Tanya AI · Mengapa industri farmasi berbasis AI mulai menilai ulang nilai klinis belakang?

Pada 18 Maret, perusahaan farmasi berbasis AI, ShenDu ZhiYao, mengumumkan penyelesaian pendanaan seri D hampir 200 juta dolar AS. Melalui beberapa putaran pendanaan yang intensif dalam waktu tiga bulan, mereka dengan cepat memperoleh dana lebih dari sepuluh miliar RMB, dengan tingkat kepadatan dan kecepatan yang jarang terjadi di industri.

Pasar modal saat ini menunjukkan kombinasi antara panas dan rasionalitas, di mana kepastian imbal hasil menggantikan narasi teknologi, menjadi fokus perhatian modal. Perkembangan pesat farmasi berbasis AI, dengan perusahaan seperti JingTai Technology dan YingXi Intelligent yang melantai di Hong Kong, serta kolaborasi Eli Lilly dan Nvidia membangun “pabrik farmasi AI”, membuat jalur ini menjadi sangat panas.

ShenDu ZhiYao didirikan pada 2017, dan dibandingkan dengan banyak perusahaan sejenis yang bersinar sejenak, mereka tetap rendah hati dan tidak menonjolkan diri. Bidang spesialisasi mereka dulu adalah salah satu yang paling sepi dan paling sulit dihadapi dalam farmasi AI—yaitu pengembangan klinis dan pembuktian bukti.

Pengembangan obat secara umum dibagi menjadi beberapa tahap: penemuan obat, pra-klinis, uji klinis, dan pengajuan registrasi. Selama bertahun-tahun, narasi paling populer di industri berfokus pada tahap awal penemuan obat, seperti menggunakan AI untuk memprediksi struktur protein, merancang molekul, dan menyaring target.

Namun, ShenDu ZhiYao fokus pada bagian belakang, yaitu rantai bukti uji klinis. Mereka membangun sistem pengiriman terpadu berbasis AI yang mencakup strategi klinis, desain skema, pelaksanaan pusat penelitian, hingga EDC dan manajemen data, pemrograman klinis/statistik, penulisan medis, farmakovigilans, dan dukungan registrasi. Mereka secara bertahap membangun sistem ini dan mengumpulkan kemampuan pengiriman yang stabil melalui banyak proyek nyata.

Yang mendukung sistem ini bukanlah satu alat tunggal, melainkan sistem multi-agen yang menyerupai otak manusia. Melalui pemecahan tugas, kolaborasi peran, umpan balik verifikasi, dan evolusi diri secara rekursif, mereka mengatur workflow yang sangat kompleks, lintas departemen, dan dengan batasan ketat dalam pengembangan klinis. Hal ini memungkinkan proses yang sangat bergantung pada keahlian manusia ini dapat diproduksi secara sistematis.

Justru sistem agen ini yang membuat ShenDu ZhiYao menjadi aset langka di jalur yang sedang panas, dan mendapatkan perhatian yang terlambat namun signifikan.

Bagi industri farmasi berbasis AI, ini berarti fokus industri sedang bergeser dari front-end ke back-end, dan ini juga menandai langkah besar menuju penciptaan manfaat manusia yang nyata—dan langkah ini telah diambil hampir sepuluh tahun lamanya.

Melawan arus di puncak gelombang

Gelombang pertama dari dampak AI terhadap industri farmasi datang lebih awal dari kelahiran Transformer.

Pada tahun yang sama AlphaGo mengalahkan Lee Sedol, Google meluncurkan sistem GNMT (Google Neural Machine Translation) untuk penerjemahan mesin. Awalnya dikembangkan untuk meningkatkan layanan terjemahan online mereka, tetapi secara tak terduga menyelesaikan masalah rumit di industri farmasi saat itu—terjemahan data medis.

Pada 2016, Google merilis model GNMT yang secara signifikan meningkatkan akurasi terjemahan.

Dari skema uji klinis, informed consent, manual peneliti, laporan kasus, laporan penelitian klinis, hingga dokumen pengajuan, untuk mendaftarkan obat baru, data yang perlu diterjemahkan bisa memenuhi beberapa truk kecil. Data tersebut tidak hanya harus sangat akurat dalam terminologi, tetapi juga harus memastikan bahwa peserta benar-benar memahami desain studi, indikasi, endpoint, hipotesis statistik, dan konteks regulasi.

