AI制藥價值鏈重估，誰是真正的“賣鏟人”？

3月18日，AI制藥公司深度智耀宣布完成D輪系列近2億美元的融資，通過3個月內密集完成數次融資，快速獲取了十余億元人民幣的資金，密度之高，節奏之快，業內罕見。

當前資本市場，熱度與理性并存，回報的確定性取代技術敘事，成為資本目光所至。AI制藥異軍突起，前有晶泰科技、英矽智能港股敲鐘上市，后有禮來聯手英偉達打造“AI制藥工廠”，將賽道炒得烈火烹油。

深度智耀成立于2017年，相較于許多閃光燈下的同行，長期保持低調，所在的細分領域一度是AI制藥相對冷門、也是最難啃的骨頭——臨床開發和證據生成。

藥物研發大致可分為藥物發現、臨床前、臨床試驗和注冊申報幾個階段。過去多年，行業最熱的敘事集中在前端的藥物發現，例如利用AI預測蛋白結構、設計分子和篩選靶點。

深度智耀則專注于后端，圍繞臨床試驗這條證據鏈，從臨床策略、方案設計、研究中心執行，到EDC與數據管理、臨床/統計編程、醫學寫作、藥物警戒和注冊支持，逐步搭建出一套AI驅動的一體化交付體系，并在大量真實項目中沉淀出穩定的交付能力。

支撐這套體系的不是一個單點工具，而是一套類人腦多智能體系統。通過任務拆解、角色協同、反饋校驗和遞歸自我進化，把臨床研發中高度復雜、跨部門、強約束的工作流組織起來，使得這個高度依賴人類專家的復雜流程擁有了被系統化生產的可能。

正是這套智能體系統，讓深度智耀成為了火熱賽道的稀缺標的，獲得了遲來的矚目。

對AI制藥行業來說，這意味著行業的重心正在從前端向后端轉向，也意味著行業開始向真正創造人類福祉邁進了一大步。而這一步，用了將近十年。

在風口逆行

AI對制藥行業的第一次沖擊，比Transformer的誕生來得更早一些。

在AlphaGo戰勝李世石的同一年，谷歌針對機器翻譯推出了GNMT（Google Neural Machine Translation）系統，最初開發的目的是為了改進其在線翻譯業務，卻意外解決了當時制藥行業一個棘手問題——醫學資料翻譯。

2016年谷歌發布GNMT模型，翻譯準確率顯著提升

從臨床試驗方案、知情同意書、研究者手冊，到病例報告、臨床研究報告和申報材料，注冊一款新藥，需要翻譯的資料可以裝滿幾輛小卡車。既要求術語絕對精準，也要求參與者真正理解研究設計、適應癥、終點指標、統計假設和監管語境。

對于制藥行業來說，難點從來不只是“把一句話翻對”，而是把醫學、統計、執行和監管邏輯在整條鏈條上對齊。任何一個術語、終點、假設或數據口徑出現偏差，都可能在后續環節被層層放大。最終可能導致數億研發成本付諸東流，容錯率極低。

GNMT的出現，讓瞌睡遇到了枕頭，也讓翻譯成為AI參與到藥物研發的切入點。

某種程度上，制藥研發是一個高度知識驅動、又以文本和數據為最終呈現形式的行業。由翻譯更進一步拓展，最終是要解決的是整個藥物研發流程的“語言化表達”的痛點。

一款新藥，從實驗室到了臨床，再到審批，交給監管機構的不是一個分子，而是一整套證據，包括臨床試驗方案、研究者手冊、知情同意書、統計分析計劃、臨床研究報告、注冊申報材料等等，本質是一條文本、數據與責任鏈條共同構成的生產線。

許多新藥折戟于上市前夜，并非因臨床價值不足， 而是敗在了這條“生產線”上，在“語言化”的過程中產生了信息損耗或邏輯斷層，無法將研發數據轉化為監管機構認可的科學證據鏈，使得藥品的科學價值被掩埋或誤讀。

