AI·なぜAI製薬業界は後端臨床の価値を再評価し始めたのか？

3月18日、AI製薬企業の深度智耀はDラウンドで約2億ドルの資金調達を完了し、3ヶ月以内に複数回の資金調達を密集して行い、十数億元の資金を迅速に獲得した。その密度とスピードは業界でも稀有なものだ。

現在の資本市場は、熱狂と理性が共存し、リターンの確実性が技術の物語に取って代わり、資本の焦点はそこに集まっている。AI製薬は突如として台頭し、晶泰科技や英矽智能が香港株で上場し、後にはリリーと英偉達が協力して「AI製薬工場」を構築し、業界の熱狂を煽っている。

深度智耀は2017年に設立され、多くの輝く同業者の中で長らく控えめに活動してきた。彼らが取り組むのは、AI製薬の中でも比較的地味で、最も難しいとされる分野——臨床開発と証拠生成だ。

医薬品の研究開発は、大まかに薬物発見、前臨床、臨床試験、承認申請の段階に分かれる。過去数十年、業界の最も熱い物語は、AIを用いた蛋白質構造予測や分子設計、標的選定といったフロントエンドに集中していた。

一方、深度智耀は後端に焦点を当て、臨床試験という証拠の連鎖を中心に、臨床戦略、計画設計、研究センターの実行、EDCとデータ管理、臨床/統計プログラミング、医学的執筆、薬物警戒、登録支援までを段階的に構築し、AI駆動の統合的な提供体系を確立してきた。そして、多くの実プロジェクトを通じて安定した実行能力を蓄積している。

この体系を支えるのは、単一のツールではなく、人間の脳に似た多智能体システムだ。タスクの分解、役割の協調、フィードバックの検証、自己進化を通じて、臨床研究の高度に複雑で部門横断的、厳しい制約のあるワークフローを組織化し、人間の専門家に大きく依存するこの複雑なプロセスにシステム化の可能性をもたらしている。

この智能体システムこそが、深度智耀を熱い業界の希少な存在にし、遅ればせながら注目を浴びる所以だ。

AI製薬業界にとって、これは業界の重心がフロントエンドからバックエンドへと移行しつつあることを意味し、また人類の福祉を真に創造する一歩を踏み出したことを示す。そして、その一歩にはほぼ10年を要した。

逆風の中で

AIが製薬業界に最初に衝撃を与えたのは、Transformerの登場よりも前のことだ。

AlphaGoが李世石を破った同じ年、Googleは機械翻訳のためにGNMT（Google Neural Machine Translation）システムを導入した。当初はオンライン翻訳事業の改善を目的として開発されたが、意外にも当時の製薬業界の難題——医学資料の翻訳——を解決した。

2016年、GoogleはGNMTモデルを公開し、翻訳の精度を大きく向上させた。

臨床試験の計画、インフォームドコンセント、研究者マニュアルから、症例報告書、臨床研究報告書、申請資料に至るまで、新薬の登録には数台の小型トラックを満たすほどの資料翻訳が必要だ。用語の正確さだけでなく、研究設計、適応症、エンドポイント、統計仮説、規制の文脈を参加者が理解できることも求められる。

製薬業界にとって、難しいのは単に「一文を正しく翻訳する」ことではなく、医学、統計、実行、規制の論理を全体のチェーン上で整合させることだ。どこか一つの用語やエンドポイント、仮説、データの口径に偏りがあれば、その後の工程で拡大解釈され、最終的には数億円の研究開発コストが無駄になり、誤差の許容範囲は極めて低い。

GNMTの登場は、翻訳の眠りを覚まし、AIが薬物開発に関わる切り口となった。

ある意味、製薬研究開発は高度な知識駆動型であり、テキストとデータを最終的な形態とする業界だ。翻訳を一歩進めて、最終的には「言語化された表現」の課題を解決することが求められる。

新薬は、実験室から臨床へ、そして承認へと進む過程で、分子ではなく証拠のセットを規制当局に提出する。これには臨床試験計画、研究者マニュアル、インフォームドコンセント、統計分析計画、臨床研究報告書、登録申請資料などが含まれ、要するにテキスト、データ、責任の連鎖からなる生産ラインだ。

多くの新薬は上市前夜に失敗するのではなく、この「生産ライン」の中で情報損失や論理の断絶が生じ、研究開発データを規制当局が認める科学的証拠に変換できず、薬の科学的価値が埋もれたり誤読されたりしている。

深度智耀は早くから次のように判断していた：製薬業界では、理解することは生成することよりも難しい。協調して理解し、検証し、生成する能力を高めることが、創造と意思決定に進むための条件だ。

