与一线团队
共同设计。
真实任务,真实约束。

全栈临床负责人外部专家
医学注册药物警戒临床运营数据管理统计
真实任务,真实约束。
权限明确,责任在人。
将控制措施贯穿工作流程。
我们引进临床前和早期临床资产,围绕关键问题设计研究,将项目推进至临床概念验证,再与合作伙伴共同推动后续开发。
寻找值得开展临床验证的资产。
资产猎手团队将关键未知转化为能够回答它的研究。
携手制药和生物科技伙伴,推进已获验证的项目。
将早期药物资产的潜力,转化为有意义的证据。
人的判断 × AI 的能力。
共同探索不同的开发方式。
智能体原生组织宣言
开始阅读关于这个时刻
智能体如今已能连续数日完成多步骤的专业工作,并在过程中检验和修正自己的结果。当这种能力进入组织,我们必须重新思考如何分工、由谁决策,以及学习如何发生。CataX 从生物科技出发,探索这种新的组织形态。
我们获取并开发真实的治疗性资产,将其推进至临床验证。科学判断与智能体的执行能力在同一团队中汇合,缩短从治疗假设到临床答案的路径。
药物开发真正考验一个组织的能力:知识必须转化为可执行的研究,研究必须产生足以改变决策的证据。这份宣言以生物科技为起点,探索智能体时代的组织如何形成意图、与智能体协作、承担责任,并通过经验改进自身。
下一种药物,始于人与智能体从这一次开发中学到的东西。
前沿能力,已进入我们曾以为人类独有的工作
临床开发依赖严谨的推理:汇集证据、检验假设,并将问题转化为研究。智能体在数学和软件工程领域的进展,正在改变人与机器之间的专业分工。
2025 年,Gemini Deep Think 解出了国际数学奥林匹克竞赛 6 道题中的 5 道,达到 IMO 金牌水平。[1] 随后数月,Aletheia 等智能体进入研究级数学领域,提出、检验并修订证明。[2]
2026 年 9 月,Anthropic 宣布,Claude 在 Prove2Me 平台上主要以自主方式工作,仅偶尔接受研究者的高层指导,在 11 天内完成了费马大定理的 Lean 形式化。它证明了 30,300 个中间定理,其中 29,500 个被用于最终证明。[3] 同年 10 月,OpenAI 发布了由内部模型生成的 700 多篇数学手稿;其有效性仍在接受数学界评估。[4] 产出开始超越理解。
Anthropic 还让 16 个智能体协同工作,在两周内构建出能够编译 Linux 内核的 C 编译器。[5] 人设定目标,构建测试与反馈环境;智能体实现、调试并改进代码,让一个复杂系统得以形成。
智能体已从生成内容,走向在严格约束与验证下持续推理和检验假设。临床开发同样需要将机制、研究设计和证据连成可检验的推理链,并通过实验和临床研究获得答案。当智能体承担越来越多的推理工作,人需要重新定义自身的职责:选择值得追问的问题,设计检验方法,并为由此产生的行动负责。
最先发生变化的边界,恰恰是我们曾以为不会改变的那些。
将一个有潜力的分子变成药物,需要付出什么
10–15 年开发周期。每种获批新药的平均资本化研发成本约 26 亿美元。[6][7] 一个有潜力的分子,必须跨越这道时间与资本门槛,才能成为患者可及的治疗。
2012 年,Scannell 及其同事将此前数十年的困境概括为“反摩尔定律”:每投入 10 亿美元研发支出所获批的新药数量,大约每 9 年减半。[8] 更好的科学工具,并未自动提升开发体系的生产力。
AI 药物发现已推动分子设计进步。通过 RFdiffusion 设计的抗体已进入实验筛选与结构确认阶段。借助 AI 发现和设计的 rentosertib,其随机、安慰剂对照 IIa 期研究于 2025 年发表。[9][10] 候选药物出现得越快,开发体系就越需要提高验证它们的能力。
临床阶段约占获批前直接研发支出的 70%。[7] 候选药物能否使人受益,取决于其作用机制、暴露水平、患者选择与临床终点。下一轮生产力提升必须深入这些开发决策:将更丰富的知识转化为能够区分不同解释的研究,用有限的临床资源解决最关键的未知。
这正是 CataX 的起点。我们识别值得开发的临床前及早期临床资产,通过许可引进或共同开发协议获得权利,主导开发至临床概念验证(PoC),再与伙伴合作将药物推向更远。机制依据、产品差异化,以及早期研究能够回答的问题,决定我们如何投入精力与资本。
一个被搁置的资产,使开发问题变得格外清晰:这个分子是否仍有值得验证的临床价值?它的机制可能在原有患者人群或剂量下失败,也可能从未获得充分验证所需的资源。重新开发的起点,是从现有证据中找到决定下一笔投入的关键未知,并将其转化为研究能够回答的问题。
