问AI · почему индустрия AI-фармацевтики начала переоценивать ценность задней клинической стадии?

18 марта компания Deep Intelligent Yao объявила о завершении раунда D-финансирования почти на 200 миллионов долларов. Проведя несколько интенсивных раундов за три месяца, она быстро собрала более десяти миллиардов юаней, что является редкостью в отрасли по плотности и скорости привлечения капитала.

На текущем рынке капитала сочетаются горячие тренды и рациональность: определенность возврата инвестиций вытесняет технологические нарративы, и именно это привлекает внимание инвесторов. В сфере AI-фармацевтики наблюдается стремительный рост: ранее на бирже вышли компании Jing Tai Technology и Yingxi Intelligent, а позже — Lilly совместно с Nvidia создали «AI-фармацевтическую фабрику», что значительно разогрело интерес к этому сегменту.

Deep Intelligent Yao основана в 2017 году и, в отличие от многих сверкающих компаний, долгое время держалась в тени. Ее ниша — одна из самых сложных и менее освещенных в AI-фармацевтике — клиническая разработка и генерация доказательств.

Разработка лекарств условно делится на этапы: открытие препарата, доклинические исследования, клинические испытания и регистрация. За прошедшие годы наиболее популярные нарративы сосредоточены на ранних стадиях — предсказании структуры белков, дизайне молекул и скрининге мишеней с помощью AI.

Deep Intelligent Yao сосредоточена на задней части цепочки — клинических испытаниях, которые являются критической частью цепи доказательств. Компания занимается клиническими стратегиями, проектированием протоколов, выполнением исследований в центрах, управлением электронными данными (EDC), клиническим/статистическим программированием, медицинским писательством, фармаконадзором и поддержкой регистрации. Постепенно формируется интегрированная система доставки, управляемая AI, которая уже зарекомендовала себя в многочисленных реальных проектах, демонстрируя стабильные показатели выполнения.

Эта система основана не на отдельном инструменте, а на системе, напоминающей человеческий мозг — мультиагентной системе. Разбивая задачи на части, распределяя роли, осуществляя обратную связь и рекурсивное самосовершенствование, она организует сложные, межотраслевые, с жесткими ограничениями рабочие процессы, что делает возможным систематизированное производство, ранее недоступное для человека-эксперта.

Именно эта мультиагентная система сделала Deep Intelligent Yao редким активом в горячем сегменте и привлекла к ней внимание инвесторов.

Для индустрии AI-фармацевтики это означает, что фокус смещается с фронтальной части — открытия новых молекул — на заднюю часть — клиническую разработку. Это также важный шаг к созданию технологий, реально приносящих пользу человечеству, и этот путь занял почти десять лет.

Обратный ход в тренде

Первое влияние AI на фармацевтическую индустрию произошло раньше появления Transformer.

В том же году, когда AlphaGo победил Ли Седоля, Google запустила систему GNMT (Google Neural Machine Translation), изначально предназначенную для улучшения онлайн-переводов, но неожиданно решившую проблему перевода медицинских данных — одной из самых сложных задач в фармацевтике.

В 2016 году Google выпустила модель GNMT, значительно повысившую точность перевода.

Перевод требовал обработки огромных объемов информации: протоколов клинических исследований, информированных согласий, руководств исследователей, отчетов о случаях, клинических отчетов и регистрационных документов. Для регистрации нового препарата необходимо было перевести тонны материалов. Требовалась абсолютная точность терминов, а также глубокое понимание исследовательского дизайна, показаний, конечных точек, статистических гипотез и регуляторных требований.

Для фармацевтической отрасли проблема заключалась не только в точности перевода, а в согласовании медицинской, статистической, исполнительной и регуляторной логики. Любая ошибка в терминах, конечных точках, гипотезах или данных могла привести к серьезным последствиям, включая огромные финансовые потери и низкую терпимость к ошибкам.

