Hỏi AI · Tại sao ngành dược phẩm dựa trên AI bắt đầu đánh giá lại giá trị của giai đoạn hậu cần lâm sàng?

Vào ngày 18 tháng 3, công ty dược phẩm dựa trên AI Deep Intelligence Yao (深度智耀) đã công bố hoàn thành vòng gọi vốn Series D gần 200 triệu USD, với việc huy động vốn liên tục trong vòng 3 tháng, nhanh chóng thu về hơn 1 tỷ nhân dân tệ, mật độ và tốc độ huy động vốn hiếm có trong ngành.

Thị trường vốn hiện nay vừa nóng vừa có lý trí, sự chắc chắn về lợi nhuận đã thay thế cho câu chuyện công nghệ, trở thành tiêu điểm của các nhà đầu tư. Ngành dược dựa trên AI nổi lên như một làn sóng mới, trước đó có các công ty như Jing Tai Technology (晶泰科技), Yingxi Intelligent (英矽智能) đã niêm yết trên sàn Hồng Kông, sau đó có Liên minh của Eli Lilly và Nvidia hợp tác xây dựng “nhà máy dược phẩm AI”, khiến cho lĩnh vực này trở nên sôi động hơn bao giờ hết.

Deep Intelligence Yao thành lập từ năm 2017, so với nhiều đối thủ nổi bật khác, luôn giữ thái độ khiêm tốn lâu dài. Trong lĩnh vực nhỏ hẹp này, từng là một trong những lĩnh vực ít người chú ý và cũng là “xương khó gặm nhất” của AI dược phẩm — phát triển lâm sàng và tạo bằng chứng.

Phát triển thuốc nói chung gồm các giai đoạn phát hiện thuốc, tiền lâm sàng, thử nghiệm lâm sàng và đăng ký hồ sơ. Trong nhiều năm qua, câu chuyện nóng nhất của ngành tập trung vào phần đầu của quá trình này, như dự đoán cấu trúc protein, thiết kế phân tử và sàng lọc mục tiêu bằng AI.

Deep Intelligence Yao tập trung vào phần sau, xây dựng chuỗi bằng chứng liên quan đến thử nghiệm lâm sàng, từ chiến lược lâm sàng, thiết kế phương án, thực thi trung tâm nghiên cứu, đến quản lý dữ liệu EDC, lập trình thống kê, viết y học, cảnh báo thuốc và hỗ trợ đăng ký, từng bước xây dựng một hệ thống tích hợp dựa trên AI, đã tích lũy khả năng giao hàng ổn định qua nhiều dự án thực tế.

Hệ thống này không dựa vào một công cụ đơn lẻ, mà là một hệ thống đa trí tuệ giống như não người. Thông qua phân chia nhiệm vụ, phối hợp vai trò, phản hồi kiểm tra và tự tiến hóa lặp lại, tổ chức quy trình phức tạp, nhiều bộ phận, có nhiều ràng buộc trong nghiên cứu phát triển lâm sàng, giúp quá trình này, vốn phụ thuộc nhiều vào chuyên gia, có khả năng được hệ thống hóa và sản xuất hàng loạt.

Chính hệ thống trí tuệ này đã giúp Deep Intelligence Yao trở thành một mục tiêu hiếm hoi trong lĩnh vực sôi động, thu hút sự chú ý muộn màng.

Đối với ngành dược dựa trên AI, điều này có nghĩa là trọng tâm của ngành đang chuyển từ phía trước sang phía sau, đồng thời cũng là bước tiến lớn trong việc tạo ra lợi ích thực sự cho nhân loại. Và bước tiến này đã mất gần một thập kỷ.

Đi ngược dòng trong thời kỳ bùng nổ

Lần đầu tiên AI tác động đến ngành dược phẩm còn sớm hơn cả sự ra đời của Transformer.

Trong cùng năm AlphaGo thắng Lee Sedol, Google đã ra mắt hệ thống GNMT (Google Neural Machine Translation), ban đầu nhằm cải thiện dịch vụ dịch trực tuyến của mình, nhưng lại vô tình giải quyết được một vấn đề nan giải của ngành dược thời đó — dịch tài liệu y học.

Năm 2016, Google công bố mô hình GNMT, nâng cao rõ rệt độ chính xác dịch.