开发效率最终取决于答案的质量。当出现有意义的转化研究信号或患者亚组信号时,我们设计下一次检验。当结果不支持继续投入时,我们及早停止,明确哪些假设已被排除、哪些尚未经检验。时间与资本应投向能够改变开发决策的证据。
更好的开发体系,会改变哪些药物能够成为现实。
新的能力,需要新的组织形式
工厂电气化初期,电动机替代了蒸汽机,但机器与流程仍围绕中央传动轴布局。只有当工厂移除传动轴、重新组织车间,新的动力来源才真正改变了生产力。[11]
今天,为每个医学、临床和运营岗位配一个智能体,也会遇到同样的问题。单个环节变快了,项目却仍在等待部门间的交接。过去的分工反映了人的时间与知识边界。当这些边界改变,组织必须重新思考:哪些任务应当拆分,哪些问题必须由同一个团队从头到尾理解。
Base44 由一人创立,被收购时仅有 8 名员工。[12][13] 这样的团队说明,更小的群体如今能够承担更多工作:理解问题的人,可以组织智能体承接从需求到交付的更多环节。
软件部署后很快就能获得反馈;生物科技的临床 PoC 往往需要数年。一个小型临床开发团队必须保留完整的科学依据,将其贯穿研究设计与执行,并在结果到来后继续负责。团队规模的改变,只有改变了工作的完成方式,才有意义。
基于错误前提作出的早期决策,可能影响此后数年的投入。组织不能等到疗效结果读出才开始学习。在研究结束前,既往经验、日常反馈和主动推理就必须开始改变下一次决策。
从完整的问题出发。先明确谁对结果负责、哪些人与智能体参与,再定义角色并分配工作。
如果从第一天就有智能体,我们会构建怎样的组织?
让智能体成为团队成员,让基础设施成为第一位“员工”
智能体原生组织,从一开始就为智能参与工作建立条件:可以访问哪些知识、使用哪些工具、获得什么权限,以及如何检验结果。这些构成其基本运行结构。
上下文。决策背后的推理必须经得起人员变化。来源材料、决策依据、失败记录、版本历史和未解决的问题,共同构成组织记忆。后来的人与智能体可以重建原始推理,并据此发展新的解释。
工具。文献、数据库、分析代码和临床数据系统,通过 API 或受控工具进入工作流程。在接入患者数据前,必须明确使用目的、授权范围与隐私保护措施。访问仅限任务所需的数据,并落实去标识化、受控处理及访问和导出记录。[14][15]
权限。智能体在明确授权范围内行动,将超出权限的决策交由负责人。临床试验申办者与研究者保留各自的责任。[14] 凡用于注册申报或患者安全判断的工作,都由具名人员签字确认并承担责任。智能体扩展此人能够看见和处理的范围,而不替代签字。质量审核、放行决策和关键变更,由质量体系内获授权的人员执行并记录。
评估。智能体任务应具备测试用例、质量标准和失败判据。支持 GxP 工作的系统,在使用前必须完成与预期用途及风险相适应的计算机化系统验证(CSV)。受 21 CFR Part 11 约束的电子记录和签名,必须具备相应访问控制与审计追踪;系统变更须经评估、验证和批准。[15][16] 真实任务中的表现,决定模型和工作流程是否有所改进。
构建基础设施,让每一次经验都能成为能力。
科学意图决定方向
当复杂执行可以交给智能体,专业身份便需要新的基础。核查知情同意书、调整方案格式、核对 CRO 表格,占用了大量专业时间。当这些负担减轻,更困难的工作是判断:什么值得做,什么证据足以支持改变方向。
执行越快,品味、科学直觉和问题的质量就越稀缺。科学直觉帮助我们从纷杂证据中发现值得追问的异常。品味体现在取舍:哪项研究值得投入资源,哪份精美的分析却没有抓住问题。
意图将人的抱负转化为工作方向:要改变什么、为何重要、什么结果才算成功。在药物开发中,资产负责人据此形成科学主张,组织智能体寻找证据与反例,再将主张转化为可检验的研究。能做的越多,就越需要明确我们究竟在追求什么。
尼采将人类描述为一座桥梁。[17] 这里的自我超越,是具体的工作:走出已经熟练掌握的角色,提出自己的问题,汇集资源,并为结果负责。成长也意味着放下曾经有效的答案,在新证据到来时重新思考问题。
我们必须与获得的力量一同成长。
从职能交接,走向对完整问题负责
药物的开发假设贯穿机制、暴露、患者和临床终点。BD 基于机制的吸引力获取资产,临床团队再将论点转化为方案并执行。如果原始推理在途中丢失,一次失败的 PoC 就会让团队难以判断:是药物无效,还是研究从未真正检验过那个假设?
