1.我真心觉得他很虚伪，之前二本去北大的事情，学生本人发帖让他删贴，他一直没回应，小红书，公众号都会回应，最后被呢个同学举报帖子下架了，但是从始至终都没有回应侵犯隐私，没证得的同意。 2.再就是感觉他写的文章后续就是强行上价值，商单过多，很多不好用的东西也强推。尤其是有时候动不动上无关的价值。 3.朋友圈挂过很多人，还有及其喜欢在朋友圈吹，之前一直找不到人，没啥人去，突然还有个帖子报了，就说自己太受欢迎了，完全没提自己没人去的时候，还老是碰瓷清北，说自己去清北招人，结果没人去（不止一次），评论区马上就有清北说我愿意去 4.招聘体系及其不完善，先到先得的感觉，说是大家都要试稿，但是后面一群人都还没尝试呢，就直接不看了，那那些说了要给试稿的人，要不就先别承诺试稿 5.还有公布内部的瓜就不说了，只说在外面可以搜索到的 13 个帖子 - 12 位参与者 阅读完整话题
IT之家 5 月 31 日消息，北京大学数学科学学院 2007 级校友、宾夕法尼亚大学沃顿商学院统计与数据科学系副教授苏炜杰在社交平台 X 上宣布，已正式加入 OpenAI。 苏炜杰表示，自己目前正处于沃顿商学院的休学期间，已加入 OpenAI 参与 AI 模型训练。“阔别十年，很高兴回到湾区并在这里训练 AI 模型。” 与此同时，他也正式晋升为沃顿商学院统计与数据科学系的正教授。对此，OpenAI 联合创始人兼总裁格里格 · 布罗克曼（Greg Brockman）亲自表示欢迎。 公开资料显示，苏炜杰 2007 年至 2011 年就读于北京大学数学科学学院基础数学专业，并以年级第一的成绩毕业。在国内数学圈，这一级常被称为北大数院“黄金二代”，甚至“白金一代”。 苏炜杰随后赴斯坦福大学攻读统计学博士学位，2016 年毕业后即受聘于宾夕法尼亚大学执教，研究方向涵盖机器学习、隐私数据保护、高维统计与优化等多个前沿领域。他同时兼任计算机与信息科学系、数学系和生物统计学系的联合教职，并担任宾大机器学习研究中心联合主任。 就在今年 2 月，苏炜杰荣获 2026 年 COPSS 会长奖（COPSS Presidents‘ Award）。该奖项由国际统计学会会长委员会颁发，被广泛视为国际统计学界的最高荣誉之一，被誉为统计学界的“诺贝尔奖”。评奖委员会表彰了苏炜杰的多项突出贡献，包括在大语言模型统计理论方面的重要工作、差分隐私数据保护领域的重要突破及其在 2020 年美国十年人口普查中的成功应用，以及推动人工智能论文评审改进方面的开创性工作等。这是华人学者时隔 14 年再度摘得该奖。 苏炜杰并非近期唯一加盟 OpenAI 的华裔顶尖学者。IT之家注意到，今年以来已有数位知名华裔 AI 科学家陆续加入该公司。 今年初，有消息称清华大学“姚班”校友、加州大学伯克利分校助理教授陈立杰已加盟 OpenAI，负责数学推理方向的研究。 今年 2 月，Meta 知名华人 AI 研究员庞若鸣被曝转投 OpenAI，负责 AI 基础设施相关工作。此前庞若鸣曾先后在谷歌、苹果、Meta 任职，在谷歌任职长达 15 年，后担任苹果 AI 基础模型团队负责人。 同样在 2 月，清华大学数学系毕业的张鹏川从 Meta 离职宣布加入 OpenAI，从事世界模拟与机器人方面的工作。张鹏川在 Meta 期间曾主导 SAM 3 及 Llama 3/4 的视觉定位项目，在计算机视觉与大模型领域成果卓著。