Bagi industri farmasi, tantangannya bukan sekadar menerjemahkan kalimat dengan benar, melainkan menyelaraskan logika medis, statistik, eksekusi, dan regulasi di seluruh rantai. Setiap deviasi dalam terminologi, endpoint, hipotesis, atau definisi data dapat diperbesar secara berantai di tahap berikutnya. Akibatnya, biaya riset ratusan juta dolar bisa sia-sia, dan tingkat toleransi kesalahan sangat rendah.

Kemunculan GNMT membuat tidur nyenyak dan bantal, sekaligus menjadikan terjemahan sebagai titik masuk AI ke pengembangan obat.

Dalam tingkat tertentu, pengembangan farmasi adalah industri yang sangat berbasis pengetahuan dan berorientasi pada teks dan data sebagai bentuk akhirnya. Dari perluasan ini, akhirnya yang ingin diselesaikan adalah masalah “ekspresi bahasa” dari seluruh proses pengembangan obat.

Obat baru, dari laboratorium ke klinik, lalu ke persetujuan, bukan hanya molekul, tetapi seluruh rangkaian bukti—termasuk skema uji klinis, manual peneliti, informed consent, rencana analisis statistik, laporan penelitian klinis, dokumen pengajuan, dan lain-lain—pada dasarnya adalah jalur produksi yang terdiri dari teks, data, dan rantai tanggung jawab.

Banyak obat gagal sebelum peluncuran, bukan karena nilai klinisnya kurang, tetapi karena kegagalan di jalur produksi ini. Dalam proses “bahasa”, terjadi kehilangan informasi atau terputusnya logika, sehingga data pengembangan tidak dapat diubah menjadi rangkaian bukti ilmiah yang diakui regulator. Akibatnya, nilai ilmiah obat tersembunyi atau disalahartikan.

ShenDu ZhiYao sejak awal berpendapat: Dalam industri farmasi, pemahaman lebih sulit daripada produksi, dan kolaborasi yang menghasilkan lebih penting. Hanya dengan membangun pemahaman, verifikasi, dan kolaborasi yang stabil dalam skenario dengan batasan tinggi, barulah bisa menuju penciptaan dan pengambilan keputusan.

Oleh karena itu, sejak awal perusahaan menetapkan jalur pengembangan: Dimulai dari penerjemahan, lalu memperluas ke penulisan medis, manajemen data, pemrograman statistik, dan operasi klinis, hingga akhirnya membentuk jalur produksi lengkap.

Logikanya, penerjemahan memiliki sistem referensi dan standar benar-salah yang jelas, menjadi “alat ukur keras” paling langsung untuk memverifikasi kemampuan pemahaman model. Dari titik awal ini, secara bertahap mereka menguasai lapisan perencanaan, penalaran, dan eksekusi di tengah.

Melihat ke belakang, jalur ini sangat visioner, tetapi pada saat itu seperti “melawan arus” di puncak gelombang.

Di satu sisi, kemampuan model saat itu belum matang; GNMT sendiri belum lepas dari karakteristik RNN berurutan, menyebabkan efisiensi komputasi rendah. Meskipun Transformer kemudian menyelesaikan masalah ini dan pretraining menjadi tren besar, namun tidak mengubah esensi AI sebagai alat bantu manusia—jauh dari mampu menggantikan profesional.

Di sisi lain, industri farmasi adalah industri yang sangat membutuhkan kedalaman pengetahuan “know-how”.

Sebagai contoh, menyusun skema uji klinis inti adalah proses yang pertama kali dilakukan dengan membangun kerangka draft berdasarkan literatur dan data sebelumnya. Selanjutnya, tim yang terdiri dari ahli medis, statistik, dan klinis akan melakukan intervensi mendalam.

Satu skema melibatkan banyak departemen: medis, farmakologi klinis, statistik, pemrograman, manajemen data, dan farmakovigilans. Perubahan kecil pun harus dilakukan dengan hati-hati dan hati-hati. ShenDu ZhiYao di masa awal tidak berfokus pada otomatisasi satu klik seperti yang dibayangkan orang, melainkan pada proses verifikasi dan persetujuan berulang dalam proyek nyata.

Sementara itu, peluncuran AlphaFold membuat industri farmasi menyadari kekuatan AI yang luar biasa.

