Novo Nordisk、Amazon GoogleのAI競争でAWSを選択――だが真の試練は創薬

Novo Nordiskは、すでに幅広い人工知能分野の協業ネットワークを構築しているにもかかわらず、AWSを優先クラウドプロバイダー兼戦略的AIパートナーに指名した。8月10日の合意により、Amazonは同社の技術インフラで中心的な役割を担うことになる。また、ライフサイエンス分野のワークロードを巡って拡大するAmazon Googleの競争の中に、Novo Nordiskを位置付けるものでもある。

掲げられている主な期待は、創薬の迅速化だ。AWSのエンジニアと応用科学者、Novo Nordiskの研究者は、ロンドンに新設される共同イノベーション拠点で協働する。Amazonのクラウドサービスを通じて、生物学的モデル、実験室での実験、臨床データを結び付ける計画だ。

しかし、この発表には開発期間をどの程度短縮するかという数値目標は示されていない。提携を通じて創出された医薬品候補も特定されておらず、財務条件も公表されていない。

この違いは重要だ。有望な分子を見つけることは、医薬品開発の出発点にすぎない。実験室での試験、ヒトを対象とする治験、規制当局の審査、製造、患者アクセスは、それぞれ別個の障壁として残る。AIはこのプロセス内の意思決定を改善し得るが、その根底にある不確実性まで消し去るわけではない。

したがって、AWSとの提携は測定可能な試験を生み出す。Novo Nordiskは、より大規模なAIプラットフォームが単にモデルやエージェント、社内チャットボットを増やすのではなく、より良い科学的判断をもたらすことを示さなければならない。

AWS、Novo NordiskのAI推進を支える優先クラウドに

Novo NordiskはAWSを、技術サプライヤーから優先インフラおよびAIパートナーへと位置付け直した。

両社は2026年8月10日に戦略的合意を発表した。公式の戦略的パートナーシップによると、対象は研究、臨床開発、商業運営、エンタープライズ技術に及ぶ。

ロンドンの拠点は、最も具体的な組織上の変化だ。AWSの専門家は、Novo NordiskのKing’s Cross施設で、同社の科学者やエンジニアと並んで働く。この体制は、計算予測と物理的な実験の間に生じる遅れを減らすことを目指す。

創薬には通常、多くの引き継ぎが伴う。生物学者が疾患メカニズムを定義し、計算チームが標的を評価し、化学者が可能性のある治療法を設計する。その後、実験結果によって各チームは以前の前提を見直す必要がある。

これらのグループを同じ場に置くことで、このフィードバックループを短縮できる。研究者は、モデルを担当するエンジニアが対応可能な状態で、モデルの提案を評価できる。また、不確実な結果が複数の組織階層を経由する前に、実験を調整することもできる。

Novo Nordiskは、この取り組みの一環としてAmazon Bio Discoveryを利用する。AWSはこれを、生物学的AIモデルを用いて潜在的な医薬品候補を生成・評価するアプリケーションと説明している。また、計算設計を外部の実験パートナーと接続することも可能だ。

Amazon Bedrockは、複数のエンタープライズ業務に適応可能な汎用モデルである基盤モデルへのアクセスを提供する。Bedrock AgentCoreは、データの取得、承認済みアクションの実行、複数ステップのワークフローの調整を行うAIエージェントを支援する。

これらのサービスは、研究プロセスの異なる部分に対応する。Bio Discoveryは科学的設計に重点を置き、AgentCoreは研究および事業運営全体のエージェント向けインフラを提供する。Bedrockはその基盤となるモデル層を担う。

この合意は既存の関係を拡張するものだ。Novo Nordiskはすでに、非規制業務向けにBedrock上で社内生成AI環境を構築している。AWSによると、情報検索、文書作成、チャットボット開発などの業務で、2万5,000人超の従業員がこの環境を利用している。

この導入規模は重要だが、測っているのは科学的価値ではなくアクセスの広がりである。数千人の従業員が利用するチャットボットがあっても、実験的な医薬品がより早く患者に届くことを証明するものではない。

拡大された合意は、その境界を越える。Novo Nordiskは現在、標的同定、治療法設計、ゲノム・画像・臨床データの接続にAWSの技術を関与させようとしている。

AWSは、こうした取り組みを支える優先クラウドプロバイダーにもなる。この位置付けにより、Amazonは世界で最も重要な製薬研究組織の一つにおいて、より強固な立場を得る。