したがって、創業当初からの方針は明確だった：翻訳から入り、次に医学的執筆、データ管理、統計プログラミング、臨床運営へと拡張し、最終的に全工程をカバーする生産ラインを構築する。

この論理は、翻訳が明確な基準と参照座標系を持ち、理解度を検証できる「硬貨」であることに由来し、モデルの理解能力を最も直接的に証明できる起点だ。そこから、計画、推論、実行の中間層を段階的に取り込む。

振り返ると、この道筋は非常に先見性が高いが、当時はまさに「逆風の中の逆行」だった。

一つは、当時のモデル能力は未成熟で、GNMTは依然としてRNNの逐次計算の特徴を持ち、計算効率が低かった。後にTransformerがこの問題を解決し、事前学習が大流行したが、AIが人間の補助ツールの本質を変えることはできず、専門家の代替には遠く及ばなかった。

もう一つは、製薬は「ノウハウ」の蓄積に対して非常に高い要求を持つ業界だ。

例えば、最も重要な臨床試験計画の起草では、膨大な文献と過去のデータを基に草案の骨格を作るのが第一歩だが、その後は医学、統計、臨床の経験豊富な専門家の深い介入が必要となる。

一つの計画は、医学、臨床薬理、統計、プログラミング、データ管理、薬物警戒など複数の部門を横断し、微細な修正には大きな手間がかかる。深度智耀の初期は、「ワンクリック自動化」ではなく、実プロジェクトで何度も検証・承認を繰り返す重い工程だった。

同時に、AlphaFoldの驚異的な登場は、AIが製薬業界に与える破壊的なエネルギーを深く認識させた。

AlphaFoldは、タンパク質構造予測のために設計された神経ネットワークアーキテクチャであり、薬物開発の最も核心的な「標的構造解析」問題を解決し、従来数年、巨額の費用を要した実験解析を数分に短縮した。

AlphaFoldによる蛋白質構造予測

これにより、「AI設計分子」が業界の主流技術の一つとなり、多くの製薬企業やスタートアップがこの分野に殺到し、フロントエンドの薬物発見が資本の熱狂的な焦点となった。

深度智耀はこの嵐の外側に位置し、後端の臨床設計に静かに取り組み、実プロジェクトで何度も試行錯誤を重ね、少しずつノウハウを磨き、それを技術に還元し、システムの基盤となるコアアルゴリズムへと蓄積してきた。

そして、業界を揺るがす危機が訪れ、深度智耀とその代表的な後端臨床設計は、舞台の中心に引き上げられることとなる。

再評価の価値

2023年、AI設計による最初の新薬が期待の中で大きな打撃を受け、臨床段階で次々と失敗した。

まず、ヨーロッパのAI製薬ユニコーン企業BenevolentAIの中核パイプラインであるBEN-2293が第2相臨床試験に失敗し、株価は急落、同社は大規模な人員削減を余儀なくされた。次に、「AI設計分子」の業界リーダーExscientiaも早期の腫瘍治療薬EXS-21546（A2A受容体拮抗剤）の開発を停止した。

有名企業の連続失敗は、「AI一発で新薬を創出できる」という神話を打ち砕いた。

業界と資本は、分子設計から新薬の市場投入までの間の道のりが、想像以上に長いことを認識し始めている。

臨床試験の設計から患者の募集、データの質、統計解釈、最終的な規制対応・申請まで、一つでも誤ればすべてが水泡に帰す「一発勝負」の過程だ。最終的に規制当局に提出されるのは、解釈可能なテキスト、データ、証拠の一連の連鎖だ。

資本はもはや単に計算能力や分子数に投資するだけでなく、臨床段階の有効性データを問い直すようになった。AI製薬の「重分子・軽臨床」路線の誤りもこれにより「正されつつある」。

深度智耀など、薬物研究の後端臨床に特化した企業が資本の注目を集めている。

そして、深度智耀は技術構築と課題克服の時期を乗り越え、資金調達に依存せず自立した状態にある。

創業時の計画通り、深度智耀は次第に能力をテキストや執筆から、臨床CROの中核であるデータ管理、臨床/統計プログラミング、サイト運営、登録支援へと拡大し、臨床試験の全工程をカバーするシステムを形成している。

事業は中国、日本、米国、オーストラリア、シンガポール、東南アジアへと展開し、特に日本ではPIや研究センターのネットワークを強化し、現地実行の優位性を築いている。

深度智耀の公式サイトに掲載された事例

技術面では、深度智耀は最新モデルの追随だけにとどまらず、製薬業界の高い制約と低い誤差許容性に合わせて、可制御性と協調性を重視したシステムの再構築を進めている。

最も影響の大きかった改良は、2019年のモデル2.0から3.0への進化だ。

当時、大規模言語モデル（LLM）が先端技術企業で流行し始めたが、深度智耀は早くも、LLMの致命的な問題は「人のように見えること」ではなく、「論理的に一貫しているふりをすること」にあると認識していた。