Появление GNMT сделало перевод возможным и открыло путь AI к участию в разработке лекарств.

В определенном смысле, разработка лекарств — это высокоинтеллектуальная отрасль, основанная на текстах и данных. Расширяя роль перевода, в конечном итоге решается задача «языкового оформления» всего процесса разработки.

От лабораторных исследований до клинических испытаний и регистрации — регуляторам передается не отдельная молекула, а целая цепочка доказательств: протоколы, руководства, информированные согласия, планы статистического анализа, отчеты, регистрационные материалы — по сути, это производственная линия, состоящая из текста, данных и ответственности.

Многие препараты терпят неудачу накануне выхода на рынок не из-за недостаточной клинической ценности, а из-за потерь информации или логических разрывов в «языковом оформлении» — в процессе преобразования данных в научные доказательства, признанные регуляторами. В результате ценность научных данных оказывается скрытой или неправильно интерпретированной.

Ранние оценки Deep Intelligent Yao: в фармацевтике понимание сложнее, чем генерация, а совместное понимание — важнее. Только в условиях высокой ограниченности можно развивать стабильное понимание, проверку и сотрудничество, что дает право идти к созданию и принятию решений.

Именно поэтому с момента основания компания выбрала путь развития: начать с перевода, затем расширяться в области медицинского писательства, управления данными, статистического программирования и клинической операции, формируя полноценную производственную линию.

Логика такова: перевод — это наиболее четкий эталон и критерий правильности, это «жесткая валюта» для проверки понимания модели. Отсюда — постепенное освоение планирования, рассуждений и исполнения.

Оглядываясь назад, этот путь был очень перспективным, хотя в то время казался «обратным» тренду.

С одной стороны, модели тогда были еще несовершенными: GNMT использовала RNN, что снижало эффективность. Позже, с появлением Transformer, эффективность значительно выросла, и предобученные модели стали стандартом, но это не изменило сути AI как вспомогательного инструмента, не заменяющего профессионалов.

С другой стороны, фармацевтика — это отрасль с очень высоким уровнем «знаниевой базы»: создание протоколов — это не только сбор данных, а сложный процесс, требующий глубокого участия экспертов.

Например, разработка ключевого протокола клинических исследований — это не только построение каркаса на основе литературы и данных, а глубокое участие команд специалистов в медицине, статистике, клинике.

Один протокол охватывает множество отделов: медицину, фармакологию, статистику, программирование, управление данными, фармаконадзор — даже небольшие изменения требуют масштабных усилий. В ранней стадии Deep Intelligent Yao сталкивалась не с автоматизацией «одним кликом», а с многократной проверкой и одобрением в реальных проектах.

Параллельно, появление AlphaFold продемонстрировало мощь AI в фармацевтике.

AlphaFold — нейросеть, специально созданная для предсказания структур белков, решающая одну из самых сложных задач — определение структуры мишеней. Она сокращает годы и миллионы затрат на экспериментальные исследования до нескольких минут.

AlphaFold предсказывает структуру белка

Теперь «AI-дизайн молекул» стал одним из главных направлений развития отрасли. Крупные фармкомпании и стартапы активно входят в этот сегмент, делая открытие новых лекарственных молекул приоритетом для инвестиций.

Deep Intelligent Yao занимается задней частью — клиническим дизайном, тихо совершенствуя свои технологии на реальных проектах, постепенно «шлифуя» know-how, которое затем интегрируется в базовые алгоритмы системы.

Вскоре после этого, индустриальный кризис вывел Deep Intelligent Yao и его подход к клиническому дизайну на передний план.

Переоценка ценности

В 2023 году первые лекарства, разработанные с помощью AI, столкнулись с массовым провалом на клинической стадии.

Ключевой проект европейского гиганта BenevolentAI — BEN-2293 — провалился на второй фазе клинических испытаний, что привело к падению акций и массовым сокращениям. Вскоре после этого, лидер отрасли Exscientia прекратил разработку своего раннего онкологического препарата EXS-21546 (A2A-антогонист).