1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 26 日消息，华为日前官宣了 以逻辑折叠（Logic Folding）技术为核心的“韬（τ）定律” ，将芯片设计从 2D 平面优化推向标准单元堆叠的 3D 重构。 随后，北京大学集成电路学院 5 月 26 日发布消息， 在面向“韬定律”3D 逻辑折叠设计的“真 3D”EDA 方向取得关键进展 。 与传统的 die-to-die 堆叠不同，逻辑折叠并非将粗粒度的模块拆分到多块芯粒进行堆叠，而是在设计阶段就把同一模块内部的逻辑，细化到标准单元级，分布到垂直堆叠的多层晶圆上，通过微米 / 亚微米级 face-to-face 混合键合在垂直方向直接打通关键路径。 这一设计范式对 EDA 工具提出了新的要求 。传统的 2D 设计流程，乃至现行的“赝 3D”（pseudo-3D）设计流程，即综合后每个模块被一次性“钉死”到某一片 die，再用 2D EDA 工具逐片实现，都已不足以发挥其潜力。 要真正承载逻辑折叠，物理设计实现必须在完整的三维空间中搜索，模块内划分、跨 die 互连与垂直热路径优化应在同一个优化框架下协同求解。这正是“真 3D”（true-3D）EDA 工具的核心要义。 真 3D 与赝 3D 的范式差异可以归结为以下两点： 其一，划分粒度 。赝 3D 以整个模块为最小单位被分到某一片 die，模块内部的所有标准单元必然位于同一片 die；真 3D 则支持模块内自由划分，同一模块内的标准单元可以被分布到不同 die，设计空间更大。 其二，优化空间 。赝 3D 在每片 die 上各自进行优化，大量复用传统 2D 芯片的 EDA 工具，不允许跨 die 逻辑变换、移动等操作。真 3D 则将多 die 构建的整体空间作为设计空间，各设计阶段均在完整的三维设计空间中进行搜索和寻优，不限制跨 die 逻辑变换、移动等操作。 ▲ “赝 3D（pseudo-3D）”流程（上图）vs “真 3D（true-3D）”流程（下图） IT之家从公告获悉，围绕逻辑折叠所需的“真 3D”能力， 北京大学团队构建了相关物理实现 EDA 工具原型 ，覆盖布局规划和布局两个阶段，并通过 GPU 加速支持千万级实例规模。在技术层面，该工具将跨 die 线长、混合键合端子数量与垂直热路径纳入统一的可微优化框架，使标准单元能够在三维空间中协同放置，而不是被预先固定到某一片 die；混合键合端子用量作为优化变量自动决策，可在线长与跨 die 连接开销之间取得平衡。 团队的工具已在开源工业级设计上完成系统验证，实例规模从约 100 万覆盖到约 2470 万 。相比当前最具代表性的赝 3D 设计流程，物理实现指标方面取得了平均约 30% 的线长缩减、约 6% 的 WNS 改善与约 12% 的 TNS 改善；热感知方面，启用联合优化后峰值温度平均下降 3% 以上，线长几乎无损。以上结果的算法细节与完整结果将于近期发表。 “真 3D 集成”及“真 3D 芯片设计”方法学是北京大学集成电路学院 / 微纳电子器件与集成技术全国重点实验室长期布局的方向。在 EDA 方面，该团队已经研发了真 3D 时序分析引擎、布局规划引擎、布局引擎等。面向逻辑折叠及更广义的 3D-IC 设计需求，团队未来将扩展至多 die 堆叠及复杂 3D 集成场景，研究异构工艺节点下的真 3D 设计方法学，建立快速 PPA 评估与协同优化能力。
IT之家 5 月 5 日消息，北京大学 5 月 4 日迎来建校 128 周年，发布首部 AI 宣传片《 举火 》。 总有先行者举火破冰，于长夜中守护不灭希望。从隐姓埋名到逐梦星河，薪火跨越百余年生生不息。如今，我辈接承先辈之志，牢记殷殷嘱托，胸怀远大理想，矢志拼搏奋斗，在新征程上贡献青春力量。 视频中展示了北京大学的重要历史事件、知名校友、重要研发成果等。 IT之家查询公开资料获悉，北京大学创办于 1898 年，是戊戌变法的产物，也是中华民族救亡图存、兴学图强的结果，初名京师大学堂，是中国近现代第一所国立综合性大学，辛亥革命后，于 1912 年改为现名。 中华人民共和国成立后，全国高校于 1952 年进行院系调整，北京大学成为一所以文理基础教学和研究为主、兼有前沿应用学科的综合性大学，为社会主义建设事业培养了大批杰出人才，在 23 位“两弹一星”元勋中有 12 位北大校友。