围绕完整的开发问题组建资产团队:这种药物在什么患者、什么暴露水平下,能够产生足以支持后续开发的临床价值?同一个人机团队,从资产评估、研究设计一直负责到证据生成。智能体维护来源材料、推理和变更历史;负责人确保每一次取舍都能追溯到正在检验的假设。
工作在不同职能间传递
一个团队负责完整开发闭环
团队成员通过约定的数据接口、交付标准和反馈机制协作。执行中的偏差与新发现,回到资产团队的共享上下文中。同一团队持续负责最初提出的问题、过程中的改变,以及结果究竟回答了什么。每个项目形成的工具和方法进入组织记忆,为下一项资产提供更强的起点。
头衔追随能力,结构追随工作。
组织本身,必须成为被改进的对象
经验只有改变后续工作,才成为组织能力。项目中形成的工具、推理和协作方式,必须能被后来的人与智能体使用、检验和修订。在 CataX 早期的工作中,我们将人、智能体、知识、工具与工作流程的共同改进称为“递归组织改进”。[18]
临床价值的答案需要数年,组织学习却不能停滞。数据驱动的学习与逻辑提炼,是相互检验、相互修正的两条路径。前者从真实工作与项目结果中发现问题;后者由人主导,主动构建、提炼并挑战开发逻辑。
面对机制有吸引力的候选药物,讨论不能止于“靶点已验证”。为什么是这些患者?预期暴露能否对靶点产生所需影响?研究终点能否检验这条推理链?什么发现会改变投资决策?负责人围绕这些问题组织文献、历史案例和专业经验;智能体比较证据、寻找反例,将有潜力的机制转化为可行动的开发假设。
日常核查、返工与执行偏差提供快速反馈,帮助改进工具和流程。机制推理先接受历史案例和跨学科问题的检验,再由实验与临床结果校正。这种方法在稀疏的结果信号之间增加检查点,将日常执行与推理检验转化为指导下一步行动的反馈。
有效方法被编码为技能(Skills);协作顺序与交付物之间的关系被编码为工作流程(Workflows)。组织记忆保留这些方法为何有效、适用何处,以及如何失败。下一组人与智能体既能采用既有方法,也能识别它们何时不再适用。
最理解问题的人,也参与改进工具。在生物科技中,资产负责人把重复的文件核查变成程序,临床负责人把常见遗漏的检查纳入工具。经过测试和专家审阅后,方法进入共享能力库,再由使用者针对真实问题不断改进。
定向进化通过变异、选择和积累,将有益的变化带入下一轮。[19] 工作方法也可以经历类似的选择。人与智能体提出替代方案,由任务表现与项目结果决定哪些值得保留。
评估标准本身,也必须接受结果的检验。如果一项评估奖励报告的完整性,却遗漏了决定资产价值的风险,我们就修改标准,并用已积累的案例重新比较。当临床结果暴露早期推理的盲点时,它们也必须改变我们选择下一项资产、设计下一项研究时所提出的问题。
许多公司都能获得相同的模型。项目经验却必须亲自积累,并需要基础设施加以捕获和延续。当经验嵌入工具与工作流程,每一代更强的模型都能利用它,承担更复杂的工作。
每一个项目,都应让开发下一个项目的组织变得更好。
自我改进组织的九种要素
构建智能体原生组织,意味着将扩展的能力、人的责任和积累的经验结合起来。这九种要素组成一份可以在实践中持续改进的配方。
让决策与后果的责任始终相连。由一位具名负责人说明为何投入资源、什么会改变决策,并为后续结果负责。