Từ các phương án thử nghiệm lâm sàng, giấy đồng ý thông tin, sổ tay nhà nghiên cứu, đến báo cáo ca bệnh, báo cáo nghiên cứu lâm sàng và hồ sơ đăng ký, để đăng ký một loại thuốc mới, cần dịch một lượng tài liệu đủ để chất đầy vài chiếc xe nhỏ. Yêu cầu không chỉ chính xác tuyệt đối về thuật ngữ, mà còn phải đảm bảo người tham gia thực sự hiểu rõ thiết kế nghiên cứu, chỉ định, chỉ tiêu cuối cùng, giả thuyết thống kê và ngữ cảnh quản lý.

Đối với ngành dược, khó khăn không chỉ là “dị một câu đúng”, mà còn là làm cho các logic y học, thống kê, thực thi và quản lý phù hợp với nhau trên toàn chuỗi. Bất kỳ thuật ngữ, chỉ tiêu, giả thuyết hay cách hiểu dữ liệu nào sai lệch đều có thể bị khuếch đại trong các bước tiếp theo. Kết quả cuối cùng có thể là hàng trăm triệu chi phí nghiên cứu phát triển đổ sông đổ biển, với tỷ lệ sai sót cực thấp.

Sự xuất hiện của GNMT khiến việc dịch trở nên khả thi, đồng thời cũng khiến AI trở thành điểm chạm trong nghiên cứu phát triển thuốc.

Ở mức độ nào đó, nghiên cứu phát triển thuốc là một ngành dựa trên kiến thức cao, vận hành chủ yếu dựa vào văn bản và dữ liệu dưới dạng cuối cùng. Từ việc dịch thuật mở rộng ra, cuối cùng cần giải quyết chính là điểm đau của toàn bộ quy trình nghiên cứu phát triển thuốc — “biểu đạt ngôn ngữ”.

Một loại thuốc mới, từ phòng thí nghiệm đến lâm sàng, rồi đến phê duyệt, không phải là một phân tử đơn lẻ, mà là một chuỗi bằng chứng gồm có phương án thử nghiệm lâm sàng, sổ tay nhà nghiên cứu, giấy đồng ý, kế hoạch phân tích thống kê, báo cáo nghiên cứu lâm sàng, hồ sơ đăng ký, v.v., về bản chất là một dây chuyền sản xuất gồm văn bản, dữ liệu và trách nhiệm.

Nhiều loại thuốc mới thất bại vào đêm trước ngày ra mắt, không phải vì giá trị lâm sàng không đủ, mà là do thất bại trong quá trình “biểu đạt ngôn ngữ” của “dây chuyền sản xuất” này, gây ra mất mát thông tin hoặc đứt gãy logic, không thể chuyển đổi dữ liệu nghiên cứu thành chuỗi bằng chứng khoa học được cơ quan quản lý công nhận, khiến giá trị khoa học của thuốc bị che mờ hoặc hiểu sai.

Deep Intelligence Yao từ rất sớm đã nhận định: Trong ngành dược, hiểu biết còn khó hơn tạo ra, hợp tác và tạo ra còn quan trọng hơn. Chỉ khi xây dựng được khả năng hiểu, kiểm tra và hợp tác ổn định trong các môi trường có nhiều ràng buộc, mới đủ tư cách để hướng tới sáng tạo và ra quyết định.

Vì vậy, ngay từ khi thành lập, công ty đã xác định rõ lộ trình phát triển: bắt đầu từ dịch thuật, sau đó mở rộng sang viết y học, quản lý dữ liệu, lập trình thống kê và vận hành lâm sàng, cuối cùng hình thành một dây chuyền sản xuất toàn diện dựa trên AI.

Logic ở đây là, dịch thuật có hệ quy chiếu rõ ràng và tiêu chuẩn đúng sai, là “tiền tệ cứng” để kiểm chứng khả năng hiểu của mô hình. Từ đó, dần dần tiếp cận các khả năng trung gian như lập kế hoạch, suy luận và thực thi.

Nhìn lại, lộ trình này có tính dự báo cao, nhưng vào thời điểm đó, lại như đang “ngược dòng” trong gió.