明天2号要登录黄山，在北大门上。目前没有预约票，有小道也可以推荐，前提是安全 1 个帖子 - 1 位参与者 阅读完整话题
Yifan Zhang：本科北大元培、硕士清华姚班，现为普林斯顿大学 AI Lab Fellow，研究方向是大语言模型推理与强化学习 这哥们儿不是DeepSeek的员工，但估计和DeepSeek关系挺密切的，之前几次预测都说对了。 这次他披露的： V4 1.6T, V4-Lite 285B Attention: DSA2 (NSA + DSA), head-dim 512 Sparse MQA + SWA MoE: Fused MoE Mega-Kernel with 6 active in 384 experts Residual: Hyper-Connections Optimizer: Muon Pretrain context length: 32K RL: GRPO with corrected KL Final Context Length: 1M Modality: Text only DeepSeek V4估计发布也快了，到时候验证吧 12 个帖子 - 11 位参与者 阅读完整话题
IT之家 4 月 15 日消息，高等教育专业评价机构软科今日正式发布“2026 软科中国大学排名”。 清华大学、北京大学、浙江大学雄踞主榜（即综合性大学排名）前三位 。另外： 北京协和医学院蝉联医药类大学排名榜首 北京中医药大学摘得中医药大学排名桂冠 上海财经大学位列财经类大学排名之首 北京外国语大学占据语言类大学排名第一 中国政法大学问鼎政法类大学排名冠军 中央民族大学高居民族类大学排名首位 上海体育大学持续领跑体育类大学排名 香港中文大学（深圳）拔得中国合作办学大学排名头筹 “软科中国大学排名”前身是“软科中国最好大学排名”，于 2015 年首次发布。“2026 软科中国大学排名”的对象是中国 1000 多所本科层次的高校，软科将高校划分为综合性大学、8 类单科性大学、4 类非公办大学，采用差异化的指标体系分别排名。 2026 软科中国大学排名（主榜）的上榜高校共有 590 所， 清华大学、北京大学、浙江大学连续 12 年蝉联全国三甲 。上海交通大学、复旦大学位列全国前五。其他位列全国前十名的大学依次为南京大学（第六）、中国科学技术大学（第七）、武汉大学（第八）、华中科技大学（第九）、西安交通大学（第十）。 IT之家注意到，“双一流”高校在排名中占据绝对优势，百强高校中有 91 所为“双一流”高校。 太原理工大学较 2025 年上升 6 名，位列全国第 97 名 。至此，又一所“双一流”高校成功跻身百强行列。 9 所非“双一流”高校凭借强劲的综合实力跻身百强，其中深圳大学（66 名）、浙江工业大学（68 名）、江苏大学（81 名）、南京工业大学（88 名）、福建师范大学（90 名）位列前五。 2026 软科中国大学排名（主榜）：
36氪获悉，近日，国际顶级计算机视觉会议CVPR 2026披露Highlight研究成果，北京大学科研团队联合上纬启元研究院和京东正式推出RealAppliance数据集及配套RealAppliance-Bench评测基准，聚焦说明书驱动下的家电智能操作规划难题，以高保真仿真体系破解家庭服务机器人实操评测痛点，推动具身智能加速落地真实居家场景。
