AI учится чувствовать материю: Apoha, $36 млн и новая парадигма молекулярных данных

$36 млн — именно столько привлекла Apoha в Series A, чтобы научить ИИ чувствовать материю. Не распознавать её по картинке, не предсказывать структуру по формуле, а буквально воспринимать, как молекула ведёт себя, когда её нагревают, сжимают, смешивают или растворяют. Это другой класс данных — и, возможно, следующий рубеж для прикладного ИИ.

Проблема, которую решает лондонский стартап, звучит просто, но имеет последствия на миллиарды долларов. Современные AI-модели блестяще предсказывают структуру белков и молекул — AlphaFold тому доказательство. Но структура не равна поведению. Белок может выглядеть идеально на бумаге и при этом агрегировать, становиться слишком вязким или разрушаться при первом контакте с реальной средой. Фармацевтические компании теряют на этом этапе до 40% кандидатов — уже после того, как потрачены годы и миллионы на разработку.

Стартап подходит к проблеме с другого конца. Вместо того чтобы предсказывать по изображению, компания строит сенсорную платформу, которая измеряет физическое поведение молекул в реальном времени. Liquid Brain — не метафора. Это физическое устройство, которое использует жидкую среду как вычислительный резервуар.

Хронология: Apoha 2021–2026

ХРОНИКА: Apoha
─────────────────────────────────────────────────────────────
  2021 ──── 2022 ──── 2023 ──── 2024 ──── 2025 ──── 2026
  🏢       🔬        🧪        🔒        🔒         🚀
  Основание Грант     Intel     Скрытый   Скрытый    $36M
  в Лондоне Innovate  Ignite    режим     режим      Series A
           UK £350k                                     Singular

Что такое Liquid State Intelligence

Ключевое отличие этого стартапа от конкурентов в AI-биофарме — подход к данным. Большинство компаний используют публичные датасеты (PDB, ChEMBL, PubChem) и строят модели поверх них. Данные там статичны: структура молекулы, последовательность, известные свойства.

Стартап генерирует собственный класс данных — волновые формы (wave-form data). Устройство компании пропускает образец через жидкую среду и измеряет, как молекулы в ней вибрируют, взаимодействуют и меняют поведение под механическим или термическим воздействием. Это не спектроскопия и не хроматография — это принципиально другой способ «спрашивать» материю, что она такое.

Характеристики платформы: образец от 10 микрограмм, результат за 20 минут, валидация на более чем 200 клинических антителах. Компания не раскрывает архитектуру сенсора публично, но патентный портфель (7 патентов) указывает на комбинацию микрофлюидики, лазерной интерферометрии и обработки сигналов через резервуарные вычисления.

Почему это поворотный момент

Стартап — маркер структурного сдвига в AI-инвестициях. Последние два года капитал шёл в софтверные стартапы: LLM-приложения, AI-агенты, генерация контента. Но дифференциация через модель больше не работает — открытые веса и LoRA-адаптация сделали базовые модели товаром.

Следующий moat — данные. И не любые данные, а те, которых нет ни у кого другого. Стартап строит оборудование для генерации уникального датасета о поведении материи. Этот датасет невозможно скопировать через API — нужен физический доступ к сенсорной платформе. Именно такие компании — с собственным hardware для генерации данных — привлекли более $4 млрд за последние 12 месяцев.

Fortune в эксклюзивном материале назвал стартап «контрастом шумному рынку генеративного AI». Tech.eu и The Next Web сфокусировались на научной новизне: Liquid Brain заполняет разрыв между молекулярным моделированием и физическим тестированием. В фарме этот разрыв стоит миллиарды — каждый десятый кандидат в лекарства проходит клинику, и большинство отсеивается из-за поведенческих проблем, которые существующие инструменты не предсказывают.

Применения: от антител до пищевых продуктов

Стартовая ниша компании — разрабатываемость антител (antibody developability). Это технически сложная и коммерчески ёмкая проблема: 90% моноклональных антител имеют хотя бы одну проблему с вязкостью, агрегацией или стабильностью formulations (рецептур). Обнаружение этих проблем на ранней стадии может сократить cycle time discovery (цикл разработки) с 5 лет до 12–18 месяцев.

Второе применение — пищевая химия. Unilever и Nestlé уже десятилетиями ищут замену животным ингредиентам, но каждая новая формула требует месяцев физического тестирования. Стартап утверждает, что может предсказать поведение новой рецептуры за 20 минут вместо двух недель.

Третье направление — материаловедение для «физического AI»: покрытия, композиты, smart-материалы. Здесь технология пересекается с более широким трендом: роботы и дроны требуют материалов с новыми свойствами, и традиционный метод проб и ошибок уже не успевает за рынком.

Риски и вопросы

Что дальше

Для стартапа следующие 12 месяцев — период валидации: первая крупная фарм-сделка или партнёрство с CPG-гигантом подтвердят тезис. Без этого — риск остаться «ещё одним deep tech (глубокие технологии) стартапом с красивой технологией и без product-market fit».

Для рынка в целом стартап — тест-кейс для целого класса «проприетарных data AI» стартапов. Если волновые данные обучают модели, которые реально превосходят существующие computational tools, в ближайшие два года мы увидим волну имитаторов в соседних модальностях: вибрационные данные, электромагнитные сигнатуры, термические отклики. Охота за новыми данными только начинается.