深度智耀很早形成的一個判斷是：在制藥行業，理解比生成更難，協同比生成更重要。只有先在高約束場景里建立穩定的理解、校驗和協同能力，才有資格往創造和決策走。

因此，公司在創立之初就明確了發展路徑：從翻譯切入，然后向醫學寫作、數據管理、統計編程和臨床運營等模塊延伸，最終形成覆蓋全流程的生產線。

這里的邏輯是，翻譯擁有明確的參考坐標系和對錯標準，是驗證模型理解能力最直接的“硬通貨”。作為起點，再逐步吃下中間那層規劃、推理和執行能力。

如今回過頭看，這一路徑是具有高度前瞻性的，但在當時，卻像是在風口中“逆行”。

一方面，當時的模型能力并不成熟，GNMT本身并沒有擺脫RNN順序計算的特點，導致計算效率低下。雖然之后誕生的Transformer解決了這個問題，預訓練隨后大行其道，但沒能改變AI作為人類輔助工具的本質，遠遠做不到替代專業人員。

另一方面，制藥又是一個對“know-how”儲備深度要求極高的行業。

以起草最核心的臨床試驗方案為例，模型基于海量文獻和既往數據搭建草案骨架只是第一步，隨后是由醫學、統計、臨床等資深專家組成的團隊深度介入。

一個方案橫跨醫學、臨床藥理、統計、編程、數據管理、藥物警戒等多個部門，細微的修改都要“大動干戈”。深度智耀早期面對的，也不是外界想象中的“一鍵自動化”，而是在真實項目里反復校核、反復放行的重流程。

與此同時，AlphaFold的驚天問世，讓制藥行業深刻意識到AI摧枯拉朽的能量。

AlphaFold是專門為蛋白質結構預測設計的神經網絡架構，用以解決藥物研發中最核心的“靶點結構解析”難題，將過去需要數年、耗資巨大的實驗解析工作，縮短至幾分鐘。

AlphaFold預測蛋白質結構

至此，“AI設計分子”成為行業技術發展的主流方向之一，各大藥企、創業公司扎堆進入賽道，前端的藥物發現成為資本狂熱的暴風眼。

深度智耀置身于風暴之外，圍繞后端臨床設計默默耕耘，在真實項目里一輪輪地死磕與打磨，一點點“磨”出know-how，再反哺技術，沉淀為系統底層的核心算法。

接著，一場席卷行業的危機，將深度智耀以及其代表的后端臨床設計，推到了臺前。

重估的價值

2023年，第一批用AI設計的新藥在期待中遭受重錘，在臨床階段集體潰敗。

先是歐洲AI制藥獨角獸BenevolentAI核心管線BEN-2293宣布二期臨床試驗失敗，導致股價大跌，公司被迫大幅裁員；后有“AI設計分子”行業標桿Exscientia關停其早期腫瘤管線EXS-21546（A2A受體拮抗劑）的開發。

BenevolentAI宣布BEN-2293臨床IIa期試驗失敗

明星企業的接連暴擊，擊碎了“AI一鍵生成新藥”的神話。

行業和資本都意識到，從設計分子到新藥落地進入市場，中間隔著的路比想象得更加漫長。

從臨床試驗設計到入組執行，從數據質量到統計解釋，再到最后的監管溝通、申報遞交，走錯一步便前功盡棄，是一個沒有回頭路的“打怪”過程。最終交付給監管機構是一整套可解釋的文本、數據和證據鏈。

資本不再僅僅為算力和分子數量買單，轉而拷問管線在臨床階段的有效性數據，AI制藥行業“重分子、輕臨床”路線錯誤就此被“撥亂反正”。

深度智耀等專注藥物研發后端臨床的公司由此進入資本的視野。

而此時的深度智耀，已然熬過了技術搭建和攻堅期，擺脫對融資的依賴，自給自足。

按照成立之初的規劃，深度智耀隨后把能力從文本和寫作進一步拓展到臨床CRO更核心的數據管理、臨床/統計編程、site運營和注冊支持，逐步形成覆蓋臨床試驗全流程的系統；

業務也延展至中國、日本、美國、澳洲、新加坡及東南亞等地區，尤其在日本建立起了較強的PI和研究中心網絡，形成了本地化執行優勢。

深度智耀官網展示的案例

技術上，深度智耀也沒有停留在“跟進一代最新模型”的層面，而是根據制藥行業高約束、低容錯的特性，沿著可控性和協同性去重構自己的系統。

對當前技術架構影響最為深遠的一次改造，發生在2019年模型2.0向3.0迭代的時期。

彼時，大語言模型（LLM）開始在前沿科技公司中流行起來，但深度智耀很早就意識到，LLM最致命的問題不在于寫得不夠像人，而在于它會“像人一樣自圓其說”。

LLM的本質是通過在海量數據上進行“預測下一個詞”等任務的訓練，而這些數據大部分來自于過往經驗的累積，導致生成的語句傾向于符合經驗邏輯，而非絕對真實的事實。

在制藥行業，這種幻覺不是體驗問題，而是底線問題。

一個虛構的引文或數據，會污染整個研發鏈條的科學基礎；一個虛構的藥物安全信息，可能直接導致受試者的嚴重傷害甚至死亡；一個被完美包裝的“幻覺”，足以讓一家公司過去十年、數十億美元的投資瞬間歸零。

