3月18日，AI制药公司深度智耀宣布完成D轮系列近2亿美元的融资，通过3个月内密集完成数次融资，快速获取了十余亿元人民币的资金，密度之高，节奏之快，业内罕见。
当前资本市场，热度与理性并存，回报的确定性取代技术叙事，成为资本目光所至。AI制药异军突起，前有晶泰科技、英矽智能港股敲钟上市，后有礼来联手英伟达打造“AI制药工厂”，将赛道炒得烈火烹油。
深度智耀成立于2017年，相较于许多闪光灯下的同行，长期保持低调，所在的细分领域一度是AI制药相对冷门、也是最难啃的骨头——临床开发和证据生成。
药物研发大致可分为药物发现、临床前、临床试验和注册申报几个阶段。过去多年，行业最热的叙事集中在前端的药物发现，例如利用AI预测蛋白结构、设计分子和筛选靶点。
深度智耀则专注于后端，围绕临床试验这条证据链，从临床策略、方案设计、研究中心执行，到EDC与数据管理、临床/统计编程、医学写作、药物警戒和注册支持，逐步搭建出一套AI驱动的一体化交付体系，并在大量真实项目中沉淀出稳定的交付能力。
支撑这套体系的不是一个单点工具，而是一套类人脑多智能体系统。通过任务拆解、角色协同、反馈校验和递归自我进化，把临床研发中高度复杂、跨部门、强约束的工作流组织起来，使得这个高度依赖人类专家的复杂流程拥有了被系统化生产的可能。
正是这套智能体系统，让深度智耀成为了火热赛道的稀缺标的，获得了迟来的瞩目。
对AI制药行业来说，这意味着行业的重心正在从前端向后端转向，也意味着行业开始向真正创造人类福祉迈进了一大步。而这一步，用了将近十年。
AI对制药行业的第一次冲击，比Transformer的诞生来得更早一些。
在AlphaGo战胜李世石的同一年，谷歌针对机器翻译推出了GNMT（Google Neural Machine Translation）系统，最初开发的目的是为了改进其在线翻译业务，却意外解决了当时制药行业一个棘手问题——医学资料翻译。
2016年谷歌发布GNMT模型，翻译准确率显著提升
从临床试验方案、知情同意书、研究者手册，到病例报告、临床研究报告和申报材料，注册一款新药，需要翻译的资料可以装满几辆小卡车。既要求术语绝对精准，也要求参与者真正理解研究设计、适应症、终点指标、统计假设和监管语境。
对于制药行业来说，难点从来不只是“把一句话翻对”，而是把医学、统计、执行和监管逻辑在整条链条上对齐。任何一个术语、终点、假设或数据口径出现偏差，都可能在后续环节被层层放大。最终可能导致数亿研发成本付诸东流，容错率极低。
GNMT的出现，让瞌睡遇到了枕头，也让翻译成为AI参与到药物研发的切入点。
某种程度上，制药研发是一个高度知识驱动、又以文本和数据为最终呈现形式的行业。由翻译更进一步拓展，最终是要解决的是整个药物研发流程的“语言化表达”的痛点。
一款新药，从实验室到了临床，再到审批，交给监管机构的不是一个分子，而是一整套证据，包括临床试验方案、研究者手册、知情同意书、统计分析计划、临床研究报告、注册申报材料等等，本质是一条文本、数据与责任链条共同构成的生产线。
许多新药折戟于上市前夜，并非因临床价值不足， 而是败在了这条“生产线”上，在“语言化”的过程中产生了信息损耗或逻辑断层，无法将研发数据转化为监管机构认可的科学证据链，使得药品的科学价值被掩埋或误读。
深度智耀很早形成的一个判断是：在制药行业，理解比生成更难，协同比生成更重要。只有先在高约束场景里建立稳定的理解、校验和协同能力，才有资格往创造和决策走。
因此，公司在创立之初就明确了发展路径：从翻译切入，然后向医学写作、数据管理、统计编程和临床运营等模块延伸，最终形成覆盖全流程的生产线。
这里的逻辑是，翻译拥有明确的参考坐标系和对错标准，是验证模型理解能力最直接的“硬通货”。作为起点，再逐步吃下中间那层规划、推理和执行能力。