この変化が、本稿の中心的な緊張を生む。Novo Nordiskは、企業規模でAIツールを展開できることを示してきた。しかし、その規模が承認済み医薬品の提供確率を高めることは、まだ示されていない。

Novo NordiskがAIパートナーを一社に絞らない理由

AWSとの合意は、一社のモデル企業に排他的に賭けるのではなく、ポートフォリオ戦略の一部である。

Novo Nordiskは2026年4月、OpenAIとの別の提携を発表した。この合意は、創薬、製造、サプライチェーン、流通、商業運営を対象としている。

同社は、OpenAIとの取り組みが複雑なデータセットを分析し、有望な候補を特定すると説明した。また、OpenAIとのパートナーシップでは、厳格なデータガバナンスと人による監督も強調している。

AWSは現在、異なる層を担っている。OpenAIは高度なモデルと研究能力を提供し、AWSはクラウドインフラ、専門的な生物学サービス、エージェントを展開するためのツールを提供する。境界が重なることはあるが、役割は同一ではない。

Novo NordiskはMicrosoftとも臨床データ分析で協業してきた。同社の科学者は、生物学的モデルや分子設計でNvidiaとも協働している。Valo Healthとの長期的な関係では、ヒトデータと計算技術を心血管・代謝疾患の創薬研究に適用している。

このパートナー群は、Novo Nordiskが一社のベンダーだけであらゆる科学的課題を解決できるとは考えていないことを示している。代わりに、複数の供給元からモデル、インフラ、データセット、エンジニアリング支援を組み合わせている。

このアプローチは、一つの技術ロードマップに全面的に依存するリスクから同社を守る。また、研究者はタンパク質構造、臨床分析、分子生成など、個別の課題に応じてツールを選べる。

ただし、複数パートナーの戦略には統合コストが伴う。データのアクセス権限はプラットフォーム間で一貫していなければならない。モデル出力には共通の評価基準が必要であり、研究チームは各提案をどのシステムが生成したのかを把握しなければならない。

ベンダー間の重複は別の問題も生み得る。二つのシステムが同じ証拠を取得しながら、相反する結論を示すかもしれない。その場合、科学者にはモデルの確信度を生物学的真実とみなすことなく、見解の相違を解決するための統制されたプロセスが必要になる。

このインフラ判断の背景には、Amazon Googleの対立がある。Googleは、クラウドプラットフォームをDeepMindの科学モデルやIsomorphic Labsの創薬事業と組み合わせている。Alphabetは、このスタックをAI研究から商業的な治療薬へと至る直接的な経路として位置付けてきた。

Googleの優位性は、科学界での評価から始まる。AlphaFoldは研究者によるタンパク質構造予測の方法を変え、Isomorphic Labsは関連する能力を医薬品候補へ転換しようとしている。Alphabetは2026年、Isomorphicが創薬エンジンとパイプラインの拡大に向けて20億ドル超を調達したと述べた。

AWSは、より広範なプラットフォームアプローチを取る。クラウド容量、管理型モデル、エージェント、医療データサービス、実験室との接続を提供する。発見プログラム全体を所有するのではなく、AWSは製薬企業の科学者とデータを取り巻く運用層になることを目指している。

Novo Nordiskによる選定は、Amazonにとって重要なエンタープライズ事例となる。主要な製薬企業が、モデル性能と並んで展開インフラや組織統合を重視していることを示唆するためだ。

それでも、「優先」がすべての研究システムをAWSへ移すことを意味するわけではない。Novo Nordiskの他の提携は引き続き重要であり、専門モデルは複雑な技術環境をまたいで稼働できる。

したがって、真のAmazon Googleの論点は、どちらが最も印象的な生物学的デモンストレーションを持つかではない。何千もの実験にわたって、どちらのプラットフォームが製薬企業による信頼性・追跡可能性のある意思決定を支えられるかである。

科学的な成果が遠い先にあるとしても、Novo Nordiskへの圧力は目前にある。同社は、製品性能、製造、患者アクセスが市場成果を左右する肥満症と糖尿病の分野でEli Lillyと競合している。

AIだけでこうした圧力を解消することはできない。Novo Nordiskがより多くの仮説を検討し、研究資源の優先順位を付ける助けにはなり得る。しかし同社は依然として、その選択から競争力ある有効性と忍容性を備えた医薬品を生み出す必要がある。