作為領域內為數不多的先行者，深度智耀的這一認知的形成，比如今業界在大模型研發中形成共識要早了4-5年。這也意味著在其面前，既沒有成熟的行業標準可依循，也沒有外部的現成工具可借力，只能自己動手，從底層去重新構建解法。

也正是在這個階段，深度智耀開始明確地把問題從“如何做一個更強的模型”，轉向“如何做一個在臨床研發場景里更可控、更能協同、也更能承擔復雜工作流的系統”。

深度智耀的解法，不是繼續押注一個更大的單體模型，而是“拆腦”。

所謂“拆腦”，并不是簡單地把一個模型拆成多個功能模塊，而是把復雜任務拆解給大量能力邊界清晰的智能體，由它們分別承擔決策、規劃、檢索、撰寫、編程、審校、驗證等工作，再通過類似神經連接的通信與反饋回路，彼此校驗、彼此制衡。

這套架構的核心，并不只是多角色協作，而是一種類人腦的工作方式。像大腦神經網絡一樣，系統不是線性地吐出一個答案，而是在執行過程中不斷回看上游、修正中間結果、重組任務路徑。如果某一步不滿足約束，系統會觸發新的推演和驗證，直到輸出逼近可用結果。

換句話說，它具備的不是簡單的生成能力，而是遞歸反思、遞歸糾錯、遞歸自我進化的能力。它不是“一次答題”，而更像一個會反復思考、持續修正并不斷逼近最優解的工作系統。

如今看來，這一思路，與當下甚囂塵上的Agent概念驚人的相似。

2023年，微軟邀請深度智耀參加閉門開發者大會，并介紹Agent框架。

對深度智耀而言，這更像一次“外部命名”：公司內部原有的小模型協作體系，隨后順勢演進為真正意義上的多智能體協同系統。

深度智耀的類人腦多智能體系統由此逐步成型。它不只是一個把任務串起來的工作流引擎，而更像一個由大量高精度原子化智能體構成的“仿生大腦”：既能圍繞目標組織工作，也能在執行過程中持續反思、校驗并遞歸自我進化。

深度智耀“多智能體（Multi-Agent）協同系統”

至此，深度智耀的鋒芒已展露無遺。

人的位置上移

2025年，與日本創新藥企Immunorock的一次合作，將深度智耀推到了聚光燈下。

作為全球前三大醫藥市場，日本除了藥物研發能力聞名于世外，日本藥監局（PMDA）極度嚴苛的審核標準同樣出名。而深度智耀參與支持的Immunorock臨床試驗方案，卻實現了“零返修”和一次性通過PMDA審批。

在這次合作中，深度智耀的類人腦多智能體系統參與了從信息整合、路徑規劃到數字孿生推演的整套工作。不同智能體圍繞終點設置、入排標準、樣本量、執行路徑、數據結構和監管約束分別展開分析，再通過反饋回路反復交叉校驗。

也正是在這種遞歸推演中，系統提前識別出可能抬高脫落率的設計缺陷，幫助團隊在方案定稿前完成修正。它改變的不是“寫稿速度”本身，而是把很多原本要在現場執行中暴露的問題，前移到設計階段解決。

需要注意的是，基于新藥研發的監管底線以及醫學倫理與合規責任，最終所有關鍵交付仍由專業人員審閱、簽字、放行。

Immunorock只是深度智耀眾多案例中的一個，其意義在于，向產業證明了：像臨床方案這樣長期被視作高度依賴經驗和人力協同的工作，開始具備被系統化組織、被遞歸驗證、被規模化交付的可能。

傳統臨床研發本質上是一種高成本的人海戰術：先由一個部門起草，再拉上另一個部門修改，接著再校正統計假設、補數據結構、核對法規要求，版本在不同團隊之間來回流轉。時間就這樣消耗在溝通、返修和反復確認里。