作者 | 乔钰杰 编辑 | 袁斯来 硬氪获悉，北京维泛智能科技有限公司（以下简称“维泛智能”）近日完成数亿元种子轮融资，由中关村资本及旗下启航投资联合领投，上海未来产业基金、石溪资本、佰维存储、燕创集团、海益投资、探元创投共同投资。 维泛智能成立于2025年5月，孵化自北京大学类脑芯片实验室（PAICORE Lab），专注于具身智能“大小脑”融合芯片研发，致力于打造全国产化机器人核心计算方案。 联合创始人殷积磊毕业于北京大学，拥有超过20年半导体行业经验，曾任知存科技COO兼研发副总裁，以及IBM、GlobalFoundries芯片研发总监，并曾在MTK、VIA等企业从事芯片研发工作。团队核心成员均来自IBM、华为、腾讯等行业头部企业。 随着具身智能快速发展，机器人“大脑”算法持续演进，对通用芯片平台提出了更高要求。机器人“大脑”芯片不仅需要承载多模态感知与AI推理，还需要兼顾运动控制等核心计算任务，是机器人完成交互、决策与执行的“中枢神经”。 目前，具身智能“大脑”芯片市场高度依赖英伟达Jetson系列，但存在着价格高昂、本地化支持有限，商业化部署门槛较高问题。 另一方面，国产芯片目前尚无成熟产品能够真正满足机器人端侧“大脑”需求。 针对机器人芯片在“算力—能效—成本”之间的平衡难题，维泛智能充分利用团队前期在类脑芯片深耕多年的技术积累，自主研发了类脑启发式GPU架构（Brain-Inpsired GPU，BiGPU)，融合类脑计算与通用GPU计算能力，为具身智能SOTA大模型原生设计。 通过引入类脑计算机制降低功耗，同时保留GPU对多种算法框架的通用适配能力，从而兼顾低功耗、高能效与算法灵活性。 （图源/企业） 殷积磊介绍称，神经网络中超过80%的计算量集中于矩阵乘累加（GEMM）操作。为了在保证算力效果的前提下降低数据量与带宽需求，维泛智能通过编码转换，将传统神经网络计算（ANN）转化为脉冲神经网络（SNN）形式的累加计算，在保留功能的同时显著降低功耗与带宽压力。 此前，维泛智能已申请支持ANN与SNN网络结构统一软硬件方法及相关装置专利，实现SNN与ANN指令格式及地址编址的统一。 相比传统异构方案需要维护两套系统与工具链，该方案能够共享统一指令集与软件工具链，并深度兼容主流软件生态，从而降低开发复杂度与生态接入成本。 据了解，公司整体研发周期规划为两年，目前项目进度已过半，预计于2027年第二季度实现芯片投产。 本轮融资将主要用于扩大研发团队、完成指令集架构开发，以及推进产品定义与实现方案落地。 以下为硬氪与维泛智能创始人殷积磊访谈节选（略经编辑）： 硬氪：为什么选择用类脑计算路线做机器人大脑芯片？ 殷积磊： 类脑计算本质上是下一代人工智能的重要方向。我们其实是在用下一代技术解决当下问题，同时为未来算法演进提前预留计算平台。 目前，我们既能够支持Attention Transformer、VLA、世界模型等主流架构，也能够运行类脑神经网络，以及两者融合后的新型模型。从长期来看，类脑计算被认为是通向AGI的重要路径之一，它具备极低功耗和多功能集成潜力。比如人脑的功耗只有20瓦左右，但却能够完成高度复杂的感知与决策任务。我们希望BiGPU不仅服务当前机器人算法，也能够承载未来新的智能计算范式。 硬氪：此前有企业尝试将类脑计算用于机器人大脑芯片设计吗？难点主要在哪？ 殷积磊： 此前行业内确实有一些类脑计算商业化尝试，但大多采用的是纯SNN计算或者异构方案。所谓异构，是把SNN（脉冲神经网络）计算模块和传统NPU模块拼接在一起，本质上仍然是两套系统。我们的做法是同构融合，相当于把通用GPU计算能力和类脑计算核心融合在同一个架构里。这样最大的好处，是能够共享同一套指令集和软件工具链，并进一步实现主流生态兼容。 真正的难点在于，团队既要理解类脑计算，也要理解通用计算架构，才能在底层完成两种技术路线的融合。 硬氪：公司目前有和机器人厂商展开合作吗？ 殷积磊： 有，目前我们已经在和一些头部机器人公司进行合作沟通，其中部分项目已经进入实际合作阶段。 投资方观点 中关村资本董事长 孙次锁： 多领域技术融合是当下硬科技投资的新特征，中关村资本时刻保持对前沿技术的高度敏感性。维泛智能的类脑芯片是典型的交叉学科应用，通过对任务的深层次拆分高效提升器件层执行能力，这种技术能力离不开北京大学在类脑芯片领域的多年积淀。中关村资本希望结合自己的集成服务能力，与维泛智能团队一同在端侧场景呈现出兼顾性能与功耗的推理AI芯片。 