Питаючи AI · Чому індустрія фармацевтики на основі ШІ почала переоцінювати цінність кінцевих клінічних досліджень?

3 березня компанія Deep Intelligent Yao, що спеціалізується на ШІ у фармацевтиці, оголосила про завершення раунду D-інвестицій майже на 200 мільйонів доларів США. За три місяці вона провела кілька раундів фінансування, швидко залучивши понад 1 мільярд юанів, що є вкрай рідкісним у галузі за темпами та інтенсивністю.

На сучасному ринку капіталу спостерігається поєднання ентузіазму та раціональності: прибутковість стає головним орієнтиром, витісняючи технологічні нарративи. Індустрія ШІ у фармацевтиці стрімко зростає — передові компанії, такі як Jing Tai Technology та Yingxi Intelligent, вже котять лотоси на біржах, а Lilly у співпраці з NVIDIA створює «фабрики ШІ для фармацевтики», що підсилює інтерес до цієї галузі.

Deep Intelligent Yao заснована у 2017 році. В порівнянні з багатьма іншими гравцями, що швидко з’явилися і зникли, вона тривалий час тримала низький профіль. Її спеціалізація — одна з найскладніших і найменш популярних у галузі — клінічні дослідження та генерація доказової бази.

Розробка ліків умовно поділяється на етапи: відкриття молекул, доклінічні дослідження, клінічні випробування та реєстрація. В останні роки найбільший інтерес викликали саме перші етапи — використання ШІ для передбачення структури білків, дизайну молекул і відбору цілей.

Deep Intelligent Yao зосереджена на кінці ланцюга — клінічних дослідженнях, формуючи доказову базу. Вона працює над клінічною стратегією, проектуванням схем, виконанням досліджень, управлінням даними, статистичним програмуванням, медичним письмом, фармаконаглядом і підтримкою реєстрації. В результаті створила цілісну систему, що базується на ШІ, і накопичила стабільні можливості виконання реальних проектів.

Цю систему підтримують не окремі інструменти, а комплекс штучних інтелектуальних агентів, що імітують людський мозок. Завдяки розбиттю задач, ролям, зворотньому зв’язку та самовдосконаленню, вона здатна організовувати складні міжвіддільні робочі процеси, що раніше були можливі лише за участі висококваліфікованих фахівців.

Саме ця система зробила Deep Intelligent Yao унікальним гравцем у популярному сегменті, привернувши увагу інвесторів.

Для галузі фармацевтики це означає, що фокус зміщується з відкриття нових молекул до удосконалення кінцевих клінічних досліджень. Це — великий крок уперед, і він триває вже майже десять років.

Від протилежного напрямку

Перший вплив ШІ на фармацевтику з’явився раніше, ніж з’явився Transformer.

У 2016 році, у рік, коли AlphaGo переміг Лі Седоля, Google запустила систему GNMT (Google Neural Machine Translation) для машинного перекладу. Спочатку її розробляли для покращення онлайн-перекладу, але вона несподівано вирішила одну з найскладніших проблем у галузі — переклад медичних документів.

З того часу, з випуском GNMT, точність перекладу значно зросла. Це стосувалося всіх етапів — від клінічних протоколів, інформованих згод, керівництв дослідників, до звітів про випадки, клінічних досліджень і подачі документів на реєстрацію. Для реєстрації нового препарату потрібно перекласти величезну кількість матеріалів — їх можна порівняти з кількістю вантажівок. Вони мають бути точними, щоб забезпечити правильне розуміння дослідниками, регуляторами та іншими зацікавленими сторонами.

Для фармацевтичної галузі головною проблемою завжди було не просто перекласти речення, а узгодити медичну, статистичну, регуляторну логіку на всьому ланцюгу. Помилка в термінах, цілі, гіпотезах або даних може призвести до масштабних наслідків — витратити сотні мільйонів доларів і зіпсувати репутацію.

З появою GNMT переклад став не просто допоміжним інструментом, а точкою входу для застосування ШІ у розробку ліків.

Загалом, фармацевтика — це високозалежна від знань галузь, де текст і дані є кінцевими формами представлення. Виходячи з перекладу, можна сказати, що головна проблема — це «мовне оформлення» всього процесу розробки ліків.