如今回过头看，这一路径是具有高度前瞻性的，但在当时，却像是在风口中“逆行”。
一方面，当时的模型能力并不成熟，GNMT本身并没有摆脱RNN顺序计算的特点，导致计算效率低下。虽然之后诞生的Transformer解决了这个问题，预训练随后大行其道，但没能改变AI作为人类辅助工具的本质，远远做不到替代专业人员。
另一方面，制药又是一个对“know-how”储备深度要求极高的行业。
以起草最核心的临床试验方案为例，模型基于海量文献和既往数据搭建草案骨架只是第一步，随后是由医学、统计、临床等资深专家组成的团队深度介入。
一个方案横跨医学、临床药理、统计、编程、数据管理、药物警戒等多个部门，细微的修改都要“大动干戈”。深度智耀早期面对的，也不是外界想象中的“一键自动化”，而是在真实项目里反复校核、反复放行的重流程。
与此同时，AlphaFold的惊天问世，让制药行业深刻意识到AI摧枯拉朽的能量。
AlphaFold是专门为蛋白质结构预测设计的神经网络架构，用以解决药物研发中最核心的“靶点结构解析”难题，将过去需要数年、耗资巨大的实验解析工作，缩短至几分钟。
AlphaFold预测蛋白质结构
至此，“AI设计分子”成为行业技术发展的主流方向之一，各大药企、创业公司扎堆进入赛道，前端的药物发现成为资本狂热的暴风眼。
深度智耀置身于风暴之外，围绕后端临床设计默默耕耘，在真实项目里一轮轮地死磕与打磨，一点点“磨”出know-how，再反哺技术，沉淀为系统底层的核心算法。
接着，一场席卷行业的危机，将深度智耀以及其代表的后端临床设计，推到了台前。
2023年，第一批用AI设计的新药在期待中遭受重锤，在临床阶段集体溃败。
先是欧洲AI制药独角兽BenevolentAI核心管线BEN-2293宣布二期临床试验失败，导致股价大跌，公司被迫大幅裁员；后有“AI设计分子”行业标杆Exscientia关停其早期肿瘤管线EXS-21546（A2A受体拮抗剂）的开发。
BenevolentAI宣布BEN-2293临床IIa期试验失败
明星企业的接连暴击，击碎了“AI一键生成新药”的神话。
行业和资本都意识到，从设计分子到新药落地进入市场，中间隔着的路比想象得更加漫长。
从临床试验设计到入组执行，从数据质量到统计解释，再到最后的监管沟通、申报递交，走错一步便前功尽弃，是一个没有回头路的“打怪”过程。最终交付给监管机构是一整套可解释的文本、数据和证据链。
资本不再仅仅为算力和分子数量买单，转而拷问管线在临床阶段的有效性数据，AI制药行业“重分子、轻临床”路线错误就此被“拨乱反正”。
深度智耀等专注药物研发后端临床的公司由此进入资本的视野。
而此时的深度智耀，已然熬过了技术搭建和攻坚期，摆脱对融资的依赖，自给自足。
按照成立之初的规划，深度智耀随后把能力从文本和写作进一步拓展到临床CRO更核心的数据管理、临床/统计编程、site运营和注册支持，逐步形成覆盖临床试验全流程的系统；
业务也延展至中国、日本、美国、澳洲、新加坡及东南亚等地区，尤其在日本建立起了较强的PI和研究中心网络，形成了本地化执行优势。
深度智耀官网展示的案例
技术上，深度智耀也没有停留在“跟进一代最新模型”的层面，而是根据制药行业高约束、低容错的特性，沿着可控性和协同性去重构自己的系统。
对当前技术架构影响最为深远的一次改造，发生在2019年模型2.0向3.0迭代的时期。
彼时，大语言模型（LLM）开始在前沿科技公司中流行起来，但深度智耀很早就意识到，LLM最致命的问题不在于写得不够像人，而在于它会“像人一样自圆其说”。
LLM的本质是通过在海量数据上进行“预测下一个词”等任务的训练，而这些数据大部分来自于过往经验的累积，导致生成的语句倾向于符合经验逻辑，而非绝对真实的事实。