启航投资董事总经理 李磊： 启航投资聚焦新一代人工智能、高端核心芯片等国家级战略性硬科技赛道，重点投资拥有底层原始创新、突破产业瓶颈、可实现自主可控与规模化产业赋能的优质科创企业。投资维泛智能，核心看好公司在具身智能类脑芯片领域的差异化技术壁垒，有望解决端侧具身智能“高能耗、低实时、弱自适应”的行业痛点。启航投资将全方位赋能企业技术迭代、产品量产与标杆场景落地，助力公司持续夯实技术护城河，加速国产替代进程。 上海未来产业基金 李然： 维泛智能聚焦具身智能“大小脑”融合芯片，属于上海重点布局的类脑智能+具身智能交叉硬核赛道。公司自主研发BiGPU 类脑启发式GPU架构，实现ANN与SNN同构融合，技术路线具备原始创新与替代价值。本次投资维泛智能，核心是立足上海类脑智能未来产业集聚区战略布局，锚定具身智能核心芯片自主可控，推动前沿技术与产业生态协同落地。 石溪资本合伙人 韩楠： 投资维泛智能这家类脑芯片企业，核心看好三点。第一是赛道趋势，全球AI正在从高功耗大算力，转向端侧超低功耗智能，类脑计算是产业发展必然方向；第二是团队与技术，公司拥有成熟的全栈研发能力，在脉冲神经网络、神经形态架构上形成自主核心技术，摆脱传统算力局限；第三是落地前景，产品精准匹配人形机器人大脑、边缘智能、工业智能等实体产业需求，商业化路径清晰。未来随着下游应用全面爆发，企业有望快速实现规模化放量，成长空间值得长期期待。 海益投资合伙人 秦祥龙: 维泛智能依托独创类脑+通用计算芯片架构，专注于在端侧打造适配多场景、高性价比的“大小脑”融合芯片。公司创始团队深耕具身场景理解、芯片架构设计、工具链、算法研发及工程化落地全链条，技术积淀深厚、实战经验充足。同时维泛创始人的成功创业履历和海益团队在过往也建立了非常好的默契和信任。海益投资看好维泛智能紧扣国家科技发展战略，聚力国产自主可控芯片，未来发展前景广阔。
文｜胡香赟 编辑｜海若镜 “医疗健康产业正在经历它们的chatGPT时刻。”3月结束2026GTC大会上，黄仁勋再次提及AI落地新药开发场景，正带来巨大机会。 近日，据外媒报道百图生科、华深智药已启动IPO进程；中国创新药产业链上，拿到阶段性结果的“AI原生公司”受到资本青睐。其中，AI临床研发服务公司深度智耀的融资节奏更引关注。 去年12月至今年3月，这家公司接连官宣3笔D轮系列融资，累计募资接近2亿美元。 据了解，当前深度智耀估值已达到数十亿美金，与去年年中相比，估值涨幅超6倍； 且正在推进新一轮Pre-IPO融资。 另据公司介绍，公司近两年拿单量、业绩增速很快。2025年以来，销售订单额已近10亿元；2026年前两个月的订单已超过了25年全年。且公司已连续多年实现盈利 。近期的融资中，红杉、鼎晖百孚、新鼎资本等老股东几乎全员加注，每一轮都“实现超募、交割迅速”。 在药物早期发现环节，用AI优化药物分子结构，已广泛嵌入药企研发的工作流。为了提高药物开发成功率，业内渴求AI能在中后期的临床试验环节发力。时至今日，AI智能体的技术与能力，让行业感受到了“硅基科学家”加速临床试验的潜能。 深度智耀成立于2017年，创始人、CEO李星毕业于北京大学药学院，曾供职于强生、辉瑞等企业，拥有10余年在跨国药企做新药开发的经验。初期，深度智耀从医学写作场景切入，为药企提供临床试验文件撰写等服务。十年间，公司历经了技术演进和资本周期的跌宕。 有早期接触过深度智耀的行业人士提及，2022年大语言模型横空出世之前，医学文件经“机器处理后还需要人工校验，客单价低、经营效率不算高”。但如今，“AI智能体”驱动下的AI+CRO业务面貌，已截然不同。 “一直以来，李星有个理念：‘一切皆文本’。药物研发的全流程，是靠知识、文本和数据贯穿，递交临床试验申请、注册上市等各环节，交互的载体也是文本。但我们真正关注的，不是某一份文档写得更快，而是这条证据链如何被更高效、更准确地组织起来。”