一旦AI能夠穩定完成任務拆解、主體生成、多輪自檢和約束驗證，這個流程就從過去的“人生產、機器輔助”，轉變為“機器生成、系統驗證、專家審簽”。

AI的角色不再只是預測或分類工具，而更像一個圍繞目標組織工作的系統。

類人腦多智能體的價值，也不在于一次性生成一個答案，而在于它能把任務拆解、路徑規劃、假設提出、執行驗證和結果匯總連成閉環，并在閉環中持續遞歸優化。

過去是人把步驟寫好，系統照著執行；現在則是人給出明確目標，系統圍繞目標分配角色、調用工具、校驗約束，再把結果匯總成可審的輸出。

而人的角色則是上移，而不是被取代，從而以更有效且可持續的方式創造價值。

在Agent系統中，人的角色是上移的

制藥仍然是一個必須由專業人士簽字、由資質和責任鏈承擔后果的行業。醫學、統計、藥物警戒、數據管理等專家依舊是最后的把關者。但AI的介入，讓專家們從大量重復勞動中抽身，更多投入到關鍵判斷、邊界把控和最終責任承擔上。

而這套“目標—生成—驗證—遞歸進化”的框架一旦跑通，所能解決的問題就遠不止是臨床試驗。這也是深度智耀開始開辟“物質科學”新戰場的底層邏輯。

如果把問題抽象到足夠底層，會發現，藥物、農藥、半導體材料、電池材料、特種鋼這些看似完全不同的領域，本質上都在做同一類任務，即圍繞明確目標，在一組約束條件下尋找最優解，并通過驗證不斷收斂，區別只在于約束集合和驗證方式。

深度智耀材料研發邏輯

年3月，深度智耀和與綠色農化巨頭泰禾股份達成戰略合作，基于深度智耀多智能體集群的仿生類腦架構與遞歸自我進化體系，以加快創新農藥的研發進程。

無論是研發創新藥還是創新農藥，本質都是在化學空間中尋找最優組合。

深度智耀多智能體集群的AI Agent能夠在巨大的化學空間中自主規劃、搜索、驗證，發現傳統研發模式難以觸及的全新分子骨架與作用機理，這套能力經過制藥領域驗證成熟，遷移到農藥領域本質上是一種“降維應用”。

這種技術的可遷移性，進一步打開了深度智耀的估值空間，成為資本蜂擁而至的又一動因。

從深度智耀近幾輪融資的投資方來看，除了紅杉中國、新鼎資本等早期投資者跟投之外，還包括鼎暉百孚、信宸資本、金鎰資本、凱泰資本等新股東加注，既有頂級美元基金，又有兼具產業資源的一線機構，陣容可謂豪華。

資本的聚焦，其實代表了一種趨勢：市場開始重新評估AI制藥公司真正稀缺的能力，不只是會不會講一個技術故事，而是能不能把復雜工作穩定交付出來。

某種程度上，深度智耀既不是傳統意義上的CRO，也不是消費級Agent的行業翻版。

其最核心的能力，不是某一個單點工具，也不是簡單把數據“喂給模型”訓練出來的結果，而是在長期真實交付中形成的方法學、know-how，以及一套能把臨床策略、site執行、數據管理、臨床/統計編程、醫學寫作和注冊遞交組織在一起的類人腦多智能體系統。

這才是深度智耀最難以被復制的資產和競爭力所在。

寫在最后

2024年的諾貝爾化學獎，一半被授予蛋白質設計“祖師爺”David Baker，另一半則被授予了AlphaFold的開發者Demis Hassabis、John Jumper。

David Baker（左）、Demis Hassabis（中）、John Jumper（右）

兩位AI大佬的跨界獲獎，被外界解讀為計算機科學在生命科學界的一次歷史性“轉正”——不再是單純的輔助工具，而是直接驅動產業進化的核心引擎。

這種進化能力，如今正在從前端的藥物發現研發輻射到整個研發流程當中。

對于制藥行業而言，下一階段稀缺的，未必只是“找到一個答案”的能力，而是把一項工作真正做完、把一整套證據真正交付出去的能力。

從讓機器學會看分子，到讓系統像大腦一樣組織臨床試驗、連接現場執行、數據管理、臨床編程和遞交邏輯，AI的價值坐標正在被重畫。

而在這條曾經孤獨的跑道上，深度智耀已經走在了前面。

[1] 2017，制造奧本海默，飯統戴老板

[2] 中美AI Agent爭霸戰：誰將主導下一代智能服務？遠川研究所