在制药行业，这种幻觉不是体验问题，而是底线问题。
一个虚构的引文或数据，会污染整个研发链条的科学基础；一个虚构的药物安全信息，可能直接导致受试者的严重伤害甚至死亡；一个被完美包装的“幻觉”，足以让一家公司过去十年、数十亿美元的投资瞬间归零。
作为领域内为数不多的先行者，深度智耀的这一认知的形成，比如今业界在大模型研发中形成共识要早了4-5年。这也意味着在其面前，既没有成熟的行业标准可依循，也没有外部的现成工具可借力，只能自己动手，从底层去重新构建解法。
也正是在这个阶段，深度智耀开始明确地把问题从“如何做一个更强的模型”，转向“如何做一个在临床研发场景里更可控、更能协同、也更能承担复杂工作流的系统”。
深度智耀的解法，不是继续押注一个更大的单体模型，而是“拆脑”。
所谓“拆脑”，并不是简单地把一个模型拆成多个功能模块，而是把复杂任务拆解给大量能力边界清晰的智能体，由它们分别承担决策、规划、检索、撰写、编程、审校、验证等工作，再通过类似神经连接的通信与反馈回路，彼此校验、彼此制衡。
这套架构的核心，并不只是多角色协作，而是一种类人脑的工作方式。像大脑神经网络一样，系统不是线性地吐出一个答案，而是在执行过程中不断回看上游、修正中间结果、重组任务路径。如果某一步不满足约束，系统会触发新的推演和验证，直到输出逼近可用结果。
换句话说，它具备的不是简单的生成能力，而是递归反思、递归纠错、递归自我进化的能力。它不是“一次答题”，而更像一个会反复思考、持续修正并不断逼近最优解的工作系统。
如今看来，这一思路，与当下甚嚣尘上的Agent概念惊人的相似。
2023年，微软邀请深度智耀参加闭门开发者大会，并介绍Agent框架。
对深度智耀而言，这更像一次“外部命名”：公司内部原有的小模型协作体系，随后顺势演进为真正意义上的多智能体协同系统。
深度智耀的类人脑多智能体系统由此逐步成型。它不只是一个把任务串起来的工作流引擎，而更像一个由大量高精度原子化智能体构成的“仿生大脑”：既能围绕目标组织工作，也能在执行过程中持续反思、校验并递归自我进化。
深度智耀“多智能体（Multi-Agent）协同系统”
至此，深度智耀的锋芒已展露无遗。
2025年，与日本创新药企Immunorock的一次合作，将深度智耀推到了聚光灯下。
作为全球前三大医药市场，日本除了药物研发能力闻名于世外，日本药监局（PMDA）极度严苛的审核标准同样出名。而深度智耀参与支持的Immunorock临床试验方案，却实现了“零返修”和一次性通过PMDA审批。
在这次合作中，深度智耀的类人脑多智能体系统参与了从信息整合、路径规划到数字孪生推演的整套工作。不同智能体围绕终点设置、入排标准、样本量、执行路径、数据结构和监管约束分别展开分析，再通过反馈回路反复交叉校验。
也正是在这种递归推演中，系统提前识别出可能抬高脱落率的设计缺陷，帮助团队在方案定稿前完成修正。它改变的不是“写稿速度”本身，而是把很多原本要在现场执行中暴露的问题，前移到设计阶段解决。
需要注意的是，基于新药研发的监管底线以及医学伦理与合规责任，最终所有关键交付仍由专业人员审阅、签字、放行。
Immunorock只是深度智耀众多案例中的一个，其意义在于，向产业证明了：像临床方案这样长期被视作高度依赖经验和人力协同的工作，开始具备被系统化组织、被递归验证、被规模化交付的可能。
传统临床研发本质上是一种高成本的人海战术：先由一个部门起草，再拉上另一个部门修改，接着再校正统计假设、补数据结构、核对法规要求，版本在不同团队之间来回流转。时间就这样消耗在沟通、返修和反复确认里。
一旦AI能够稳定完成任务拆解、主体生成、多轮自检和约束验证，这个流程就从过去的“人生产、机器辅助”，转变为“机器生成、系统验证、专家审签”。