Một mặt, khả năng của các mô hình chưa đủ成熟, GNMT vẫn dựa trên tính chất tính toán theo trình tự của RNN, hiệu quả thấp. Dù sau này Transformer ra đời giải quyết được vấn đề này, mô hình tiền huấn luyện trở thành xu hướng, nhưng vẫn không thể thay thế bản chất của AI như một công cụ hỗ trợ con người, còn xa mới đủ để thay thế chuyên gia.

Mặt khác, ngành dược là một ngành đòi hỏi dự trữ “know-how” cực kỳ sâu sắc.

Lấy ví dụ về việc soạn thảo phương án thử nghiệm lâm sàng cốt lõi, mô hình dựa trên khối lượng lớn tài liệu và dữ liệu lịch sử chỉ là bước đầu, tiếp theo là sự can thiệp sâu của các chuyên gia dày dạn về y học, thống kê, lâm sàng.

Một phương án phải liên quan đến nhiều bộ phận như y học, dược lý lâm sàng, thống kê, lập trình, quản lý dữ liệu, cảnh báo thuốc, và mọi chỉnh sửa nhỏ đều phải “động lớn”. Những gì Deep Intelligence Yao đối mặt thời kỳ đầu không phải là “tự động hóa một phím” như nhiều người tưởng tượng, mà là quá trình kiểm tra, phê duyệt lặp đi lặp lại trong các dự án thực tế.

Trong khi đó, sự ra đời của AlphaFold khiến ngành dược nhận thức rõ hơn về sức mạnh của AI.

AlphaFold là một kiến trúc mạng neural đặc biệt dành cho dự đoán cấu trúc protein, nhằm giải quyết bài toán cốt lõi trong nghiên cứu phát triển thuốc — phân tích cấu trúc mục tiêu, giúp rút ngắn thời gian từ nhiều năm, tốn kém hàng tỷ USD, xuống còn vài phút.

AlphaFold dự đoán cấu trúc protein

Từ đó, “thiết kế phân tử bằng AI” trở thành một trong những hướng phát triển chủ đạo của ngành, các công ty dược lớn, startup đều đổ xô vào lĩnh vực này, phần phát hiện thuốc phía trước trở thành tâm điểm của các nhà đầu tư.

Deep Intelligence Yao đứng ngoài cơn bão, âm thầm nghiên cứu phía sau, trong các dự án thực tế liên tục mài giũa, từng chút “mài” ra được know-how, rồi phản hồi lại công nghệ, tích lũy thành các thuật toán cốt lõi của hệ thống.

Tiếp đó, một cuộc khủng hoảng toàn ngành đã đẩy Deep Intelligence Yao cùng các công ty thiết kế lâm sàng phía sau lên sân khấu.

Giá trị được đánh giá lại

Năm 2023, những loại thuốc mới đầu tiên do AI thiết kế đã gặp thất bại lớn trong giai đoạn lâm sàng.

Đầu tiên là dòng chính của công ty kỳ lân AI dược phẩm châu Âu BenevolentAI, với dự án chủ chốt BEN-2293, thất bại trong thử nghiệm lâm sàng giai đoạn hai, khiến cổ phiếu giảm mạnh, công ty phải cắt giảm lớn nhân sự; sau đó là Exscientia, một trong những biểu tượng của ngành “thiết kế phân tử bằng AI”, đã dừng phát triển dòng thuốc ung thư sơ khai EXS-21546 (A2A receptor antagonist).

BenevolentAI tuyên bố thất bại của BEN-2293 trong thử nghiệm lâm sàng giai đoạn IIa

Liên tiếp các cú sốc từ các doanh nghiệp hàng đầu đã phá vỡ huyền thoại “AI tạo thuốc mới chỉ cần một cú nhấp chuột”.

Ngành và các nhà đầu tư đều nhận thức rõ rằng, từ thiết kế phân tử đến thuốc mới ra thị trường, con đường còn dài hơn nhiều so với dự đoán.

Từ thiết kế thử nghiệm lâm sàng đến thực hiện tuyển nhóm, từ chất lượng dữ liệu đến giải thích thống kê, rồi đến giao tiếp với cơ quan quản lý và nộp hồ sơ, chỉ cần một bước sai cũng có thể phá hỏng tất cả, là một quá trình “đánh trận” không có đường lui. Kết quả cuối cùng là một chuỗi văn bản, dữ liệu và bằng chứng có thể giải thích rõ ràng, gửi cho cơ quan quản lý.