Amazon Googleの競争、実験室へ

クラウド競争は今や、デジタル予測が物理的な実験を改善できるかどうかに左右される。

エンタープライズAIの契約は、かつてデータ保存、分析、従業員の生産性を中心としていた。創薬は、誤りによって何年にも及ぶ実験室および臨床での作業が費やされかねないため、賭け金を引き上げる。

Amazon Bio Discoveryは、モデルと実験の間の隔たりを埋めようとしている。AWSによると、このサービスは科学者が候補を生成し、計算上で評価し、選定した設計を統合済みの実験パートナーへ送ることを可能にする。

このプロセスは、しばしばクローズドループと呼ばれる。モデルが候補を提案し、実験室がそれを検証し、その結果得られたデータが次の計算ラウンドに反映される。反復サイクルにより、探索空間を絞り込める可能性がある。

この仕組みは単純に聞こえるが、科学的な課題はそうではない。分子が意図した標的に結合しても、毒性、代謝、不安定性、体内での分布不良によって失敗することがある。

生物学的システムは、細胞タイプ、患者集団、疾患段階によっても変化する。特に実験が異なるプロトコルを用いたり、一貫しない測定値を生んだりする場合、学習データはこうした条件を隠してしまうことがある。

だからこそ、物理的な実験室は中心的な役割を担い続ける。モデルは可能性に順位を付けられるが、その前提が生物学という現実に耐えられるかを決めるのは実験だ。

Novo NordiskとAWSには、この種の共同インフラに関する経験がある。両社はColumbia UniversityおよびOpenFold Consortiumとともに、オープンソースの生物学的モデリングプロジェクトであるOpenFold3に取り組んだ。

この協業では、安全なAWS研究環境を利用して外部の科学者と計算ワークロードを支援した。結果として生まれたOpenFold3プロジェクトは、共有型の科学開発に関する有用な先例となっている。

新たなロンドン拠点は、同様の協業原則をNovo Nordiskの発見プロセス内部に適用する。インフラの専門家を、疾患と実験の文脈を理解する科学者の近くに置くものだ。

この近接性は、モデル設計を改善し得る。エンジニアは、データラベルが重要な生物学的な違いを隠している場面を把握できる。科学者は、モデルの確実性が強い証拠ではなく、限定的なデータセットを反映している場合を理解できる。

AmazonのAgentCoreは、別の仕組みを加える。エージェントは標的に関する証拠を集め、承認済みのデータベースを照会し、分析を準備し、その手順を人によるレビューのために記録できる。

このようなエージェントは、反復的な情報作業を減らせる。また、適切に構成されれば、証拠の連鎖を保持することもできる。この機能は、研究者が意思決定に至った経緯を説明しなければならない規制環境で重要となる。

しかし、エージェント型AIには固有の失敗モードもある。エージェントが無関係な証拠を取得したり、文書を誤って解釈したり、接続されたシステム全体で誤った手順を実行したりする可能性がある。

したがって、人間による監督は任意の安全層ではなく、仕組みの一部であり続ける。科学者には、データアクセス、実行権限、検証、エスカレーションを管理する統制が必要だ。

Googleは別の方向から研究室にアプローチしている。DeepMindとIsomorphic Labsは、生物学的予測とAI設計分子を重視する。Google Cloudは、これらのモデルと関連する医療データを支えるインフラを提供できる。

AWSは、モデル、データ、人、実験をつなぐワークフローを重視している。Novo Nordiskは、こうしたオーケストレーションが科学的優位性を生むかどうかを実質的に検証している。

どちらの経路も、承認されたAI発見薬において広範な優位性を確立したわけではない。研究ベンチマークは臨床成果と同義ではないため、競争の行方は依然として開かれている。

エンタープライズの購入担当者にとって、これはプラットフォームの評価方法を変える。公開データセットでのモデル精度は有用だが、実験機器や社内のエビデンス基準との統合度までは測れない。

より強力なプラットフォームは、チームが予測に異議を唱え、結果を再現し、弱い候補を早期に除外するのを支援する。さらに、すべての実験が長期のインフラレビュー待ちにならないようにしつつ、セキュリティを維持しなければならない。

これは、必要に応じて分子を生成することより華やかさに欠ける目標だ。しかし、クラウドインフラが防御可能な価値を生み出せる領域には、より近い。

発見の高速化は創薬の成功を保証しない

AIは初期研究を短縮できる一方、最も難しい臨床上の問いは未解決のまま残る。

Novo NordiskとAWSは、発見プロセスのベースラインとなる期間を提示していない。研究コストの削減や、ヒト初回投与試験への到達に関する割合目標も示していない。