AlphaFold adalah arsitektur neural network khusus untuk prediksi struktur protein, menyelesaikan masalah utama dalam pengenalan struktur target yang selama ini memakan waktu bertahun-tahun dan biaya besar, kini dapat dilakukan dalam hitungan menit.

AlphaFold memprediksi struktur protein

Hingga saat ini, “AI desain molekul” menjadi salah satu arah utama perkembangan teknologi industri. Banyak perusahaan farmasi besar dan startup berlomba masuk ke jalur ini, dan penemuan obat di front-end menjadi pusat perhatian investor yang sangat panas.

ShenDu ZhiYao tetap berada di luar badai ini, fokus pada desain klinis bagian belakang, bekerja keras secara diam-diam, berulang kali mengasah dan memperbaiki, secara perlahan “menggiling” know-how mereka, yang kemudian kembali memperkuat teknologi dan mengkonsolidasikan algoritma inti sistem.

Selanjutnya, sebuah krisis besar melanda industri dan mendorong ShenDu ZhiYao serta perusahaan yang mewakili desain klinis bagian belakang ke depan panggung.

Nilai Penilaian Ulang

Pada 2023, obat-obat yang dirancang dengan AI yang pertama kali dinantikan justru mengalami pukulan keras dan gagal secara kolektif di tahap klinis.

Pertama, perusahaan farmasi unicorn Eropa, BenevolentAI, mengumumkan kegagalan uji klinis fase II dari pipeline utama BEN-2293, menyebabkan harga saham jatuh dan perusahaan harus melakukan PHK besar-besaran; kemudian, perusahaan percontohan “desain molekul AI” Exscientia menghentikan pengembangan pipeline tumor awal EXS-21546 (A2A receptor antagonist).

BenevolentAI umumkan kegagalan uji klinis BEN-2293 fase IIa

Serangkaian pukulan dari perusahaan terkenal ini menghancurkan mitos “AI otomatis menghasilkan obat baru”.

Industri dan modal menyadari bahwa dari desain molekul hingga obat baru masuk pasar, jalur yang harus dilalui jauh lebih panjang dari yang dibayangkan.

Dari desain uji klinis hingga pelaksanaan rekrutmen, dari kualitas data hingga interpretasi statistik, dan akhirnya komunikasi regulasi serta pengajuan, satu langkah keliru bisa membuat seluruh usaha sia-sia. Ini adalah proses “berjuang” tanpa jalan kembali. Yang akhirnya diserahkan ke regulator adalah rangkaian teks, data, dan bukti yang dapat dijelaskan.

Modal tidak lagi hanya membayar untuk kekuatan komputasi dan jumlah molekul, tetapi mulai mempertanyakan efektivitas pipeline di tahap klinis. Kesalahan jalur “berfokus pada molekul, mengabaikan klinis” mulai diperbaiki.

Perusahaan seperti ShenDu ZhiYao yang fokus pada pengembangan klinis obat masuk ke dalam pandangan modal.

Saat ini, ShenDu ZhiYao telah melewati masa pembangunan teknologi dan tantangan utama, dan mandiri tanpa bergantung pada pendanaan lagi.

Menurut rencana awal, ShenDu ZhiYao kemudian memperluas kemampuan mereka dari teks dan penulisan ke manajemen data klinis, pemrograman statistik, operasi situs, dan dukungan registrasi, membentuk sistem lengkap yang mencakup seluruh proses uji klinis;

Bisnis mereka juga berkembang ke China, Jepang, AS, Australia, Singapura, dan Asia Tenggara, terutama membangun jaringan PI dan pusat penelitian yang kuat di Jepang, menciptakan keunggulan lokal dalam pelaksanaan.

Contoh kasus yang dipamerkan di situs resmi ShenDu ZhiYao

Secara teknologi, ShenDu ZhiYao tidak berhenti pada mengikuti model generasi terbaru, melainkan merekonstruksi sistem mereka berdasarkan karakteristik industri farmasi yang sangat terikat dan toleransi rendah terhadap kesalahan, dengan fokus pada controllability dan kolaborasi.

Transformasi paling berdampak besar terjadi saat iterasi model dari versi 2.0 ke 3.0 pada 2019.

Saat itu, model bahasa besar (LLM) mulai populer di perusahaan teknologi terdepan, tetapi ShenDu ZhiYao sejak awal menyadari bahwa masalah utama LLM bukanlah ketidakmampuan menulis seperti manusia, melainkan bahwa model ini cenderung “berpura-pura benar seperti manusia”.