Vốn không còn chỉ mua sắm “đầu tư vào sức mạnh tính toán” và số lượng phân tử nữa, mà bắt đầu tập trung vào hiệu quả của dữ liệu trong giai đoạn lâm sàng, và con đường “nặng phân tử, nhẹ lâm sàng” của ngành dược đã chính thức được “điều chỉnh lại”.

Các công ty như Deep Intelligence Yao, chuyên về phát triển lâm sàng phía sau, bắt đầu lọt vào tầm ngắm của các nhà đầu tư.

Và lúc này, Deep Intelligence Yao đã vượt qua giai đoạn xây dựng công nghệ và vượt qua các thử thách ban đầu, thoát khỏi phụ thuộc vào vốn vay, tự chủ về tài chính.

Theo kế hoạch ban đầu, Deep Intelligence Yao sẽ mở rộng khả năng từ dịch thuật, viết y học, quản lý dữ liệu, lập trình thống kê, vận hành lâm sàng đến hỗ trợ đăng ký, hình thành một hệ thống toàn diện bao phủ toàn bộ quy trình thử nghiệm lâm sàng;

Kinh doanh cũng mở rộng ra các khu vực Trung Quốc, Nhật Bản, Mỹ, Úc, Singapore và Đông Nam Á, đặc biệt tại Nhật Bản đã xây dựng được mạng lưới PI và trung tâm nghiên cứu mạnh, tạo lợi thế thực thi địa phương.

Các ví dụ về dự án của Deep Intelligence Yao trên trang chủ

Về mặt công nghệ, Deep Intelligence Yao không dừng lại ở việc “theo kịp các mô hình mới nhất”, mà dựa trên đặc tính ràng buộc cao, ít sai sót của ngành dược, đã tiến hành tái cấu trúc hệ thống theo hướng kiểm soát và hợp tác.

Một lần cải tiến mang tính bước ngoặt diễn ra vào năm 2019, khi mô hình 2.0 nâng cấp lên 3.0.

Thời điểm đó, các mô hình ngôn ngữ lớn (LLM) bắt đầu phổ biến trong các công ty công nghệ, nhưng Deep Intelligence Yao đã sớm nhận thức rõ rằng, vấn đề chết người của LLM không phải là “viết giống người”, mà là “nói vòng vo như người”.

Bản chất của LLM là huấn luyện dựa trên việc dự đoán từ tiếp theo trong một lượng lớn dữ liệu, phần lớn dữ liệu này là tích lũy từ kinh nghiệm quá khứ, dẫn đến nội dung sinh ra có xu hướng phù hợp với logic kinh nghiệm, chứ không phải là sự thật tuyệt đối.

Trong ngành dược, “ảo tưởng” này không chỉ là vấn đề trải nghiệm, mà còn là vấn đề về giới hạn.

Một trích dẫn hoặc dữ liệu hư cấu sẽ làm ô nhiễm nền tảng khoa học của toàn bộ chuỗi nghiên cứu; một thông tin an toàn thuốc giả mạo có thể gây tổn hại nghiêm trọng hoặc tử vong cho người thử nghiệm; một “ảo tưởng” được đóng gói hoàn hảo đủ để khiến khoản đầu tư hàng tỷ USD của một công ty trong mười năm qua bỗng chốc trở về số 0.

Là một trong số ít các nhà tiên phong trong lĩnh vực này, nhận thức của Deep Intelligence Yao về vấn đề này sớm hơn 4-5 năm so với phần lớn ngành. Điều này đồng nghĩa với việc, không có tiêu chuẩn ngành chín chắn nào để dựa vào, cũng không có công cụ sẵn có để tận dụng, chỉ còn cách tự mình xây dựng lại từ nền tảng.

Trong giai đoạn này, Deep Intelligence Yao bắt đầu chuyển hướng từ “làm thế nào để có mô hình mạnh hơn” sang “làm thế nào để xây dựng một hệ thống trong nghiên cứu phát triển lâm sàng vừa kiểm soát, vừa hợp tác, vừa có thể đảm nhận các quy trình phức tạp”.

Giải pháp của Deep Intelligence Yao không phải là tiếp tục đặt cược vào một mô hình đơn thể lớn hơn, mà là “phân tách não”.