LLMの本質は、大量のデータ上で「次の単語を予測」する訓練にあり、そのデータの多くは過去の経験の蓄積に基づくため、生成される文章は経験的な論理に偏り、絶対的な真実から乖離しやすい。

製薬業界にとって、この幻覚は単なる体験の問題ではなく、根本的な問題だ。

虚構の引用やデータは、研究開発の科学的基盤を汚染し、虚構の安全情報は被験者に深刻な危害や死亡をもたらす可能性がある。完璧に装飾された「幻覚」は、過去10年、数十億ドルの投資を一瞬で無に帰す危険性も孕む。

この分野の先駆者の一人である深度智耀は、この認識を早期に持ち、今や業界の大規模モデル開発においても4〜5年前に共通認識を形成していた。これにより、成熟した業界標準や外部ツールに頼ることなく、底層から解決策を再構築する必要に迫られた。

この段階で、深度智耀は「より強力なモデルを作る」ことから、「臨床研究の場面でより制御可能で協調性の高い、複雑なワークフローを担えるシステムを作る」へと問題意識をシフトさせた。

深度智耀の解法は、単一の巨大モデルに賭けるのではなく、「分解する」ことだ。

「分解」とは、単にモデルを複数の機能モジュールに分けることではなく、複雑なタスクを明確な能力境界を持つ多数の智能体に分担させ、それぞれが意思決定、計画、検索、執筆、プログラミング、校正、検証などを担当し、神経のような通信とフィードバックループを通じて相互に検証・制御し合う仕組みだ。

このアーキテクチャの核心は、多役割協調だけでなく、人間の脳に似た働き方を模倣したものだ。大脳神経ネットワークのように、システムは線形に答えを出すのではなく、実行過程で上流を振り返り、中間結果を修正し、タスクの経路を再構成する。もしあるステップが制約を満たさなければ、新たな推論と検証をトリガーし、最終的に実用的な結果に近づくまで繰り返す。

言い換えれば、単なる生成能力ではなく、反省・訂正・自己進化を繰り返す能力を持つシステムだ。これは「一度答える」だけのものではなく、何度も考え、修正し、最適解に近づく作業システムだ。

この思考は、今や巷で話題のエージェント（Agent）概念と驚くほど類似している。

2023年、Microsoftは深度智耀を招き、閉会の開発者会議でエージェントフレームワークを紹介した。

これは、深度智耀にとって「外部命名」のようなもので、社内の小モデル協調体系が進化し、真の多智能体協調システムへと変貌を遂げた証だ。

深度智耀の人間脳に似た多智能体システムは、次第に形になってきた。これは単なるタスクの連結を行うワークフローエンジンではなく、多数の高精度な原子化智能体からなる「擬似大脳」のようなもので、目標に沿った作業を組織しつつ、実行中も絶えず反省・検証・自己進化を続ける。

これにより、深度智耀の鋭さは一層際立つ。

人の役割の上昇

2025年、深度智耀は日本の革新的医薬品企業Immunorockとの協力を通じて、注目を浴びることとなる。

世界有数の医薬品市場である日本では、医薬品開発能力だけでなく、日本の医薬品医療機器総合機構（PMDA）の厳格な審査基準も有名だ。深度智耀が支援したImmunorockの臨床試験計画は、「ゼロリワーク」と一回の承認通過を実現した。

この協力では、深度智耀の人間脳に似た多智能体システムが、情報統合、経路計画、デジタルツインの推演など一連の作業に関与した。異なる智能体が、終点設定、入排基準、サンプル数、実行経路、データ構造、規制制約を分析し、フィードバックループを通じて何度も交差検証を行った。

この反復推論により、設計上の欠陥を事前に検知し、修正を行うことができた。これは、「執筆速度」そのものを変えるのではなく、従来現場で露呈していた問題を設計段階で解決することに寄与した。

ただし、新薬の規制基準や医学倫理、コンプライアンス責任に基づき、最終的な重要な成果物は専門家の審査・署名・承認を経る必要がある。

深度智耀の事例の一つに過ぎないが、その意義は、長年経験と人力協調に依存してきた臨床計画のような仕事も、システム化・再帰的検証・規模化が可能であることを証明した点にある。

従来の臨床研究は、高コストの人海戦術にほかならず、ある部門が起草し、別の部門が修正し、統計仮説を調整し、データ構造を補完し、規制要件を確認しながら、何度もやり取りを繰り返す。時間はコミュニケーションや修正、確認に浪費される。