BenevolentAI объявила о неудаче BEN-2293 на фазе IIa

Через серию таких неудач разрушилась мифология о «AI-генерации новых лекарств одним кликом».

Индустрия и капитал осознали, что путь от дизайна молекул до выхода лекарства на рынок гораздо длиннее, чем предполагалось.

От проектирования клинических протоколов до набора участников, от качества данных до статистической интерпретации, от регуляторных коммуникаций до подачи документов — любой промах может полностью перечеркнуть все усилия. Итог — это цепочка, которая должна быть полностью объяснимой и доказуемой, иначе результат не имеет смысла.

Капитал перестал инвестировать только в вычислительные мощности и количество молекул, теперь он требует данных о клинической эффективности. Ошибка стратегии «фокус на молекулах, игнорирование клиники» — исправлена.

Компании, такие как Deep Intelligent Yao, специализирующиеся на задней клинической разработке, начинают привлекать внимание инвесторов.

На данном этапе, Deep Intelligent Yao уже прошла этап технологической сборки и преодолела начальные трудности, освободившись от зависимости от внешнего финансирования.

По изначальному плану, компания расширила свои возможности с текстов и писательства на ключевые области — управление данными, клиническое/статистическое программирование, работу на площадках и поддержку регистрации, формируя полноценную систему, охватывающую весь цикл клинических исследований.

Бизнес расширился на Китай, Японию, США, Австралию, Сингапур и Юго-Восточную Азию, особенно в Японии создав сильную сеть PI и исследовательских центров, что дает преимущества локальной реализации.

Примеры на сайте Deep Intelligent Yao

Технически, компания постоянно совершенствует архитектуру системы. Особенно важным стало обновление с версии 2.0 до 3.0 в 2019 году.

Тогда, когда крупные языковые модели (LLM) начали набирать популярность, Deep Intelligent Yao уже понимала, что главная проблема LLM — не в том, что они пишут как человек, а в том, что они могут «логично объясняться как человек».

Суть LLM — обучение на огромных данных с задачей предсказания следующего слова, при этом большая часть данных — из опыта, что приводит к генерации текста, соответствующего логике, а не абсолютной правде.

В фармацевтике, такая иллюзия — не вопрос восприятия, а вопрос надежности.

Вымышленные цитаты или данные могут разрушить научную основу всей цепочки разработки; ложная информация о безопасности лекарства — привести к серьезным травмам или смертям участников; идеально замаскированная иллюзия — может обнулить инвестиции за десятилетия.

Будучи одним из немногих пионеров в отрасли, Deep Intelligent Yao сформировала это понимание на 4-5 лет раньше общего признания в индустрии. Это означает, что нет готовых стандартов или инструментов — приходится самостоятельно строить решения с нуля.

На этом этапе компания начала явно менять фокус: с вопроса «как сделать более мощную модель» — на «как создать систему, более управляемую, более скоординированную и способную выполнять сложные рабочие процессы в клинической разработке».

Ее подход — не в увеличении размера модели, а в «разделении мозга».

Под «разделением мозга» понимается не простое деление модели на модули, а разбиение сложных задач на множество агентов с четко определенными границами возможностей, которые выполняют решения, планирование, поиск, написание, программирование, проверку и валидацию, взаимодействуя через нейросетевые связи и обратные связи, проверяя и балансируя друг друга.

Ключевая особенность этой архитектуры — не только командное взаимодействие, а способ работы, напоминающий работу человеческого мозга. Как нейронная сеть, система не просто выдает ответ, а в процессе выполнения постоянно возвращается к исходным данным, исправляет промежуточные результаты и переосмысливает задачи. Если какое-то условие не выполнено, система инициирует новые вычисления и проверки, пока не достигнет приемлемого результата.