深度智耀业务副总裁陈舸告诉36氪。 当前，深度智耀构建了“AI智能体系统”，尝试自主执行、交付临床试验方案等多种文本。更具想象空间的是：临床任务交付过程，也是训练迭代AI、使其在海量临床试验数据中具备自进化和强洞察的过程。 AGI的东风到来之前，深度智耀曾沉寂多年。而当技术窗口打开，此前沉淀的数据和对行业痛点的理解，让它恰好坐上了牌桌。那么，深度智耀为什么获得资本追捧？它当前的业务模式和核心能力是什么？ 临床试验AI智能体“军团” 回到根源上，临床试验业务涉及大量数据采集、分析和管理，需要众多有经验的专业人员配合，反复打磨。协同复杂、耗时长、成本高，是药企临床开发的主要痛点。 AI技术浪潮中，“临床试验数字化”一直是重要应用场景。过去数年间，临床试验领域已走完初始的信息化、数字化阶段，只是由于参与者众多，以及法规严格约束下的产品同质化，市场严重内卷。 但药企的需求持续存在。如果能利用AI模型，挖掘海量临床试验数据价值，减少重复而繁琐的人力劳动，提高产出效率、加速研发，药企仍有付费意愿。市场调研机构Market Research Future称，到2035年，全球AI临床试验市场将突破243.7亿美元。 尤其是2022年之后，ChatGPT为代表的生成式AI爆发，技术奇点到来。深度智耀也开始接入大模型、自研AI原生多智能体系统，既往通过交付医学文本类项目所积累的know-how，被进一步工程化为系统能力。 深度智耀方面提供的数据称，目前累计已服务超1000家药企，交付项目40000余个。 “这是个比较巧妙的思路，”一位跨国药企研发人士评价：“ 临床文本服务团队能接触到的临床研发相关数据文件非常丰富；且临床文本服务团队介入时，药企已完成更核心的科学论证和策略制定部分，单个项目工作周期并不长。这意味着他们能持续、快速接触不同研发领域的标准化Protocol（临床试验方案）和CSR（临床研究报告）文本，基于此做AI系统，逻辑是顺畅的。 ” 2025年，从技术架构上，深度智耀搭建了一套“仿人脑思维的AI原生多智能体系统”。彼时，这是医疗企业鲜少会提到的概念。 原本，AI公司主要依靠扩大参数量、丰富数据库提高预测准确率，但制药领域存在大量普通数据库覆盖不到的信息，这就容易造成“幻觉”。 为此，深度智耀换了个思路，不只是靠堆砌数据量，而是仿照人脑“拆解任务-持续反馈”的思维过程搭建系统，并设置训练、推理、交叉验证和后处理四层防护机制，从流程设计上避免“幻觉”发生。 在这套框架下，传统临床试验包含的注册申报、试验设计、临床运营、数据管理、统计编程等一系列复杂临床医学逻辑，被拆分成以“万”为单位的模块，并逐一开发相应的智能体： 比如负责整体临床方案设计的Protocol Agent、执行统计分析的Statistical Agent、保障合规的Regulatory Agent等，参与临床试验方案等内容的生产。 以Protocol撰写为例，它是整个临床试验的核心。传统方法中，这是由临床专家/主要研究者（PI）、统计学家、CMC专家等合力完成的任务，需要数月时间完成。深度智耀的多智能体系统则是将撰写Protocol任务拆解后，直接交给承担不同专家角色的Agent，由它们来理解试验背景及目标、设计方案框架，接着完成自动撰写、格式校对，并按需完成多语种适配。 这个过程中，不仅人力和时间成本得以缩减，AI智能体系统也可能凭借数据积累，为人类专家提供新思路，比如自动生成有利于监管沟通会议的论述材料等。 由AI智能体提供know-how，这是深度智耀的技术亮点所在。很多新药研发项目失败，并非是科学设想不够先进，或缺少数据，而是 因为从临床前机制研究到临床试验之间存在大量断层，导致该药物没被用在正确的人群、正确的终点，或通过正确的方案将其潜在有效性验证出来。 从这个意义上说，AI临床CRO的真正价值，并非单纯的降本增效，而是深度嵌入患者分层、入组预测、研究中心选择、终点优化等关键临床环节，帮助整个临床开发更早暴露错误，并改正。