从第一天起,建立智能体可使用的组织记忆、工具和工作记录,让新成员能够接续前人的工作。
将智能体团队交给理解问题的人,让专业能力延伸为行动。给人设定目标、调动资源和修订方法的空间。
一项任务第三次出现时,就提炼其中可复用的部分。将经过检验的方法纳入共享工具、技能和工作流程,并保留其适用条件。
部署前,按预期用途评估智能体任务。对重大变更进行测试、审阅和授权,再持续跟踪实际表现。
围绕完整的问题组建团队,以交付约定协调专业工作,并从最初问题到最终结果持续承担责任。
记录失败决策的依据、错误原因及具体改动。将经验带入工具和流程,并检查类似问题是否减少。
结合项目数据与人主导的逻辑提炼,检验我们如何发现问题、评估结果并保留改进。
让真实结果优先于过程指标。在生物科技中,衡量证据质量、获得证据所需的时间与消耗的资本,再用后续临床结果校准这些指标。
好的想法,在实践中赢得位置。
致生物科技内外的建设者
CataX 从生物科技开始,在真实药物开发中实践这种组织方式。每一次取舍,最终都关系到一种治疗能否前进,以及患者何时获得新的选择。
我们欢迎拥有共同长期信念的伙伴、科学家与建设者。你在某一领域有深度,也愿意理解相邻的问题,形成自己的判断,并组织人与智能体开展工作。你能为真实问题构建工具,也能在新证据到来时修订方法。
我们与资产所有者合作推进真实药物,并通过实际项目检验组织方式。材料、能源、半导体和法律等领域,同样面临验证周期长、决策后果重大或监管约束。我们欢迎这些领域的建设者交流实践,让一次事业的经验成为下一次的能力。
自我改进的生物科技,指向一个更广泛的问题:当智能可以被组织,经验可以被传承,我们能够构建怎样的组织,又能够成为怎样的建设者?CataX 正在真实项目中寻找答案。
患者仍在等待治疗。我们以结果作答。
发现有价值的药物资产。
构建推动资产前进的证据。
持续改进这两件事的做法。

主动研究构建资产论点,决策支持将证据转化为下一步投入。
研究人员与 AI 智能体,将资产发现、深度研究和投资决策连接起来。

对项目负责的资产团队,将专家伙伴、重新设计的工作流程与 AI 智能体连接起来,准备并协调开发工作。
一位端到端负责项目的临床开发专家,指挥智能体并协调各领域的专业能力。

每一轮资产开发,都改进我们寻找、判断和开发资产的方法。更好的方法,再回到两大支柱中。
各有所长,各有深度。
共同的志向,是构建一家不同的生物科技公司。

创始人兼首席执行官
复旦大学医学博士。
曾任微软亚洲研究院 AI 研究员。
曾任医疗科技企业首席技术官,经历覆盖临床验证与商业化,并将这些经验用于医学策略、资产评估和合作。入选福布斯中国 30 位 30 岁以下精英(2020)及胡润 U30 中国创业领袖(2021)。
联合创始人兼首席开发官
临床开发专家与数字化转型推动者
在 PPD、百济神州(BeOne)、LabCorp 等全球 CRO 和生物制药公司拥有逾 15 年经验。主导 50 余项 I–III 期临床试验,支持 3 款产品上市。从零组建 PPD 中国去中心化临床试验(DCT)团队及运营体系。在百济神州与技术团队共同开发 3 个以上数字化项目。
想法、视角与进展。
走近我们的建设过程。
硅基外脑与一人成军
深夜阅读临床试验方案时,我常会想到一个奇怪的问题:一个分子进入人体之前,究竟要经过多少个大脑?
