公司融资与资金用途 - 近期完成近5000万美元D轮融资，由鼎晖百孚领投，老股东新鼎资本、红杉中国持续加注，指数资本担任独家财务顾问 [1] - 募集资金将主要用于“多智能体协作网络”的技术研发迭代及全球交付网络的建设 [1] 公司发展历程与战略定位 - 公司成立于2017年，过去三年完成了从“单点AI技术验证”向“AI原生临床研究平台”的代际跨越 [1] - 公司已转型为能够交付临床试验全流程结果的核心业务伙伴，脱离了传统软件供应商范畴 [1] - 公司创始人认为医药研发的未来在于认知重构，而非单一功能替代 [1] - 公司愿景是打造新一代的“医药研发操作系统”，通过AI Agent将繁琐流程自动化，让科学家专注于科学创新 [5] 核心技术架构与壁垒 - 公司将底层NLP能力升级为拥有上万个垂直领域智能体的“多智能体协作系统” [1] - 核心壁垒在于用“认知原子论”重构研发流程，将复杂的临床试验拆解为上万个原子化任务，每个任务由专精的Agent负责 [2] - 智能体通过类似脑神经的突触网络连接，实现了远超通用大模型的专业度 [2] - 构建了“设计端”与“执行端”的互相校验机制，当AI被人类专家修正时，系统会触发“反思机制”，自动回溯并修正代码逻辑 [4] - 独创的“双向验证反馈飞轮”机制让系统具备了类似人类专家的直觉，实现举一反三 [4] 商业模式创新 - 在行业普遍采用“按人头/工时付费”的传统模式下，公司开始探索基于里程碑的价值付费模式 [4] - 服务模式可为客户提供“数字彩排”，通过“数字孪生”技术在真实入组前进行全流程推演，模拟从患者筛选到数据统计的整个链路 [4] - 该模式能提前规避可能导致高脱落率的风险点，例如帮助日本药企Immunorock的试验方案获得日本PMDA一次性审核通过 [4] 数据安全与运营原则 - 针对药企数据主权问题，奉行“数据不落地、模型不记忆”的原则 [5] - 每个客户项目均在独立的物理沙箱中运行，项目结束后沙箱销毁，仅保留经过脱敏的“错误逻辑”用于提升系统鲁棒性 [5] 业务规模与验证 - 公司累计已服务超过1000家药企 [5] - 通过40000余个项目的实战交付，验证了系统在复杂医药场景下的通用性与稳定性 [5] 行业趋势判断 - 医药研发行业正处于从“劳动密集型”向“智能密集型”转型的历史节点 [5]

累计服务超过1000家药企， 并通过40000余个项目的实战交付。 "我们不再是交付单一功能的模块，而是交付一个能够协同完成临床试验全流程的'AI智能体集群'。"李星对36氪表示："我们的核心壁垒在于用'认知原子 论'去重构研发流程，系统将复杂的临床试验拆解为上万个微小的原子化任务，每个任务由专精的Agent负责，它们通过类似脑神经的突触网络连接，实现了 远超通用大模型的专业度。" 图源：深度智耀 这种技术架构的演进，在一定程度上推动了商业模式的变革。在行业普遍采用"按人头/工时付费"的传统模式下，深度智耀开始探索基于里程碑的价值付费 （Outcome-based Model）。 文 ｜ 胡香赟 编辑 ｜ 海若镜 封面来源 ｜ IC Photo 36氪获悉，AI制药全球领军企业深度智耀近期获近5000万美元D轮融资。本轮融资由鼎晖百孚领投，老股东 新鼎资本、 红杉中国持续加注，指数资本担任 独家财务顾问。募集资金将主要用于"多智能体协作网络"的技术研发迭代及全球交付网络的建设。 深度智耀成立于2017年。相较于早期在单一技术点上的探索，过去三年，深度智耀完成了从"单点AI技术验证"向"AI原生临床研究平台（A ...

多智能体协作模式概述 - 从科技巨头到初创公司都在宣扬多智能体协作AI模式 旨在突破单个大模型能力天花板 [1] - 多智能体系统由多个自主感知、决策、行动并相互通信的智能体组成分布式系统 通过高效协作呈现远超单一智能体的工作结果 [4] - IDC研究报告指出到2027年60%的大型企业将采用协作型智能体系统 业务流程效率提升50%以上 [2] 单一智能体与多智能体对比 - 单一智能体由单个AI大脑完成任务 结构简单成本低但存在能力上限和单点故障风险 [3] - 多智能体协作采用任务分解与专业化模式 具备更强大的问题求解能力 例如数字人主播背后由语音、口型、表情、知识智能体协同工作 [4] - 多智能体系统将线性工作流并行化 大幅缩短任务时间 Anthropic研究显示多智能体系统性能比最强单个智能体Claude Opus高出90.2% [5] 多智能体系统优势 - 具备更好的容错性和扩展性 分布式架构天然冗余 单个智能体故障时其他成员可接管工作 [5] - 系统扩展只需增加新专家智能体 鲁棒性更高 [5] - 在软件开发等场景中可实现代码编写、测试、文档撰写同步进行 [5] 多智能体协作挑战 - 智能体数量增加导致协调复杂性上升 任务拆分越多目标一致性越难协调 [6] - 部分复杂问题正确率下降 研究显示最差情况下正确率仅为25% 低于单智能体最佳采样 [6] - 通信成本高昂 智能体交互消耗token约为普通聊天4倍 多智能体系统高达15倍 [8] 安全与责任问题 - 责任分工模糊导致潜在安全漏洞 错误决策难以归咎于单个智能体 [8] - 黑客可能通过欺骗单个智能体操纵整个系统 [8] - 协调失败可能引发输出结果失控 例如数字人主播出现声音嘴型不同步或自相矛盾言论 [6] 解决方案与发展方向 - 采用主从式协调架构 如Anthropic主研究员-子代理模式 由主智能体分配任务并仲裁冲突 [10] - 设立标准化通信协议（如MCP、A2A协议）降低集成复杂度 GenFlow 2.0兼容MCP协议可灵活接入第三方服务 [13] - 开发自动化失败归因工具和对抗性训练 增强系统韧性 [13] - 多智能体适用于复杂任务和企业级场景 简单任务仍适合单一智能体经济高效解决方案 [13] 行业趋势与展望 - 技术趋势聚焦分布式智能体协作与中心化管理的平衡 [14] - 通过协调者、协议和治理规则约束多智能体行为 [14] - 可靠性及安全性提升将推动多智能体协作广泛应用 [14]