其本质不是简单替代人工，而是降低关键决策节点的错误率，提高证据生成、整合的效率，进而增强从分子到患者、从机制到临床获益之间的闭环能力。 陈舸介绍，早期，深度智耀曾专门设有“AI架构师”职位，负责根据具体项目调用不同Agent，但如今已逐步实现由系统自主调用Agent、参与交付，“最终由专业人员审阅、签字、放行”。 按结果付费，中位客单价数千万元 随着AI多智能体系统的落地，深度智耀可承接的业务范围也随技术成熟大幅扩容。陈舸介绍，2023年左右，公司的AI系统已可以交付Protocol、CSR等比较典型的单个场景的文本内容，输出结果“准确率达到90%以上”。随后便逐渐切入临床试验“整包业务”，承接CRO类订单。 这种承接临床试验全流程“整包服务”的模式，直接给深度智耀带来了商业模式转变，公司得以开始执行按交付结果收费。 从最直观的角度，这首先意味着客单价提升。创立之初，深度智耀的单点位服务的订单体量较低，从几万元到几十万元不等。因为它本质上没有脱离传统AI辅助研发服务的逻辑，虽具备一定拓客优势，但收入天花板明显。 但如今，AI技术带来的服务体验和效率提升，让药企客户愿意把“管线的整体研发工作交给我们”， 中位客单价也随之突破至数千万元 。同时，2025年下半年开始，这种“整包业务”量也开始大幅增长，且“交付概率高，效率远超传统人力密集型的CRO服务”。 医疗行业天然带有强监管的底色，因此无论企业还是医疗机构，在面对创新技术时，态度往往都比较审慎。前述跨国药企人士也提到，AI模块化写作虽已是比较现实的应用，大药企内部如今都在用，但现阶段实操中，更倾向让它撰写重复性内容，如内容填写、前后文中的专业表述对应等。“涉及描述性内容还不是很信任AI，对于AI直接生成的Protocol初稿类内容，使用时会比较谨慎。” 那么，深度智耀是如何快速取得合作方信任、实现订单增长的？ “我们不打价格战，”陈舸表示：“而是通过提高售前体验取得客户的信任。”比如，在与药企客户初步接触时，深度智耀会先利用AI智能体为客户提供做出临床方案决策所需的资料，比如管线调研报告、初步方案论述及具体分析对比，甚至可以根据反馈继续修订方案。“这些方案不是模板化输出，而是结合项目实际情况来定，个性化程度高、完整度也高。我们的系统通常几小时就能完成一轮高质量迭代，不会显著增加内部负担，也能让客户更快建立对我们效率和质量的信任。” 这种先交付价值、再谈合作的方式，在一定程度上降低了合作方的决策门槛。陈舸提到，不少潜在客户原本只是计划将优先级不高的管线交给深度智耀试水，但在接触和验证之后，却“愿意达成全面战略合作，甚至把所有管线下一阶段的相关需求整包出来”。 陈舸透露，近期，公司刚刚拿下一笔接近2亿元的大订单，负责药企客户多条管线的全球多中心临床CRO业务。“我们预计当年确认收入的比例可以达到七成以上，这将直接带动今年的业绩增长。” 与此同时，跑通临床试验阶段整包业务只是第一步，深度智耀也已将服务向临床开发的前后两端延伸。“技术能力是共通的，只是商业场景有变化。理论上，如果AI知道临床试验阶段的哪类药物更有希望获批，那它在临床前靶点发现阶段也一定足够聪明；在营销端，也会知道怎样指导医生合理用药。”陈舸解释。 近日，深度智耀还表示，2014年诺贝尔生理学或医学奖得主、挪威神经科学家Edvard Moser将以非执行董事身份加入公司，意在“从更多维度探索AGI时代公司模型和智能体的能力边界”。 “当前，不少头部AI公司都在探索核心业务之外的跨界方向。 因为，AI时代的业务服务边际成本相对较低、赢家通吃效应更明显，其核心成本是token消耗量，而非传统企业那样的异地扩张，或牵扯更繁琐的管理问题。 在制药领域，我们相信未来的新药上市成本和链路会逐渐缩短，很多原本难以改变的传统会被颠覆，这是我们对行业竞争和未来发展的判断。”陈舸表示。