它最初是对某种疾病的解释,随后成为药理学家的实验、临床医生对患者人群的判断、统计学家的假设、注册专家的论证,以及运营团队的时间表。每跨过一道边界,它就被重新翻译一次。等到第一位患者签署知情同意书,最初的问题已经散落在数十份文件、几个系统和许多人的记忆里。
参与者可能都认真而专业,每个人也确实掌握着图景的一部分。但这又像极了盲人摸象:究竟谁看见了临床试验的全貌?谁能回答,我们到底在检验什么?试验结束后,我们会知道哪些今天还不知道的事?
我越来越觉得,AI 智能体最深刻的改变将发生在这里。它们可能让一个人重新把握复杂工作的整体,让知识、行动与责任汇聚于一处。这种可能性促使我们重新思考工业化以来习以为常的分工。在临床开发中,它也许会催生一种新的工作方式:由一个人在智能体支持下,从机制到证据,全程主导一项试验。这个念头,让我想起工业革命之前的世界。
那时当然也有分工,人们远非个个全能。但在手艺人的工作台前,构思与制作往往紧密相连。木匠理解一把椅子为何以某种方式承重,也知道某块木料的纹理为何不允许某种切法。他的判断贯穿材料、工具与用途,最终抵达一个具体的人。物件是完整的,工作也是完整的。
工业化改变了这种关系。亚当·斯密笔下,制针被拆成约十八道工序,分工极大提高了产量。但在《国富论》后文,他也担忧:终生重复少数简单操作,会使人失去运用理解力和创造力的机会。效率的发现与人的代价,出现在同一本书中。 《国富论》
此后,泰勒制将工作变成可测量、可规定的动作,流水线再为这些动作设定精确节奏。一个人无需理解产品全貌,也能参与制造。这带来了前所未有的物质丰裕,也让我们习惯了一条组织原则:拆解复杂性,让每个人只承担其中的一小部分。
这条原则最终走进办公室、实验室和医院。
医学让我格外感受到这种进步的两面。专业化使我们得以识别细微的病理差异,提供曾经无法想象的治疗。但随着知识加深,单个医生能够独自掌握的范围也越来越有限。器官、组织、信号通路、疾病亚型,构成了一重又一重必要的学科边界。
然而,患者始终是作为一个完整的人走进诊室。肾功能、免疫状态、睡眠、收入,以及对治疗的恐惧,不会整齐地按科室划分。我们对局部的认识越来越精确,理解整体却需要付出越来越高的协调成本。
我想到达·芬奇,不是因为他真是历史上“最后一位通才”,而是因为他的观察方式。水流、肌肉、飞鸟和机器,可以进入同一个思考过程。现代专业体系让这样的视野变得昂贵:从自己的领域进入另一个领域,往往意味着再次付出数年的学习。
其背后,是一个比任何组织结构都更古老的局限:我们无法直接继承前人的记忆。仅仅为了抵达别人已经抵达的地方,就要耗费大量时间。
刘慈欣在短篇小说《乡村教师》中,将这个日常事实变成了宇宙尺度的惊讶:一个无法继承记忆、依靠缓慢声波交流的物种,究竟如何积累起文明?小说将答案交给教师——用自己有限的生命,将已知传递给新一代年轻头脑的人。
这个隐喻一直留在我心里。每个孩子出生,文明就必须重新完成一次局部安装。语言、数学、历史和因果关系,都要从头学习。以数学为例,到中学毕业,一个学生在几何上走过的疆域,大体还只是古希腊人已探索过的一部分。每一代人都必须从起点重新走过这条路。对于医生或科学家,这段旅程往往延续到三十多岁甚至更久,才刚刚来到能够独立处理前沿问题的位置。
教育当然远不止传递信息,它也塑造判断、品格和理解他人的能力。但知识仍有一种引力:积累越丰富,下一代抵达前沿前可能要攀登的高度就越大。而人的寿命,并未同步增长。
我喜欢将人类能力的积累想象成三条曲线。
第一条写在基因里。经历无数代漫长演化,大脑容量逐渐增长,我们获得敏锐的眼睛、灵巧的双手和能够直立行走的身体。第二条写在语言、书籍、学校和制度中,使一个人的发现能够超越其生命,成为另一个人的起点。这条曲线极大加速了文明,却仍必须经过每个大脑有限的注意力与时间。
智能体让我看见第三条曲线的轮廓。这是一条传承知识、延展能力的新路径:一部分已经形成的工作能力,可以存储在人体之外,随时调用,并在实践中不断修订。
我称之为“硅基外脑”。