Иными словами, она обладает не просто генеративными возможностями, а способностью к рекурсивному размышлению, исправлению ошибок и самосовершенствованию. Это не «один раз ответить», а система, которая постоянно думает, исправляется и приближается к оптимальному решению.

На сегодняшний день эта идея удивительно похожа на концепцию «агентов».

В 2023 году Microsoft пригласила Deep Intelligent Yao на закрытую конференцию разработчиков, где представила концепцию Agent.

Для Deep Intelligent Yao это было скорее «внешним именованием»: внутренние системы взаимодействия небольших моделей постепенно эволюционировали в полноценную мультиагентную систему.

Эта мультиагентная система, напоминающая человеческий мозг, постепенно сформировалась. Она не просто цепочка задач, а «бионический мозг», состоящий из множества высокоточных атомарных агентов, которые могут организовать работу по цели и одновременно в процессе выполнения постоянно рефлексировать, проверять и самосовершенствоваться.

Мультиагентная (Multi-Agent) система Deep Intelligent Yao

На этом этапе вся мощь Deep Intelligent Yao полностью раскрылась.

Позиция человека — выше

В 2025 году, после сотрудничества с японской инновационной фармацевтической компанией Immunorock, Deep Intelligent Yao вышла на передний план.

Япония — один из трех крупнейших рынков в мире, известный не только своими возможностями в разработке лекарств, но и очень строгими стандартами регуляции, особенно со стороны японского Агентства по лекарственным средствам (PMDA). В рамках поддержки Deep Intelligent Yao, клинические протоколы Immunorock получили «нулевых исправлений» и были одобрены PMDA с первой попытки.

В этом проекте мультиагентная система Deep Intelligent Yao участвовала во всей цепочке — от интеграции информации, планирования маршрутов до моделирования цифровых двойников. Разные агенты анализировали цели, критерии включения, объем выборки, пути выполнения, структуру данных и регуляторные требования, взаимодействуя через обратные связи и перекрестную проверку.

Именно в ходе этого рекурсивного моделирования система выявила потенциальные дефекты дизайна, которые могли повысить риск отказа, и помогла команде внести коррективы до окончательного утверждения протокола. Это не просто ускорило работу, а позволило выявить и устранить проблемы на ранней стадии, еще до финализации документации.

Важно подчеркнуть, что, исходя из регуляторных требований, эти ключевые материалы все равно проверяются и подписываются специалистами.

Immunorock — лишь один из множества кейсов Deep Intelligent Yao, но он демонстрирует важный принцип: работы, традиционно считающиеся очень зависимыми от опыта и человеческого взаимодействия, начинают систематизироваться, проходить рекурсивную проверку и масштабироваться.

Классическая клиническая разработка — это дорогостоящая «человеко-волна»: сначала один отдел разрабатывает, другой исправляет, затем корректируют статистические гипотезы, дополняют данные, проверяют соответствие нормативам — и так по кругу. Время уходит на коммуникацию, исправления и повторные проверки.

Когда AI сможет стабильно выполнять разбиение задач, генерацию сценариев, многократную самопроверку и валидацию, этот процесс перейдет из «человеческой работы с помощью машин» в «машинное производство с экспертным контролем».

Роль AI перестанет быть только предсказательной или классификационной, а станет системой, организующей работу вокруг цели.

Ценность мультиагентной системы — не в однократной генерации ответа, а в способности разбивать задачи, планировать пути, формулировать гипотезы, проверять их и собирать результаты в замкнутый цикл, постоянно его оптимизируя.

Раньше человек задавал этапы, а система их выполняла; теперь человек ставит цель, а система распределяет роли, вызывает инструменты, проверяет ограничения и формирует итоговый результат, который можно проверить и утвердить.

Роль человека при этом — не в замене, а в повышении уровня: он становится выше, сосредотачиваясь на стратегических задачах, а не на рутинной работе, что позволяет создавать ценность более эффективно и устойчиво.