Inti dari LLM adalah pelatihan untuk memprediksi kata berikutnya berdasarkan data dalam jumlah besar, yang sebagian besar berasal dari pengalaman masa lalu, sehingga output cenderung mengikuti logika pengalaman, bukan fakta mutlak.

Dalam industri farmasi, ilusi ini bukan sekadar masalah pengalaman, tetapi masalah fundamental.

Sebuah kutipan fiktif atau data palsu dapat merusak dasar ilmiah seluruh rantai pengembangan; informasi keamanan obat palsu bisa menyebabkan cedera serius atau kematian subjek uji; dan “ilusi” yang dipoles sempurna bisa membuat investasi miliaran dolar selama satu dekade hilang dalam sekejap.

Sebagai salah satu pelopor di bidang ini, ShenDu ZhiYao menyadari hal ini jauh lebih awal—4-5 tahun sebelum industri menyepakati standar pengembangan model besar. Ini berarti mereka harus membangun solusi dari bawah, karena tidak ada standar industri yang matang maupun alat yang sudah tersedia.

Pada tahap ini, ShenDu ZhiYao mulai secara tegas mengalihkan fokus dari “bagaimana membuat model yang lebih kuat” ke “bagaimana membangun sistem yang lebih terkendali, kolaboratif, dan mampu menangani workflow kompleks dalam pengembangan klinis”.

Solusi ShenDu ZhiYao bukan lagi bertaruh pada satu model monolitik yang besar, melainkan “membongkar otak”.

“Pembongkaran otak” bukan sekadar memecah satu model menjadi beberapa modul fungsi, tetapi membagi tugas kompleks ke banyak agen cerdas dengan batas kemampuan yang jelas, yang masing-masing bertanggung jawab atas pengambilan keputusan, perencanaan, pencarian, penulisan, pemrograman, pemeriksaan, dan verifikasi, lalu berkomunikasi dan memberi umpan balik seperti koneksi saraf, saling memeriksa dan menyeimbangkan.

Inti arsitektur ini bukan hanya kolaborasi multi-peran, tetapi cara kerja yang menyerupai otak manusia. Seperti jaringan saraf otak, sistem ini tidak hanya mengeluarkan jawaban secara linier, tetapi secara terus-menerus meninjau ke atas, memperbaiki hasil tengah, dan mengatur ulang jalur tugas. Jika satu langkah tidak memenuhi batasan, sistem akan memicu proses baru untuk menalar dan memverifikasi sampai hasil mendekati yang dapat digunakan.

Dengan kata lain, sistem ini tidak hanya mampu menghasilkan secara satu kali, tetapi memiliki kemampuan refleksi rekursif, koreksi rekursif, dan evolusi diri secara berulang. Bukan sekadar “menjawab sekali”, melainkan sistem kerja yang mampu berpikir ulang, memperbaiki, dan terus mendekati solusi optimal.

Kini, konsep ini sangat mirip dengan gagasan Agent yang sedang ramai diperbincangkan.

Pada 2023, Microsoft mengundang ShenDu ZhiYao untuk mengikuti konferensi pengembang tertutup dan memperkenalkan kerangka kerja Agent.

Bagi ShenDu ZhiYao, ini lebih seperti “penamaan eksternal”: sistem kolaborasi model kecil internal mereka secara alami berkembang menjadi sistem kolaborasi multi-agen yang sesungguhnya.

Sistem multi-agen yang menyerupai otak manusia ini mulai terbentuk secara bertahap. Bukan hanya mesin alur kerja yang menghubungkan tugas-tugas, tetapi seperti “otak bionik” yang terdiri dari banyak agen atomik berpresisi tinggi: mampu mengorganisasi pekerjaan berdasarkan tujuan, serta terus-menerus melakukan refleksi, verifikasi, dan evolusi diri selama proses eksekusi.

Sistem ini telah menunjukkan keunggulan kompetitifnya secara nyata.

Posisi manusia pun meningkat

Pada 2025, kolaborasi dengan perusahaan farmasi inovatif Jepang, Immunorock, membawa ShenDu ZhiYao ke pusat perhatian.