教科书和知识库当然能够保存知识,但人要花费大量时间阅读、理解并内化,才能加以运用。一本书只能等待被阅读,外脑则不同。一个拥有可靠来源、工具和工作记忆的智能体,可以成为人的工作与判断的组成部分。在需要时,它能主动围绕具体目标组织知识:寻找反例、执行计算、比较方案、将一个领域的方法带入另一个领域,并交回结果供人检验。
真正困难的,是将专业经验转化为可付诸实践的判断。一位资深临床开发者的价值,往往在指南没有充分写明的地方:为何一个看似有吸引力的终点可能误导,为何某种人群定义可能让入组难以实现,或一项阴性结果究竟排除了什么。这些经验必须被拆解为理由、条件、反例和检验方法,才能成为外脑的一部分。
一旦做到,知识便多了一种传承方式。后来者可以从前人已经构建的能力出发,在真实问题中学习,而不必先将每一个细节搬进自己的记忆。
通才,也许将因此拥有新的含义。
我期待的通才,在一个领域有足够深的根基,同时借助外脑跨越学科边界,将分散知识组织成连贯行动。临床医生可以追问统计假设,统计学家可以探索疾病机制,理解患者的人可以直接参与工具建设。跨界的成本降低了,随之而来的责任仍然存在。
数学已经提供了一个具体例子。1946 年,Erdős 提出平面单位距离问题:平面上 n 个点中,恰好相距一个单位的点对最多有多少?他猜测,格点式排列接近最优。近八十年来,数学家主要使用组合几何、关联几何和图论工具,尝试证明这一猜想。2026 年 5 月,OpenAI 的一个通用推理模型走了另一条路:借助代数数论中的无限类域塔等工具,构造出单位距离点对数量显著多于格点的点集,推翻了猜想。该证明已由外部数学家验证。有评论指出,人类若走这条路线,既需要深厚的代数数论功底,又要对单位距离问题感兴趣,而这种组合极为罕见。 OpenAI:模型推翻离散几何中的一个核心猜想
对我而言,更深的启示是,工具之间的距离正在缩短。许多难题需要多种方法协作,而这些方法传统上分属不同学科。过去,一个人的训练决定他最先注意到哪种工具;未来,外脑可能帮助他看见更广泛的可能。
因此,分工值得重新审视。
在亚当·斯密的时代,分工几乎是提升效率的唯一途径。个人学习时间有限,复杂工作必须被拆开,让每个人熟练掌握少数操作。代价是,许多人终生只能看见工作的一个侧面。这是在第二条曲线约束下的理性选择。
第三条曲线可能松动这一约束。如果外脑承担了大量知识存储与检索工作,一个人也许不必先花十年乃至更久记住各领域的细节,就能理解并主导一项完整事业。通才不再只是少数卓越头脑的特权,人的工作也不再必然被切碎。
对于有能力也有意愿的人,完整地面对工作也许更高效,因为理由不必在交接中流失;也许更明智,因为每个局部决策始终连接着更大的问题;也可能更有成就感。斯密所担忧的,正是单调重复剥夺人运用理解力和创造力的机会。重新看见整体,也意味着重新获得这种机会:看到自己的判断如何贯穿至最终结果,并为其负责。
完整性并不会让工作变得轻松。在临床开发中,漂亮的统计结果未必转化为患者可感知的获益,优雅的机制解释也未必经得住药物在人体内实际暴露的检验。把握全局的人,必须同时看见科学可能、现实约束,以及最终由谁承担代价。
这正是我们在 CataX 思考组织设计时,不断回到临床开发的原因。在这里,关于智能的想法可以接受现实检验。
软件可以快速运行,许多错误也可以迅速回滚。临床试验进入人体,必须等待疾病进展、药物作用与时间共同给出答案。患者招募、药物供应和研究中心能力,都遵循着单靠计算无法压缩的时间尺度。世界不会因为模型推理更快,就更快给出可靠结论。
但在这些真实约束之外,临床开发还背负着大量由组织自身造成的延迟。
医学撰写、注册、生物统计、临床运营和数据管理,各有不可缺少的专业深度,也各自保存着项目事实的一部分。当一项变更穿过这些边界,就需要反复解释、重新排队、再次核对版本。最危险的损失发生在理由的传递中:下游团队收到结论,却不知道结论所依赖的假设。
这就是“交接税”。它以会议、等待和返工的形式支付,也体现在科学意图的稀释中。
设想我们正在开发一款治疗炎症性疾病的候选药物,准备建立临床概念验证(PoC)。原始问题很具体:在与机制相关的人群中,足够的药物暴露能否产生具有临床意义的获益?
