿意公开署名、以及成果是否进入同行评审流程。

Catalyst 按实验室使用收费，但价目表未公开

第一条收入线是 Catalyst：以实验室即服务方式向客户科学家提供平台访问，客户获得的是 Lila 的自动化实验能力与模型辅助，而非买断软件。这条线对应的是有研发需求但不想自建机器人实验室的企业，收费逻辑大概率与实验通量、项目周期或平台使用量挂钩。

问题在于，公开资料未披露 Catalyst 的定价单位、最低合同规模、客户数量与收入确认方式。收入数据在证据账本中直接标注为 n/a。对一家已融资 5.5 亿美元、估值超 13 亿美元的公司，这意味着外部无法判断这条线是已经产生重复收入，还是仍处于试点合作阶段。

判断：Catalyst 是较容易启动的收入线，因为它把 Lila 的固定资产转化为可计费服务；但它也是较容易同质化的一条线，自动化实验室的竞争者可以用设备采购或外包实验报价对标。没有公开价目表，就无法判断 Lila 的实验服务是溢价还是折价。

Creation 交付验证分子与知识产权，收费后置且合同金额未披露

第二条收入线是 Creation：由 Lila 执行端到端发现项目，交付验证分子、材料与知识产权。这条线把收入从“实验服务费”推向“成果对价”，可能包含里程碑付款、知识产权许可或项目制合同。对客户而言，这比 Catalyst 更接近风险共担：只有 Lila 的模型和机器人实验真正产出可验证成果，客户才愿意为结果付钱。

但证据账本没有给出 Creation 的合同数量、单笔金额、里程碑结构或收入占比。公开资料只描述模式，不描述已签约规模。因此无法判断 Creation 是已经商业化的主收入线，还是用于展示平台能力的旗舰项目。

判断：Creation 是 Lila 商业模式中最有想象力也最需要证据的一环。它把公司从服务商变成发现合作方，但也把收入周期拉长、把现金流押在项目成功率上。在收入未披露的情况下，Creation 更像估值叙事的一部分，而非可核实的收入引擎。

客户是生命科学、化学与材料企业，但签约名单未公开

平台面向生命科学、化学与材料科学企业，潜在应用延伸到药物发现、能源、国防与半导体。CEO 称正与全球重要研发企业建立关系，提供高保真数据与安全性的科学智能体。这说明目标客户是具备研发预算、但对自建自动化实验栈犹豫的大型企业，而非个人研究者或小型初创。

然而，公开资料没有披露任何具名客户、客户数量、行业分布或付费状态。2026 年 6 月 8 日招聘信息显示其寻求 ARPA-H 资金与试点合作，该信息 confidence 为 low，仅提示潜在资金来源，不构成客户或收入证据。

判断：客户画像清晰，客户证据薄弱。对创业者而言，Lila 的教训是：面向大企业的科学平台，最早的收入往往来自试点合作而非标准合同；试点合作可以不披露，但会拉长从技术演示到重复收入的周期。

旗舰孵化器背书加直营 BD，渠道窄但单客价值高

Lila 的触达方式不是平台自助注册或开发者社区，而是旗舰孵化器的网络、CEO 层面的企业关系以及直营商务拓展。CEO 公开表示正与全球重要研发企业建立关系，说明销售动作集中在少数高价值客户身上。Catalyst 和 Creation 两种模式都需要前期方案设计与实验对接，不适合纯线上分发。

这种渠道的优点是单客潜在合同价值高、客户反馈可直接进入产品迭代；缺点是销售周期长、客户集中度高、渠道规模受限于团队人数。证据账本没有给出销售团队规模或渠道合作伙伴数量，因此无法判断其 BD 覆盖能力是否匹配 474 人的组织规模。

判断：渠道窄不是问题，问题是渠道效率没有公开数据。对小团队而言，Lila 的渠道策略不可直接照搬，因为其依赖旗舰孵化器信用和 CEO 个人网络；可借鉴的是把早期客户当作联合开发伙伴，而不是追求注册量。

钱花在 23.5 万平方英尺实验设施与 474 人团队上

Lila 的主要支出方向是自建 AI Science Factories 自动化机器人实验室，以及在波士顿附近建设 23.5 万平方英尺设施，并计划扩展至旧金山与伦敦。这是重资产、长周期投入：场地、机器人设备、实验耗材和运维人员构成固定成本主体，且设施扩张先于收入验证。