AIがタスクの分解、主体の生成、多回の自己検査、制約の検証を安定して行えるようになれば、この流れは「人間の生産・機械の補助」から、「機械の生成・システムの検証・専門家の承認」へと変わる。

AIの役割は、単なる予測や分類ツールから、目標に沿った作業を組織するシステムへと進化する。

人間の脳に似た多智能体の価値は、一度答えを出すことではなく、タスクの分解、経路の計画、仮説の提案、実行の検証、結果の総合を閉ループにし、継続的に最適化を図る点にある。

過去は人が手順を書き、それにシステムが従うだけだったが、今や人が明確な目標を示し、システムが役割を分担し、ツールを呼び出し、制約を検証し、結果をまとめて出力する時代だ。

そして、人の役割は「上位化」され、「代替」されることなく、より効果的かつ持続可能な価値創造を可能にする。

エージェントシステムにおける人の役割は上位化される

製薬は依然として、専門家の署名と資格・責任の連鎖により結果が担保される必要がある業界だ。医学、統計、薬物警戒、データ管理の専門家は最後の審査者だ。しかし、AIの介入により、専門家は大量の反復作業から解放され、重要な判断や境界の管理、最終責任の負担に集中できる。

この「目標—生成—検証—自己進化」の枠組みが一度動き出せば、その適用範囲は臨床試験だけにとどまらない。これこそが深度智耀が「物質科学」の新たな戦場を切り開き始めた根底の論理だ。

問題を根底まで抽象化すれば、薬剤、農薬、半導体材料、電池材料、特殊鋼など、異なる分野も本質的には同じタスクを行っていることに気づく。すなわち、明確な目標のもと、制約条件の中で最適解を探索し、検証を通じて収束させる作業だ。違いは制約の集合と検証方法だけだ。

深度智耀の材料研究の論理

今年3月、深度智耀は緑色農薬大手の泰禾股份と戦略的提携を結び、擬似大脳アーキテクチャと自己進化体系を用いて、革新的農薬の開発を加速させている。

革新的医薬品や農薬の研究も、化学空間の中で最適な組み合わせを見つけることにほかならない。

深度智耀多智能体集団のAIエージェントは、巨大な化学空間の中で自主的に計画・探索・検証を行い、従来の研究開発では到達し得なかった新しい分子骨格や作用機序を発見できる。この能力は製薬分野で実証済みであり、農薬分野への応用も「次元を下げた」形で進められている。

この技術の移転性は、深度智耀の評価額をさらに押し上げ、資本の流入を促進している。

最近の数回の資金調達に参加した投資者を見ると、Sequoia Chinaや新鼎キャピタルなどの早期投資家に加え、鼎晖百孚、信宸キャピタル、金镒キャピタル、凯泰キャピタルなどの新規株主も資金を投入しており、トップクラスの米ドルファンドから産業資源を持つ一線の機関まで、豪華な顔ぶれだ。

資本の集中は、ひとつのトレンドを示している。それは、市場がAI製薬企業の本当に希少な能力——単に技術の物語を語れるかどうかではなく、複雑な仕事を安定して実現できるかどうか——を再評価し始めていることだ。

深度智耀は、従来のCROや消費者向けエージェントの模倣ではなく、最も重要な能力は、単一のツールやデータを「モデルに食わせて」得られる結果ではなく、長期の実績とノウハウ、そして臨床戦略、サイト運営、データ管理、臨床/統計プログラミング、医学的執筆、登録申請を一体化した人間脳に似た多智能体システムの構築にある。

これこそが、深度智耀の最も模倣困難な資産と競争力だ。

最後に

2024年のノーベル化学賞は、半分が蛋白質設計の「祖師」デイビッド・ベイカーに、もう半分がAlphaFoldの開発者デミス・ハサビスとジョン・ジャンパーに授与された。

デイビッド・ベイカー（左）、デミス・ハサビス（中）、ジョン・ジャンパー（右）

この二人のAI界の巨頭の受賞は、計算機科学が生命科学の世界において「正式に認められた」ことの象徴と解釈されている——もはや単なる補助ツールではなく、産業の進化を直接推進するコアエンジンだ。

この進化の能力は、今や薬物発見・研究のフロントエンドから、全体の研究開発プロセスへと波及している。

製薬業界にとって、次の時代に希少となるのは、「答えを見つける能力」だけではなく、「仕事を完遂し、証拠を確実に提出する能力」だ。

分子を見つめる機械を作るところから、臨床試験を組織し、現場の実行、データ管理、臨床プログラミング、提出のロジックをシステム化するまで、AIの価値座標は再定義されつつある。

そして、この孤独な道を先導してきたのは、深度智耀だ。