如果为加快入组而放宽入选标准,可能稀释靶点机制的信号;如果为减少访视负担而调整采样,暴露与效应的关系可能更难解释;如果仅依据先例选择终点,试验可能错过最有可能观察到机制效应的时间窗口。
每一个局部决策都可能合理,但合在一起,却可能让试验无法回答最初促使它启动的问题。
因此,我们提出 Clinical-of-One:一种重组临床开发、弥合这种割裂的方式。
“One”指的是开发工作的统一领导。一个对临床开发有扎实理解、能够跨职能判断,并有强烈责任感的人,从机制到证据、从方案到决策,持续把握整个过程。我们或许可以称其为 Clinical Maestro——临床指挥者。
指挥者必须理解乐团中的每个声部,也知道它们为什么要在某个时刻汇合。不能因为各部门都完成了交付物,就认定研究是合理的。指挥者必须持续追问:为什么是这些患者?为什么这个剂量值得检验?这项分析能够区分哪些解释?什么结果会让我们继续、调整或停止?
智能体平台将围绕这些问题承担越来越多的工作:组织证据、生成方案选项、运行模拟、检查文件间的逻辑关系,并追踪每项变更对研究其他部分的影响。
在我们设想的工作方式中,放宽一项入选标准,会立即触发对机制相关人群富集、招募速度、预期效应和样本量假设的联合检查。讨论仍需要专业判断,但参与者能够基于同一份证据和依赖关系工作。最初的科学问题,无需在每次交接时从头讲起。
这种安排有一个必不可少的条件:集中领导必须为独立质疑保留空间。研究者、伦理审查、统计审阅和质量监督,各自承担不能被一个人的判断吸收的职责。申办者也不能通过委派工作转移最终责任,ICH E6(R3) 原则 10 及附录 1 第 3.6.6 节对此有明确规定。 ICH E6(R3) 指南
换言之,临床指挥者确定试验应当回答的问题,以及证据出现后的方向。智能体平台组织证据、起草方案、运行模拟和核查一致性。统计审阅、医学监查、盲态管理、伦理审查和质量保证必须保持独立,不屈从于任何个人的判断。一人成军,不意味着一个人包办一切。
因此,“一人成军”真正要求的是更强的基础设施。证据来源、访问权限、版本历史、盲态边界和审阅机制,必须让异议被听见、错误被发现,并让另一位合格人员能够接续工作。否则,更小的组织只是将所有风险集中到一个人的盲点中。
临床指挥者获得的自由,是将更多注意力投入到“下一步应当学到什么”。有时是推进一个清晰界定的适应证,有时是设计有充分依据的适应证拓展,有时则是在不再值得投入患者与资本时,及早结束一条路径。
这也改变了我们对效率的理解。更快地生成文件只是起点。真正重要的是,在有限的时间和资源内,获得能够改变开发决策的证据。
至此,文明的钟摆似乎开始了又一次摆动。
工业化让我们通过分工完成超越个人能力的事;智能体则可能让个人继承集体能力,同时重新获得对工作整体的理解与主导。专业深度仍在,社会协作仍不可缺少,而一个人的行动范围可以延伸得更远。
这种可能值得追求,也值得认真选择如何使用。硅基外脑可以训练人更快地服从指令,也可以帮助人重新提出问题、理解因果,并为创造承担责任。技术扩大选择的范围,组织决定人最终站在什么位置。
我仍常想起《乡村教师》里的教室。文明之所以延续,是因为生命有限的人,愿意把所知交给后来者。今天,我们开始有机会让知识携带更多东西:推理方式、失败的理由、尚未解决的问题,以及继续行动的能力。
对临床开发而言,这种希望最终必须落在非常具体的地方。当下一位患者走进研究中心时,我们是否比上一次更清楚:为什么值得请他参与,他的参与如何产生可靠知识,以及这些知识如何帮助后来的人?