“Phân tách não” không đơn giản là chia nhỏ một mô hình thành nhiều chức năng, mà là phân chia các nhiệm vụ phức tạp cho nhiều trí tuệ nhân tạo có giới hạn rõ ràng về khả năng, để chúng đảm nhận các công việc như ra quyết định, lập kế hoạch, truy xuất, viết, lập trình, kiểm duyệt, xác minh, rồi thông qua các kết nối và phản hồi giống như thần kinh, kiểm tra, cân bằng lẫn nhau.

Cấu trúc cốt lõi của hệ thống này không chỉ là sự phối hợp đa vai trò, mà còn là một cách làm việc giống như não người. Giống như mạng lưới thần kinh của não, hệ thống không đơn thuần đưa ra một câu trả lời tuyến tính, mà trong quá trình thực thi liên tục xem lại, sửa đổi, tổ chức lại các nhiệm vụ. Nếu một bước không đáp ứng các ràng buộc, hệ thống sẽ kích hoạt quá trình suy luận và xác minh mới, cho đến khi kết quả phù hợp.

Nói cách khác, nó không chỉ có khả năng sinh ra nội dung, mà còn có khả năng tự phản tư, tự sửa lỗi, tự tiến hóa theo vòng lặp. Không phải là “trả lời một lần”, mà là một hệ thống làm việc liên tục suy nghĩ, sửa đổi và tiến gần đến giải pháp tối ưu.

Xem ra, ý tưởng này ngày nay rất giống với khái niệm “Agent” đang rất thịnh hành.

Năm 2023, Microsoft mời Deep Intelligence Yao tham dự hội nghị nhà phát triển kín và giới thiệu khung làm việc Agent.

Đối với Deep Intelligence Yao, đây giống như một “đặt tên bên ngoài”: hệ thống hợp tác các mô hình nhỏ trong nội bộ công ty, sau đó phát triển thành một hệ thống hợp tác đa trí tuệ thực sự.

Hệ thống đa trí tuệ kiểu não người của Deep Intelligence Yao từ đó dần hình thành. Nó không chỉ là một công cụ chạy theo nhiệm vụ, mà còn như một “não nhân tạo” gồm nhiều trí tuệ nguyên tử chính xác cao: có thể tổ chức công việc quanh mục tiêu, đồng thời liên tục phản tư, kiểm tra, tự tiến hóa trong quá trình thực thi.

Hệ thống hợp tác đa trí tuệ (Multi-Agent) của Deep Intelligence Yao

Đến đây, các thế mạnh của Deep Intelligence Yao đã lộ rõ.

Vị trí của con người được nâng cao

Năm 2025, hợp tác với công ty dược phẩm đổi mới của Nhật Bản Immunorock, Deep Intelligence Yao đã đưa ra ánh sáng.

Là một trong ba thị trường dược lớn nhất thế giới, Nhật Bản không chỉ nổi tiếng với khả năng nghiên cứu phát triển thuốc, mà còn nổi tiếng với tiêu chuẩn kiểm duyệt cực kỳ nghiêm ngặt của Cục Quản lý Thực phẩm và Dược phẩm Nhật Bản (PMDA). Trong dự án thử nghiệm lâm sàng của Immunorock do Deep Intelligence Yao hỗ trợ, đã đạt được “không sửa đổi” và “phê duyệt lần đầu” trong quy trình phê duyệt của PMDA.

Trong hợp tác này, hệ thống đa trí tuệ của Deep Intelligence Yao đã tham gia toàn bộ quá trình từ tích hợp thông tin, lập kế hoạch đường đi, đến dự đoán mô phỏng số lượng lớn dữ liệu ảo. Các trí tuệ nhân tạo khác nhau phân tích riêng biệt dựa trên mục tiêu cuối cùng, tiêu chuẩn tuyển chọn, số mẫu, lộ trình thực thi, cấu trúc dữ liệu và yêu cầu quản lý, rồi qua các vòng phản hồi, kiểm tra chéo liên tục.

Chính trong quá trình này, hệ thống đã sớm phát hiện ra các thiết kế có thể làm tăng tỷ lệ rơi rớt, giúp nhóm nghiên cứu sửa đổi trước khi hoàn thiện phương án. Nó không phải là thay thế tốc độ viết báo, mà là đưa nhiều vấn đề có thể phát sinh trong thực tế ra trước, để xử lý trong giai đoạn thiết kế.