Sebagai salah satu dari tiga pasar farmasi terbesar di dunia, Jepang terkenal tidak hanya karena kemampuan riset dan pengembangan obat, tetapi juga karena standar pengujian yang sangat ketat dari Badan Pengawas Obat dan Makanan Jepang (PMDA). Dalam proyek ini, ShenDu ZhiYao mendukung skema uji klinis Immunorock yang berhasil “tanpa revisi” dan langsung disetujui PMDA dalam satu kali proses.

Dalam kolaborasi ini, sistem multi-agen yang menyerupai otak manusia dari ShenDu ZhiYao terlibat dalam seluruh rangkaian mulai dari integrasi informasi, perencanaan jalur, hingga simulasi digital twin. Agen-agen yang berbeda menganalisis dari sudut pandang target akhir, kriteria masuk, jumlah sampel, jalur eksekusi, struktur data, dan batasan regulasi, lalu melalui umpan balik berulang kali melakukan cross-check.

Dalam proses rekursif ini, sistem mampu mengidentifikasi secara dini potensi cacat desain yang dapat meningkatkan risiko kegagalan, membantu tim melakukan revisi sebelum finalisasi skema. Sistem ini bukan hanya mempercepat proses penulisan, tetapi memindahkan banyak masalah yang biasanya muncul saat pelaksanaan langsung ke tahap desain, sehingga dapat diselesaikan lebih awal.

Perlu dicatat, bahwa berdasarkan batasan regulasi pengembangan obat baru dan tanggung jawab etika serta kepatuhan medis, semua dokumen penting akhirnya tetap harus diperiksa, disahkan, dan disetujui oleh profesional.

Immunorock hanyalah salah satu dari banyak contoh ShenDu ZhiYao. Maknanya adalah membuktikan kepada industri bahwa pekerjaan yang selama ini dianggap sangat bergantung pada pengalaman dan kolaborasi manusia, seperti skema klinis, mulai mampu diorganisasi secara sistematis, diverifikasi secara rekursif, dan didistribusikan secara skala besar.

Pengembangan klinis tradisional secara esensial adalah strategi biaya tinggi yang melibatkan banyak tenaga manusia: dari satu departemen yang menyusun draft, kemudian departemen lain melakukan revisi, lalu menyesuaikan hipotesis statistik, menambah struktur data, memeriksa regulasi, dan seterusnya, dengan versi yang berganti-ganti di berbagai tim. Waktu terbuang untuk komunikasi, revisi, dan konfirmasi berulang.

Jika AI mampu secara stabil melakukan pemecahan tugas, menghasilkan konten utama, melakukan pemeriksaan berulang, dan verifikasi batasan, proses ini akan bertransformasi dari “manusia memproduksi, mesin membantu” menjadi “mesin menghasilkan, sistem memverifikasi, dan ahli menandatangani”.

Peran AI tidak lagi sebatas alat prediksi atau klasifikasi, tetapi sebagai sistem yang mengorganisasi pekerjaan berdasarkan tujuan.

Nilai dari sistem multi-agen yang menyerupai otak manusia bukanlah sekadar menghasilkan jawaban sekali jalan, tetapi mampu memecah tugas, merencanakan jalur, mengusulkan hipotesis, melakukan verifikasi, dan mengkonsolidasikan hasil menjadi loop tertutup yang terus-menerus dioptimalkan secara rekursif.

Dulu, manusia menulis langkah-langkahnya, lalu sistem menjalankan sesuai; sekarang, manusia menetapkan tujuan yang jelas, sistem membagi peran, memanggil alat, memverifikasi batasan, dan akhirnya menyusun hasil yang dapat diaudit.

Peran manusia pun meningkat, bukan digantikan, sehingga menciptakan nilai secara lebih efektif dan berkelanjutan.

Dalam sistem Agent, peran manusia adalah meningkat

Industri farmasi tetap harus melibatkan profesional bersertifikat dan bertanggung jawab secara hukum. Ahli medis, statistik, farmakovigilans, dan manajemen data tetap menjadi pengawas terakhir. Tetapi, dengan masuknya AI, para ahli dapat mengurangi pekerjaan berulang yang banyak dan lebih fokus pada penilaian kritis, pengaturan batas, dan tanggung jawab akhir.

Setelah kerangka “tujuan—hasil—verifikasi—evolusi rekursif” ini berjalan, masalah yang dapat diselesaikan tidak hanya terbatas pada uji klinis. Ini juga menjadi dasar bagi ShenDu ZhiYao untuk membuka bidang baru dalam “ilmu material”.