也许这就是“一人成军”:一个人能够带着更完整的文明积累,面对这个问题,并为答案负责。
一起塑造不同的生物科技公司。
人的洞察,AI 的能力,主动担当。
在科学、开发与 AI 的交汇处,带来你的视角。
联系我们的团队CataX AI 是上海凯思达生物医药科技有限公司的对外品牌,公司的英文名称为 Shanghai CataX Biopharmaceutical Technology Co., Ltd.。
本网站介绍公司、开发方法及潜在合作机会。本条款适用于网站使用。许可授权、共同开发及其他业务关系由另行签订的协议约定。
网站内容仅用于一般信息介绍,不构成医疗建议、治疗推荐、参加临床试验的邀约,或买卖证券的要约。
请尊重 CataX 及其他权利人的知识产权。不得虚构关联关系、移除权属声明、滥用个人信息、干扰网站,或试图未经授权访问网站。超出适用法律许可范围的任何使用,均需获得相应权利人的许可。
如需咨询合作,请联系 contact@cata-x.ai。请先提供不含保密信息的介绍。
网站信息和功能可能变化。本条款不排除依法不得排除的权利或责任。具体交易须另行商定条款。
CataX AI 是上海凯思达生物医药科技有限公司(Shanghai CataX Biopharmaceutical Technology Co., Ltd.)的对外品牌。本政策适用于本网站。临床研究数据、员工记录及依据单独协议分享的信息,在各自相应情境下处理。
如需咨询网站隐私事项,请联系 contact@cata-x.ai.
你可以不提交个人信息而浏览网站,并自行决定在咨询邮件中提供什么。首次咨询请勿包含患者个体信息或保密资产数据。
如需询问已向 CataX 提供的个人信息,请联系 contact@cata-x.ai.
你的电子邮件服务商及链接的外部网站,适用其各自的条款与隐私实践。
Cookie 是浏览器为网站存储的小段信息。类似技术可以保存偏好、衡量使用情况或识别设备。常规页面与媒体缓存,不同于应用所使用的 Cookie。
浏览本网站无需登录或身份验证 Cookie。网站通过 sessionStorage,在当前浏览器标签页中保存你选择的 AI 或 Bio 视角。
你可以在浏览器设置中查看和管理 Cookie 及网站数据。本网站不使用广告或再营销 Cookie。
本网站使用的技术如有变化,将在本政策中更新。
有关邮件咨询、技术请求和隐私选择,请参阅 隐私政策。访问链接的外部网站时,适用该网站自身的政策。
让更多潜力进入临床开发,这是我们的模式。
十年间,候选药物的数量翻了一倍。
如今,超过 12,700 个药物处于临床前开发阶段。
但每年只有约 1,800 个新分子进入临床,
而这个数字几乎没有变化。
即使今天停止药物发现, 消化现有积压仍需数年。
临床开发仍沿用旧有方式。
从一个部门到另一个部门, 从一家服务商到另一家,逐次交接。
每一次交接,都让项目付出代价。
CataX AI,正是为突破这一瓶颈而生。
我们引进并共同开发有潜力的早期资产,
将其推进至临床概念验证。
我们的运营模式是 Clinical-of-One。
一位全栈临床负责人,统筹整个项目。
从机制到证据。
从方案到决策。
一人成军,并非一个人包办一切。
而是由一个人把握全局、统筹指挥,
与负责审阅和交付的专家及伙伴共同推进。
每位负责人身后,都有一群专业智能体。
它们寻找资产、制定策略、设计研究,
准备申报材料,支持研究启动,
统筹试验,交付概念验证证据, 一切都基于同一份共享上下文。
例如,IND 申报准备。
一位负责人指挥智能体, 逐一核查来源,并行起草文件,
让专家更早审阅,减少返工。
每个项目,都在教会系统新的东西:
证据与结果,不断改进智能体、技能和工作流程。
随着经验不断积累,
每一份临床证据,都让智能体更有能力。
每增加一项资产,增加的是一位负责人, 而非一个部门,
让这一模式随项目持续扩展, 迈向真正的虚拟制药公司。
CataX AI。
Clinical-of-One。
更多希望,更早到来。