Cần nhấn mạnh rằng, dựa trên giới hạn quản lý của phát triển thuốc mới, đạo đức y học và trách nhiệm pháp lý, tất cả các giao hàng quan trọng cuối cùng vẫn do các chuyên gia xem xét, ký duyệt và phê duyệt.

Immunorock chỉ là một trong nhiều ví dụ của Deep Intelligence Yao, nhưng ý nghĩa của nó là chứng minh rằng, những công việc lâu nay được xem là dựa nhiều vào kinh nghiệm và hợp tác con người như thiết kế phương án lâm sàng, đã bắt đầu có khả năng tổ chức hệ thống, kiểm tra lặp lại và giao hàng quy mô.

Nghiên cứu phát triển lâm sàng truyền thống về bản chất là một chiến thuật tốn kém dựa trên lực lượng lao động lớn: một bộ phận soạn thảo, bộ phận khác chỉnh sửa, rồi hiệu chỉnh giả thuyết thống kê, bổ sung dữ liệu, kiểm tra quy định, các phiên bản luân chuyển qua lại giữa các nhóm. Thời gian tiêu tốn chủ yếu là cho giao tiếp, sửa đổi và xác nhận.

Một khi AI có thể ổn định thực hiện phân chia nhiệm vụ, tạo nội dung chính, tự kiểm tra nhiều vòng, xác minh ràng buộc, thì quy trình này sẽ chuyển từ “lao động thủ công, hỗ trợ của máy móc” sang “máy tạo ra, hệ thống xác minh, chuyên gia ký duyệt”.

Vai trò của AI không còn chỉ là dự đoán hay phân loại nữa, mà còn là một hệ thống tổ chức công việc quanh mục tiêu.

Giá trị của hệ thống đa trí tuệ kiểu não người không nằm ở việc sinh ra một câu trả lời trong một lần, mà ở khả năng phân chia nhiệm vụ, lập kế hoạch, đề xuất giả thuyết, thực thi, xác minh và tổng hợp kết quả thành vòng kín, liên tục tự tối ưu trong vòng kín đó.

Trước đây, con người viết rõ các bước, hệ thống thực hiện theo; nay, con người đặt ra mục tiêu rõ ràng, hệ thống phân chia vai trò, gọi công cụ, kiểm tra ràng buộc, rồi tổng hợp kết quả thành đầu ra có thể xem xét.

Vai trò của con người được nâng cao, chứ không bị thay thế, để tạo ra giá trị một cách hiệu quả và bền vững hơn.

Trong hệ thống Agent, vai trò của con người là nâng cao

Ngành dược vẫn là ngành cần có chữ ký của chuyên gia, trách nhiệm và hậu quả do các chuyên gia có đủ năng lực và trách nhiệm đảm nhận. Các chuyên gia y học, thống kê, cảnh báo thuốc, quản lý dữ liệu vẫn là người kiểm duyệt cuối cùng. Nhưng AI đã giúp các chuyên gia thoát khỏi khối lượng công việc lặp đi lặp lại, để họ tập trung hơn vào các quyết định then chốt, kiểm soát giới hạn và chịu trách nhiệm cuối cùng.

Và khi khung “mục tiêu — sinh ra — xác minh — tự tiến hóa” này vận hành trơn tru, thì khả năng giải quyết không chỉ dừng lại ở thử nghiệm lâm sàng. Đây cũng là nền tảng để Deep Intelligence Yao bắt đầu mở ra chiến trường mới trong “khoa học vật chất”.

Nếu đưa vấn đề về mức độ cực kỳ nền tảng, sẽ thấy rằng, các lĩnh vực như thuốc, thuốc trừ sâu, vật liệu bán dẫn, vật liệu pin, thép đặc biệt, dù khác nhau về mặt ngành nghề, đều đang thực hiện cùng một loại nhiệm vụ: dựa trên mục tiêu rõ ràng, trong một tập hợp các ràng buộc, tìm ra giải pháp tối ưu, rồi qua xác minh liên tục hội tụ về đích. Sự khác biệt chỉ nằm ở tập hợp ràng buộc và phương pháp xác minh.