团队规模从 356 增至 474（据 Caplight，口径与时间点未完全披露），说明人力成本仍在上升。证据账本没有披露研发与销售费用拆分、单实验成本或设施资本开支金额，因此无法计算烧钱速度或盈亏平衡点。

判断：Lila 的成本结构更像生物技术平台公司，而非 SaaS 公司。好处是固定资产和实验数据构成后来者的进入成本；坏处是固定成本一旦形成，就必须靠持续融资或大额合同覆盖。在收入未披露的情况下，成本结构是理解这家公司的关键，也是其最大脆弱点。

靠连续大额股权融资活着，B 轮估值把压力推到收入验证

Lila 的资金来源是股权融资：2025 年 3 月宣布 2 亿美元种子轮，2025 年 9 月报道完成 2.35 亿美元 A 轮、估值超 12.3 亿美元，2025 年 10 月完成 1.15 亿美元扩展轮、A 轮累计 3.5 亿美元、总融资 5.5 亿美元、估值超 13 亿美元。2026 年 6 月据报洽谈约 20 亿美元 B 轮，投前估值约 85 亿美元，交易尚未完成；报道提及 CalPERS 与 NVentures 参与，但该细节未获证实。

这组数字说明公司尚未依赖收入覆盖成本，而是依赖旗舰资本和机构投资者持续注资。B 轮若完成，资金量足以支撑设施扩张和团队增长，但也把估值推到一个需要收入或外部验证成果支撑的位置。证据账本没有披露现金余额、烧钱速度或收入，因此无法判断现有资金能支撑多久。

判断：Lila 的生存逻辑是“先建能力、再证收入”，资本是其最大优势也是最大约束。对创业者而言，这种融资节奏不可复制，但“用融资买实验能力、再用实验数据换下一轮融资”的循环值得警惕：一旦数据不能转化为客户合同，估值就成了下一轮的门槛而非资产。

护城河可能是实验数据与设施规模，但尚未被外部验证

Lila 的潜在护城河由三部分组成：持续运行的机器人实验室产生专有实验数据；据 CNBC 报道，23.5 万平方英尺设施和计划中的旧金山、伦敦扩张构成重资产投入；以及 Flagship Pioneering 的孵化网络和 CEO 的企业关系。三者叠加，使后来者难以在短期内复制同等通量的“模型—实验”循环。

但护城河是否成立，取决于这些数据能否稳定转化为可交付成果。证据账本明确指出，外界质疑其宣传超前于现实，许多 AI 平台难以稳定超越传统研究；RNA 与 CAR-T 成果均为公司内部测试、未经同行评审，对标为公开序列。这意味着目前的护城河更多是投入规模，而非已验证的产出优势。

判断：Lila 的护城河是“用资本买时间”，但时间能否换成数据资产和客户合同，尚无公开证据。对科学智能公司而言，真正的壁垒不是模型参数，而是实验数据与客户工作流的嵌合深度；Lila 已建前者，后者仍待观察。

收入证据缺席，估值与商业化之间落差扩大

最直接的风险是收入数据公开资料未披露，而融资和估值数字持续放大。2025 年 10 月总融资 5.5 亿美元、估值超 13 亿美元，2026 年 6 月据报洽谈约 20 亿美元 B 轮、投前估值约 85 亿美元，交易尚未完成。在收入未披露的情况下，外部无法判断估值由什么支撑：是合同储备、项目 pipeline，还是对科学智能平台未来的预期。

对创业者而言，这个风险的启示不是“不要融资”，而是“融资节奏不能替代收入验证”。Lila 的 Catalyst 和 Creation 两种模式都需要较长销售周期，若 B 轮资金到账后收入仍未披露，下一轮融资将更难用平台故事解释估值。

内部测试成果未经同行评审，外部信任成本高

第二个风险是成果验证。RNA 与 CAR-T 成果均为公司内部测试、未经同行评审，对标为公开序列。对药企客户而言，未经独立复现的“优于对标”不能直接进入研发决策；对投资者而言，内部数据也无法排除选择偏差。

外界已质疑其宣传超前于现实，许多 AI 平台难以稳定超越传统研究。Lila 若不能推动成果进入同行评审或第三方复现，其 Creation 模式交付的“验证分子与知识产权”在客户侧的接受度会受限，进而影响收入转化。

判断：这不是科学风险，而是商业信任风险。科学智能平台的客户买的不是模型，而是可审计的结论；Lila 需要把内部测试转化为外部可验证的证据，否则设施和团队规模越大，信任缺口越明显。