薛定谔发布Bunsen AI联合科学家：当大型语言模型遇上物理模拟，药物发现进入新时代

如何融合大型语言模型与物理模拟

Bunsen将大型语言模型（LLM） 与薛定谔公司核心的基于物理的分子建模技术（包括自由能微扰FEP+、分子对接和分子动力学模拟）深度结合。LLM层负责解析自然语言描述的科学目标并规划工作流，而物理引擎则提供经过实验验证的、严谨的分子属性预测。正如公司高管Karen Akinsanya博士所述，这种结合将AI推理与第一性原理计算相融合，可以解锁此前未被探索的生物“靶点空间”。

四大核心功能

Bunsen的工作流是一个闭环循环：

1. 理解（Understand） ——以自然语言形式解析研究人员的科学目标。
2. 战略规划（Strategize） ——制定计算策略，为具体问题选择最合适的物理方法。
3. 执行（Execute） ——自主运行分子发现工作流（包含对接、自由能微扰、ADME预测等模块）。
4. 迭代（Iterate） ——分析结果并优化方案，在AI推理与物理计算结果之间形成闭环。

这种设计使研究人员能够用自然语言指挥多步骤计算任务，由Bunsen负责工作流自动化和物理仿真计算。

AI科学领域的主要竞争对手

Google DeepMind —— Co-Scientist

Co-Scientist是一个基于Gemini 2.0构建的多智能体AI系统，专为结构化假设生成和科学推理设计。该成果于2026年5月发表在《自然》期刊上。系统包含七个专门的AI智能体（生成、排序、进化、邻近性等），它们通过辩论和迭代来优化假设。Co-Scientist已展示出提出新颖治疗假设的能力——例如，针对肝纤维化的药物再利用方案——并且这些假设已通过实验验证。与Bunsen的关键区别在于：Co-Scientist是一个通用的生物医学假设生成引擎，并未原生集成基于物理的分子模拟。它可以阅读文献并生成想法，但计算化学的执行仍需依赖外部工具或人类研究人员。

FutureHouse —— Robin

Robin是一个面向端到端生物发现的多智能体AI系统，同样于2026年5月发表在《自然》期刊上。它能实现假说生成、实验设计、数据分析和洞察生成的全流程自动化。Robin通过自主识别出ripasudil（一种现有的青光眼药物）作为治疗干性年龄相关性黄斑变性（dAMD）的候选药物，展示了其能力。该系统使用专门的子智能体：Crow（文献问答）、Falcon（深度综合）、Owl（回答）和Phoenix（编程/分析）。与Bunsen的关键区别在于：Robin专注于实验生物学和药物再利用，不具备集成的基于物理的分子模拟引擎。

其他重要竞争者

2026年第一季度财务背景

薛定谔公司于2026年5月5日公布了第一季度业绩，要点如下：

• 年合同价值（ACV）：第一季度为2840万美元，同比增长12%；过去四个季度的滚动ACV为2.01亿美元。增长动力来自全球前20大制药客户的用量扩大以及新产品的部署。
• 总收入：5860万美元，同比下降2%（超出市场预期约22%）。
• 软件收入：3560万美元，同比下降21%，直接归因于从本地部署许可向托管（SaaS）交付模式的加速转型。
• 托管占比：托管软件收入占第一季度软件收入的34%，高于去年同期的24%。公司目标是在2028年前将托管比例提升至约75%。
• 药物发现收入：2300万美元，同比增长超过一倍（+124%）。
• 2026财年展望：软件ACV预期在2.18亿至2.28亿美元之间（增长10-15%）；药物发现收入预期在5500万至6500万美元之间。

管理层将托管转型定性为对已确认收入的短期不利因素，但不会影响ACV或现金流。受ASC 606会计准则影响，托管占比每增加1个百分点，对报告收入的影响约为200-300万美元。这一转型旨在使收入确认与客户实际使用量更匹配，并提高客户留存率。

现金状况

现有财报摘要未明确列出2026年第一季度的具体现金及等价物数字。然而，薛定谔公司历来保持着稳健的资产负债表，以支持平台持续开发（包括Bunsen）及自有治疗管线。2025年第四季度公司流动性充裕，管理层也表示托管转型不会产生额外的资本需求。如需2026年第一季度具体的现金、现金等价物及有价证券数据，应以10-Q季度报告为最终依据。