Від лабораторних досліджень до клініки і до реєстрації — замість окремих молекул, регулятори отримують цілі ланцюги доказів: протоколи, керівництва, згоди, статистичні плани, звіти та реєстраційні матеріали. Це — виробнича лінія, що складається з тексту, даних і відповідальності.

Багато нових препаратів не доходять до ринку не через недостатню клінічну цінність, а через проблеми з «виробничою лінією»: втрату інформації або логічні розриви під час «мовного оформлення». Це ускладнює перетворення дослідних даних у науково обґрунтовані докази для регуляторів, що може призвести до приховування або неправильного тлумачення цінності ліків.

Deep Intelligent Yao рано зробила висновок: у фармацевтиці розуміння — це складніше за створення, а співпраця — важливіша за окреме створення. Тільки навчившись стабільно розуміти, перевіряти та співпрацювати у високорозподілених сценаріях, можна рухатися до створення та прийняття рішень.

Саме тому компанія з самого початку визначила шлях розвитку: спершу — переклад, потім — медичне письмо, управління даними, статистичне програмування та клінічний менеджмент, щоб сформувати повний виробничий цикл.

Логіка проста: переклад має чіткі орієнтири та стандарти правильності, що робить його найпрямішим способом перевірки розуміння моделі. Звідси — поступове освоєння планування, логіки та виконання.

Загалом, цей шлях був дуже передбачливим, хоча на початку здавався «протилежним» тренду.

З одного боку, тоді моделі були ще недостатньо розвиненими: GNMT працював на RNN, що був низькоефективним. Пізніше з’явився Transformer, що вирішив цю проблему, і попит на попереднє навчання зріс. Але це не змінило суті — ШІ залишався допоміжним інструментом, а не заміною фахівців.

З іншого боку, фармацевтика — це галузь з високими вимогами до «знань та досвіду».

Наприклад, розробка клінічних протоколів — це не просто створення шаблонів. Це команда з медиків, статистиків, фармакологів, програмістів, менеджерів даних і регуляторів, які глибоко залучені у кожен крок. Навіть незначна зміна вимагає масштабних коригувань.

Deep Intelligent Yao на початку не прагнула автоматизації «одним натисканням», а займалася багаторазовою перевіркою та корекцією у реальних проектах.

Паралельно, з’явлення AlphaFold, що революціонізував структурну біологію, змусило фармацевтичну галузь усвідомити силу AI.

AlphaFold — нейронна мережа для передбачення структури білків, що вирішує найскладнішу задачу — визначення цільової структури. Це дозволяє скоротити роки та мільйони доларів на експерименти до кількох хвилин.

AlphaFold передбачає структуру білка

З цього моменту «AI для дизайну молекул» став одним із головних напрямків галузі. Ведучі фармкомпанії та стартапи активно входять у цей сегмент, а відкриття нових молекул — у центр уваги інвестицій.

Deep Intelligent Yao залишається поза цим штормом, зосереджуючись на кінцевих клінічних дослідженнях, наполегливо працюючи у реальних проектах, накопичуючи «знання» та вдосконалюючи системи, що лежать в основі алгоритмів.

Наступний етап — криза, яка поставила під сумнів цінність «однієї моделі — одного рішення».

Зміна цінності

У 2023 році перші ліки, створені за допомогою ШІ, зазнали серйозних невдач у клінічних випробуваннях.

Спочатку компанія BenevolentAI, один із лідерів у Європі, оголосила про провал фази II для препарату BEN-2293, що спричинило різке падіння акцій і масові скорочення. Пізніше, стартап Exscientia закрив свою ранню онкологічну лінію з розробки A2A-антагоніста EXS-21546.

BenevolentAI оголосила про невдачу у клінічних випробуваннях

Ці провали руйнують міф про «один клік — новий препарат». Індустрія і капітал усвідомили, що шлях від дизайну молекули до виходу на ринок набагато довший і складніший, ніж очікувалося.

Від проектування протоколів і набору пацієнтів до аналізу даних і спілкування з регуляторами — кожен крок критичний. Помилка може звести нанівець всі зусилля і кошти. В результаті, регулятори отримують цілі ланцюги доказів — тексти, дані, обґрунтування.

Інвестиції вже не просто купують обчислювальні потужності та молекули, а вимагають підтвердження ефективності на клінічних етапах. Помилка у стратегії «зменшення ролі клініки» — виправлена.

Deep Intelligent Yao та подібні компанії, що зосереджені на кінцевих клінічних дослідженнях, тепер у полі зору інвесторів.