Jika masalahnya diangkat ke tingkat yang cukup fundamental, akan terlihat bahwa bidang berbeda seperti obat, pestisida, bahan semikonduktor, bahan baterai, dan baja khusus, secara esensial melakukan tugas yang sama: mencari solusi optimal dalam kerangka tujuan tertentu, di bawah sekumpulan batasan, dan melalui proses verifikasi yang terus menyempurnakan konvergensi. Perbedaannya hanya pada kumpulan batasan dan metode verifikasi.

Logika pengembangan bahan ShenDu ZhiYao

Pada Maret tahun ini, ShenDu ZhiYao menjalin kemitraan strategis dengan raksasa bahan pertanian hijau, Taihe Co., berdasarkan arsitektur bionik multi-agen dan sistem evolusi diri rekursif mereka, untuk mempercepat pengembangan pestisida inovatif.

Baik pengembangan obat inovatif maupun pestisida inovatif, intinya sama: mencari kombinasi terbaik dalam ruang kimia.

AI Agen dari sistem multi-agen ShenDu ZhiYao mampu merencanakan, mencari, dan memverifikasi secara mandiri dalam ruang kimia yang sangat besar, menemukan kerangka molekul dan mekanisme aksi baru yang sulit dijangkau oleh metode tradisional. Kemampuan ini telah terbukti matang di bidang farmasi dan secara esensial merupakan aplikasi “dimensi rendah” saat diterapkan di bidang pestisida.

Kemampuan transfer teknologi ini semakin memperluas nilai ShenDu ZhiYao dan menjadi salah satu alasan mengapa modal berbondong-bondong masuk.

Dari investor dalam beberapa putaran pendanaan terakhir ShenDu ZhiYao, selain Sequoia China dan New Ding Capital yang ikut berinvestasi, juga ada Dinghui Baifu, Xinchen Capital, Jinyi Capital, dan Kaita Capital, yang merupakan investor baru. Mereka meliputi dana dolar top dan lembaga industri yang memiliki sumber daya industri, sehingga komposisinya sangat mewah.

Fokus modal ini sebenarnya mencerminkan tren: pasar mulai menilai kembali kemampuan langka yang benar-benar dimiliki perusahaan farmasi AI, bukan sekadar mampu menceritakan kisah teknologi, tetapi mampu secara stabil menyelesaikan pekerjaan kompleks.

Dalam tingkat tertentu, ShenDu ZhiYao bukanlah CRO tradisional maupun versi industri dari agen konsumen.

Kemampuan inti mereka bukanlah satu alat tunggal, maupun hasil pelatihan dari data yang “diberi” ke model, melainkan metodologi, know-how, dan sistem multi-agen yang menyerupai otak manusia, yang terbentuk dari pengalaman nyata jangka panjang dalam pengiriman. Sistem ini mampu mengintegrasikan strategi klinis, eksekusi situs, manajemen data, pemrograman klinis/statistik, penulisan medis, dan pengajuan registrasi secara terpadu.

Inilah aset dan keunggulan kompetitif ShenDu ZhiYao yang paling sulit ditiru.

Akhir Kata

Pada 2024, Penghargaan Nobel Kimia sebagian besar diberikan kepada “pendiri” desain protein, David Baker, dan sebagian lainnya kepada pengembang AlphaFold, Demis Hassabis dan John Jumper.

David Baker (kiri), Demis Hassabis (tengah), John Jumper (kanan)

Penghargaan lintas bidang dari dua tokoh AI ini dipandang sebagai momen “pengakuan resmi” bagi ilmu komputer dalam dunia ilmu kehidupan—tidak lagi sekadar alat bantu, tetapi sebagai mesin penggerak utama evolusi industri.

Kemampuan evolusi ini kini mulai menyebar dari front-end penemuan obat ke seluruh proses pengembangan.

Bagi industri farmasi, tahap berikutnya yang langka bukan hanya kemampuan “menemukan jawaban”, tetapi kemampuan menyelesaikan pekerjaan secara tuntas dan menyerahkan rangkaian bukti secara lengkap.

Dari mengajarkan mesin melihat molekul, hingga mengorganisasi uji klinis seperti otak, menghubungkan pelaksanaan lapangan, manajemen data, pemrograman klinis, dan logika pengajuan, posisi nilai AI sedang dirombak ulang.

Dan di jalur yang dulu terasa sepi ini, ShenDu ZhiYao sudah berada di garis depan.