AI的角色不再只是预测或分类工具，而更像一个围绕目标组织工作的系统。
类人脑多智能体的价值，也不在于一次性生成一个答案，而在于它能把任务拆解、路径规划、假设提出、执行验证和结果汇总连成闭环，并在闭环中持续递归优化。
过去是人把步骤写好，系统照着执行；现在则是人给出明确目标，系统围绕目标分配角色、调用工具、校验约束，再把结果汇总成可审的输出。
而人的角色则是上移，而不是被取代，从而以更有效且可持续的方式创造价值。
在Agent系统中，人的角色是上移的
制药仍然是一个必须由专业人士签字、由资质和责任链承担后果的行业。医学、统计、药物警戒、数据管理等专家依旧是最后的把关者。但AI的介入，让专家们从大量重复劳动中抽身，更多投入到关键判断、边界把控和最终责任承担上。
而这套“目标—生成—验证—递归进化”的框架一旦跑通，所能解决的问题就远不止是临床试验。这也是深度智耀开始开辟“物质科学”新战场的底层逻辑。
如果把问题抽象到足够底层，会发现，药物、农药、半导体材料、电池材料、特种钢这些看似完全不同的领域，本质上都在做同一类任务，即围绕明确目标，在一组约束条件下寻找最优解，并通过验证不断收敛，区别只在于约束集合和验证方式。
深度智耀材料研发逻辑
年3月，深度智耀和与绿色农化巨头泰禾股份达成战略合作，基于深度智耀多智能体集群的仿生类脑架构与递归自我进化体系，以加快创新农药的研发进程。
无论是研发创新药还是创新农药，本质都是在化学空间中寻找最优组合。
深度智耀多智能体集群的AI Agent能够在巨大的化学空间中自主规划、搜索、验证，发现传统研发模式难以触及的全新分子骨架与作用机理，这套能力经过制药领域验证成熟，迁移到农药领域本质上是一种“降维应用”。
这种技术的可迁移性，进一步打开了深度智耀的估值空间，成为资本蜂拥而至的又一动因。
从深度智耀近几轮融资的投资方来看，除了红杉中国、新鼎资本等早期投资者跟投之外，还包括鼎晖百孚、信宸资本、金镒资本、凯泰资本等新股东加注，既有顶级美元基金，又有兼具产业资源的一线机构，阵容可谓豪华。
资本的聚焦，其实代表了一种趋势：市场开始重新评估AI制药公司真正稀缺的能力，不只是会不会讲一个技术故事，而是能不能把复杂工作稳定交付出来。
某种程度上，深度智耀既不是传统意义上的CRO，也不是消费级Agent的行业翻版。
其最核心的能力，不是某一个单点工具，也不是简单把数据“喂给模型”训练出来的结果，而是在长期真实交付中形成的方法学、know-how，以及一套能把临床策略、site执行、数据管理、临床/统计编程、医学写作和注册递交组织在一起的类人脑多智能体系统。
这才是深度智耀最难以被复制的资产和竞争力所在。
2024年的诺贝尔化学奖，一半被授予蛋白质设计“祖师爷”David Baker，另一半则被授予了AlphaFold的开发者Demis Hassabis、John Jumper。
David Baker（左）、Demis Hassabis（中）、John Jumper（右）
两位AI大佬的跨界获奖，被外界解读为计算机科学在生命科学界的一次历史性“转正”——不再是单纯的辅助工具，而是直接驱动产业进化的核心引擎。
这种进化能力，如今正在从前端的药物发现研发辐射到整个研发流程当中。
对于制药行业而言，下一阶段稀缺的，未必只是“找到一个答案”的能力，而是把一项工作真正做完、把一整套证据真正交付出去的能力。
从让机器学会看分子，到让系统像大脑一样组织临床试验、连接现场执行、数据管理、临床编程和递交逻辑，AI的价值坐标正在被重画。
而在这条曾经孤独的跑道上，深度智耀已经走在了前面。
[1] 2017，制造奥本海默，饭统戴老板
[2] 中美AI Agent争霸战：谁将主导下一代智能服务？远川研究所