Зараз, пройшовши етап технічної побудови та вирішення складних задач, компанія стала самодостатньою і не залежить від додаткового фінансування.

Згідно з початковим планом, Deep Intelligent Yao розширила свої можливості з текстового та медичного письма до управління даними, клінічного програмування, підтримки сайтів і реєстраційних процедур, сформувавши повний цикл досліджень.

Компанія працює в Китаї, Японії, США, Австралії, Сінгапурі та інших регіонах, з особливим акцентом на Японії, де створила мережу дослідницьких центрів і PI, що забезпечує локалізацію та високий рівень виконання.

Технічно, Deep Intelligent Yao не зупиняється на оновленні моделей, а переробляє системи з урахуванням високих вимог галузі — з акцентом на контрольованість і співпрацю.

Найзначущіша модернізація відбулася у 2019 році, коли модель 2.0 перейшла до 3.0.

Тоді, коли великі мовні моделі (LLM) почали поширюватися, Deep Intelligent Yao рано усвідомила, що головна проблема — не у тому, щоб писати схоже на людину, а у тому, щоб не видавати «самовпевнених вигадок».

LLM навчаються на масиві даних, що базуються на досвіді, і схильні до логічних помилок, що може призвести до серйозних наслідків у фармацевтиці — фальшивих цитат, неправдивих даних або навіть шкоди пацієнтам.

Це — не просто технічна проблема, а питання безпеки та довіри.

Deep Intelligent Yao ще за кілька років до появи галузевих стандартів усвідомила цю проблему і почала розробляти власні рішення, що дозволяють контролювати якість і надійність моделей.

Саме тоді вона почала переформатовувати свою стратегію з «створення більш потужних моделей» у «створення систем, що більш керовані, співпрацюючі та здатні виконувати складні робочі процеси у клінічних дослідженнях».

Її підхід — не у створенні одного гігантського моделю, а у «розбитті розуму» на багато менших агентів.

Це не просто модульність, а архітектура, що імітує людський мозок: кожен агент виконує свою роль — прийняття рішень, планування, пошук, написання, програмування, перевірка, валідація — і взаємодіє через мережу зворотнього зв’язку.

Ця система не дає просто відповіді, а постійно аналізує, коригує та самовдосконалюється. Вона здатна не лише генерувати, а й рефлексувати, виправляти помилки і поступово наближатися до оптимального рішення.

Зараз ця ідея дуже нагадує концепцію агентів (Agent) у сучасних системах штучного інтелекту.

У 2023 році Microsoft запросила Deep Intelligent Yao на закриту конференцію розробників і представила концепцію Multi-Agent framework.

Для Deep Yao це — не просто назва, а еволюція внутрішньої системи, що перетворилася з невеликих моделей у справжню багатомодульну систему.

Її «мозок» — це не просто сукупність агентів, а «біонічний мозок», здатний організовувати роботу, аналізувати та самовдосконалюватися у процесі виконання.

Розширення ролі людини

У 2025 році, у співпраці з японською компанією Immunorock, Deep Intelligent Yao вийшла на новий рівень.

Японія — один із трьох найбільших ринків у світі, відома високими стандартами досліджень і суворими регуляторними вимогами. У цій співпраці, завдяки системі багатомодульних агентів, вдалося досягти «нульових виправлень» і однократного схвалення PMDA.

У процесі роботи системи різні агенти аналізували цілі, критерії відбору, обсяг зразків, шлях дослідження, структуру даних і регуляторні обмеження, постійно перевіряючи та коригуючи проект.

Завдяки цій рекурсивній моделі, система виявила потенційні недоліки ще на етапі проектування, що дозволило команді внести корективи до затвердження.

Зміни стосувалися не швидкості написання, а попереднього виявлення проблем, які раніше могли проявитися лише під час реального виконання.

Важливо: усі ключові документи та рішення залишаються під контролем фахівців, що підписують і затверджують їх.

Immunorock — лише один із багатьох кейсів Deep Intelligent Yao, але він демонструє, що робота з довгостроковою високорозподіленою експертизою, такою як клінічні протоколи, вже може бути систематизована, перевірена та масштабована.

Традиційна клінічна розробка — це високовартісна «людська війна»: від підготовки документів до узгодження, корекцій і повторних перевірок. Вона займає багато часу і ресурсів.