Роль человека в системе Agent — выше

Фармацевтика по-прежнему — это отрасль, где необходимы подписи специалистов, ответственность и квалификация. Медики, статистики, фармаконадзор, менеджеры данных — все они остаются последней инстанцией. Но внедрение AI освобождает экспертов от рутинных задач, позволяя им сосредоточиться на ключевых решениях, границах ответственности и финальной ответственности.

Когда реализуется эта «цель — генерация — проверка — рекурсивное развитие» структура, задачи, которые она решает, выходят далеко за рамки клинических испытаний. Это и есть базовая логика, которая позволяет Deep Intelligent Yao начать осваивать новые области «материальной науки».

Если абстрагировать проблему до более глубокого уровня, становится очевидным, что такие разные области, как разработка лекарств, пестицидов, полупроводниковых материалов, аккумуляторов, специальных сталей — по сути, выполняют одну и ту же задачу: при ясной цели и наборе ограничений искать оптимальное решение, которое с помощью верификации сходится к точке минимума. Различия — только в наборе ограничений и методах проверки.

Логика разработки материалов Deep Intelligent Yao

В марте этого года компания заключила стратегическое партнерство с крупным японским производителем сельскохозяйственной химии — Tairho. Используя мультиагентную мультиагентную архитектуру и систему рекурсивного самосовершенствования, она ускоряет разработку новых агрохимикатов.

Будь то новые лекарства или новые пестициды, суть — поиск оптимальных комбинаций в химическом пространстве.

AI-агенты Deep Intelligent Yao могут самостоятельно планировать, искать и проверять новые молекулы, открывать ранее недоступные структурные скелеты и механизмы действия. Эта технология прошла проверку в фармацевтике и теперь переносится в агрохимию — по сути, это «пониженная размерность» задачи.

Эта переносимость технологий значительно расширяет оценочные возможности Deep Intelligent Yao и становится одним из факторов притока инвестиций.

Анализ последних раундов финансирования показывает, что, помимо ранних инвесторов — Sequoia China, New Ding Capital — привлекли новых участников: Dingshui Baifu, Xinchen Capital, Jinyi Capital, Kaita Capital. В их числе — ведущие американские фонды и крупные индустриальные игроки, что свидетельствует о высокой заинтересованности рынка.

Фокус инвесторов отражает тренд: рынок начинает переоценивать истинные редкие способности AI-фармацевтики — не только рассказывать технологические истории, а стабильно выполнять сложные задачи.

В определенной степени Deep Intelligent Yao — не классический CRO и не копия потребительских агентов.

Ее ключевое конкурентное преимущество — не отдельный инструмент или результат «обучения на данных», а методология, know-how, накопленные за годы реальных проектов, и мультиагентная система, объединяющая клиническую стратегию, работу площадок, управление данными, программирование, медицинское писательство и регистрацию.

Это — самое ценное и трудно копируемое конкурентное преимущество компании.

Заключение

В 2024 году половина Нобелевских премий по химии будет присуждена за работу по проектированию белков: одна — «учителю» белкового дизайна Дэвиду Бейкеру, другая — разработчикам AlphaFold — Демису Хассабису и Джону Джамперу.

Дэвид Бейкер (слева), Демис Хассабис (в центре), Джон Джампер (справа)

Объединенная награда двух ведущих ученых в области AI интерпретируется как исторический «признание» компьютерных наук в биологических науках — теперь AI не только вспомогательный инструмент, а движущая сила индустриальных преобразований.

Эта эволюция уже распространяется от ранних стадий — поиска и разработки лекарств — на весь цикл исследований и разработок.

Для фармацевтической отрасли следующая ценность — не только в умении найти ответ, а в способности полностью завершить работу и представить полный набор доказательств.

От обучения машин распознаванию молекул до организации клинических испытаний, соединения полей, управления данными, программирования и подачи документов — координаты ценности AI переосмыслены.

И на этой давно одинокой дороге Deep Intelligent Yao уже идет впереди.