Logic phát triển vật liệu của Deep Intelligence Yao

Tháng 3 năm nay, Deep Intelligence Yao đã ký hợp tác chiến lược với tập đoàn hóa chất nông nghiệp xanh Taho (泰禾股份), dựa trên kiến trúc bối cảnh não nhân tạo bám theo nhóm đa trí tuệ và hệ thống tự tiến hóa lặp lại, nhằm thúc đẩy quá trình nghiên cứu phát triển thuốc trừ sâu sáng tạo.

Dù là thuốc mới hay thuốc trừ sâu sáng tạo, bản chất đều là tìm kiếm tổ hợp tối ưu trong không gian hóa học.

Các AI Agent của Deep Intelligence Yao có khả năng tự lập kế hoạch, tìm kiếm, xác minh trong không gian hóa học khổng lồ, phát hiện ra các phân tử mới, cấu trúc hoạt động mới mà phương pháp truyền thống khó tiếp cận. Khả năng này đã được chứng minh qua lĩnh vực dược phẩm, chuyển sang lĩnh vực thuốc trừ sâu, về bản chất là một dạng “giảm chiều” của ứng dụng.

Khả năng chuyển đổi này đã mở rộng không gian định giá của Deep Intelligence Yao, trở thành một trong những lý do khiến các nhà đầu tư đổ xô vào.

Xét về các vòng gọi vốn gần đây của Deep Intelligence Yao, ngoài các nhà đầu tư sớm như Sequoia China, New Diligence Capital, còn có các cổ đông mới như Dinghui Baifu, Xinchen Capital, Jinyi Capital, Kaita Capital, đều là các quỹ hàng đầu của Mỹ, có nguồn lực ngành công nghiệp mạnh mẽ, đội ngũ đầu tư hùng hậu.

Sự tập trung của vốn thể hiện rõ xu hướng: thị trường bắt đầu đánh giá lại khả năng thực sự hiếm có của các công ty dược dựa trên AI, không chỉ là khả năng kể câu chuyện công nghệ, mà còn là khả năng giao hàng ổn định các công việc phức tạp.

Ở mức độ nào đó, Deep Intelligence Yao không phải là CRO truyền thống, cũng không phải là phiên bản ngành của Agent tiêu dùng.

Điều cốt lõi nhất của họ không phải là một công cụ đơn lẻ, cũng không phải là kết quả đơn thuần “cho dữ liệu vào mô hình” để huấn luyện, mà là phương pháp, know-how hình thành qua quá trình giao hàng thực tế lâu dài, cùng với một hệ thống kiểu não người đa trí tuệ, có thể tích hợp chiến lược lâm sàng, thực thi tại hiện trường, quản lý dữ liệu, lập trình thống kê, viết y học và tổ chức nộp hồ sơ.

Đây mới chính là tài sản và lợi thế cạnh tranh khó sao chép nhất của Deep Intelligence Yao.

Kết luận

Năm 2024, Giải Nobel Hóa học sẽ có một nửa trao cho nhà thiết kế protein “tiền bối” David Baker, nửa còn lại dành cho các nhà phát triển AlphaFold là Demis Hassabis và John Jumper.

David Baker (trái), Demis Hassabis (giữa), John Jumper (phải)

Việc hai “ông lớn” AI này cùng nhận giải đã được giới phân tích xem như một “chứng nhận chính thức” của khoa học máy tính trong lĩnh vực khoa học đời sống — không còn là công cụ hỗ trợ đơn thuần, mà là động lực chính thúc đẩy sự tiến hóa của ngành.

Khả năng tiến hóa này, nay đang mở rộng từ phát hiện thuốc phía trước sang toàn bộ quy trình nghiên cứu phát triển.

Đối với ngành dược, khả năng hiếm có tiếp theo không nhất thiết chỉ là “tìm ra câu trả lời”, mà còn là “hoàn thành một công việc thực sự, giao đủ bộ chứng cứ”.

Từ việc để máy học cách nhìn nhận phân tử, đến tổ chức các thử nghiệm lâm sàng như não người, kết nối thực địa, quản lý dữ liệu, lập trình lâm sàng và trình bày, giá trị của AI đang được vẽ lại.

Và trên con đường từng bước tiến ra thế giới này, Deep Intelligence Yao đã đi trước.