Якщо AI зможе стабільно виконувати розбиття задач, генерацію, багатократну перевірку та контроль — цей процес перетвориться з «людської роботи з допомогою машин» у «машинну генерацію з людським контролем».

Роль AI — не просто прогнозування або класифікація, а системна організація роботи навколо цілі.

Модель «людський мозок — багато агентів» дозволяє не лише швидко генерувати відповіді, а й створювати замкнені цикли оптимізації, що постійно вдосконалюються.

Раніше люди писали кроки, а системи їх виконували. Тепер — люди ставлять ціль, а системи розподіляють ролі, використовують інструменти, перевіряють і узагальнюють результати.

Роль людини — піднятися вище, а не бути заміненим, щоб створювати цінність більш ефективно і стійко.

У системі агентів роль людини — підвищується

Фармацевтика залишається галуззю, де потрібна підписка кваліфікованих фахівців і відповідальність за результати. Медики, статистики, регулятори, менеджери даних — вони залишаються останніми контролерами. Але завдяки AI, фахівці звільняються від рутинної роботи і зосереджуються на ключових рішеннях, межах і відповідальності.

Якщо ця «мета — генерація — перевірка — рекурсивне вдосконалення» система запрацює, вона відкриє нові горизонти не лише для клінічних досліджень, а й для матеріалознавства та інших галузей.

Якщо абстрагувати проблему до найнижчого рівня, то зрозуміло, що ліки, агрохімія, напівпровідники, батареї, спеціальні сталі — всі ці сфери, з різними цілями і обмеженнями, насправді виконують одне й те саме завдання: шукати оптимальні рішення у заданих умовах і доводити їх до ідеалу через перевірки.

Логіка матеріалознавства Deep Intelligent Yao

У березні цього року компанія уклала стратегічну співпрацю з японським гігантом у галузі агрохімії — Taiho Corporation, використовуючи свою архітектуру багатомодульних агентів і системи самовдосконалення для прискорення розробки нових агрохімікатів.

Як у розробці нових ліків, так і у створенні нових агрохімікатів, головна ідея — пошук найкращої комбінації у хімічному просторі.

Модель агентів Deep Intelligent Yao може самостійно планувати, шукати і перевіряти нові молекули, відкриваючи нові структурні та функціональні механізми, що раніше були недосяжні для традиційних методів.

Ця технологія вже довела свою ефективність у фармацевтиці і тепер застосовується у сільському господарстві — це «зниження рівня складності» задачі.

Це відкриває нові можливості для оцінки компанії та залучення капіталу, оскільки інвестори бачать, що галузь починає цінувати справжні унікальні можливості AI.

З інвестиційних раундів компанії видно, що окрім провідних фондів, таких як Sequoia China і New Dignity Capital, до них приєдналися й інші — Dingshui Baifu, Xinchen Capital, Jinyi Capital, Kaita Capital. Це свідчить про високий інтерес і довіру з боку провідних інвесторів.

Це свідчить про тренд: ринок починає переоцінювати справжню цінність компаній, здатних стабільно виконувати складні роботи, а не просто розповідати технологічні історії.

Deep Intelligent Yao не є просто CRO або копією агентів для споживчого ринку.

Її головна цінність — не окремий інструмент або результат навчання моделі, а методологія, досвід і система, що поєднує клінічну стратегію, виконання на майданчиках, управління даними, клінічне програмування, медичне письмо і реєстраційні процеси у єдину багатомодульну систему, що імітує людський мозок.

Саме це — найскладніша і найцінніша конкурентна перевага.

Підсумки

У 2024 році Нобелівська премія з хімії буде частково присвячена відкриттю структури білків і розробці AlphaFold. Її лауреатами стануть Дейвід Бейкер і Деміс Хассабіс із командою.

Дві видатні особистості у галузі AI отримали нагороду за внесок у біологію і хімію, що вважається історичним моментом — AI перестає бути допоміжним інструментом і стає рушієм інновацій у життєвій науці.

Це означає, що еволюція AI вже поширюється від відкриття нових препаратів до всього процесу досліджень.

Для фармацевтичної галузі важливо не лише «знайти відповідь», а й довести її до кінця, сформувати повний набір доказів і передати їх регуляторам.

Зміщення цінностей — від пошуку молекул до системної організації клінічних досліджень — змінює і координати цінності AI.

І саме Deep Intelligent Yao вже йде попереду цієї революції.