こうした指標がなければ、「加速」は企業目標にとどまる。この提携によって実証された成果ではまだない。

両社はまた、新プログラムの対象となる候補も公表していない。そのため外部の観察者は、モデルが生成した仮説から実験室での検証まで、特定の分子を追跡できない。

業界全体の証拠は、慎重な楽観論を支持している。2024年の分析では、AIネイティブのバイオテクノロジー企業による臨床パイプラインを調査した。その結果、推定Phase I成功率は80%から90%で、過去の比較範囲を上回っていた。

しかし、同じ臨床パイプライン分析では、推定Phase II成功率は約40%だった。サンプルは限定的で、後期段階のエビデンスもなお未成熟だった。

この差は重要だ。Phase Iは主に安全性と用量を検討するが、一部の試験には初期の有効性シグナルも含まれる。Phase IIでは、標的疾患の患者に対して治療が有効かどうかを問う。

モデルは、望ましい特性を持つ分子の設計を支援できる。しかし、その標的を変化させることが意味のある臨床的利益につながるとは保証できない。

2026年にNature Reviews Drug Discoveryに掲載された展望論文は、この警告をより明確にした。著者らは、AIによって発見された新規生物学と治療薬が広範かつ臨床的に意味のある影響をもたらしたことを示す証拠が欠けていると述べた。

この臨床エビデンスのレビューは、リガンド設計と完全な医薬品設計も区別している。標的と相互作用する分子を見つけることは、医薬品を生み出すプロセスの一部にすぎない。

ヒトでのバイオアベイラビリティ、毒性、投与量、疾患の複雑性は、依然として予測が難しい。こうした特性は、モデルでは代替できない実験を通じて初めて明らかになることが多い。

このレビューは、Phase Iの高い成功率を単純に解釈することにも疑問を投げかけた。一部のAIプログラムは、確立された疾患生物学や既知の化学に基づいており、AIとは独立に安全性の不確実性を低減できる。

これは、この技術が役に立たないことを意味しない。すべてのプログラム成果をモデルに帰するのではなく、AIが果たした正確な寄与を研究者が特定すべきことを意味する。

Novo Nordiskとの提携は、承認前でも価値を生み出し得る。弱い標的をより早く排除し、重複実験を減らし、臨床試験設計を改善できる可能性がある。

こうした成果には、信頼できる反実仮想が必要だ。Novo Nordiskは、AI支援プロセスを従来のワークフロー、または新システムを使わなかった類似プログラムと比較する必要がある。

生の活動指標だけでは不十分だ。生成分子数、モデルへの問い合わせ数、エージェントセッション数が増えても、導入の広がりを示すにとどまり、研究の質についてはほとんど語らない可能性がある。

最も有用な測定は、科学的意思決定を追跡するものだ。モデルに裏付けられた仮説は、どの程度の頻度で実験室での検証を通過したのか。標的の候補選定から候補化合物選択の決定までに、どれほどの時間がかかったのか。

研究者は、AIの推奨がどの程度の頻度で却下されたかも追跡すべきだ。不確実性を可視化するシステムは、科学者が提案を採用しない場合でも価値を持ち得る。

リスクは、大規模プラットフォームが判断を改善せずに処理量だけを増やすことだ。研究チームは、実験室で試験できる以上にもっともらしい候補を受け取り、ボトルネックを下流へ移すだけになるかもしれない。

別のリスクはデータ品質に関わる。ゲノム、画像、臨床のデータセットは、異なる集団や収集方法を反映している。それらを接続しても、比較可能になるとは限らない。

モデルは、疾患生物学ではなく研究設計によって生じた相関を学習する可能性がある。そうした相関が候補選定を導けば、異なる条件下で検証された際にプログラムは失敗するおそれがある。

したがって、Novo Nordiskのドメイン専門知識こそが、この提携に不可欠な要素だ。AWSはツールとエンジニアリング支援を提供するが、意味のある問いを定義し、生物学的アーティファクトを見極めるのは製薬企業側でなければならない。

これが、この取引の中心にある期待と現実の対立だ。プラットフォームは発見サイクルを速められるが、その速いサイクルがより良いアイデアを選んだことを証明するのは、検証済みの医薬品だけだ。

短期的な成果はオペレーションから生まれる可能性がある

Novo Nordiskは、AI由来の医薬品を見る前に、測定可能な事業上の成果を得る可能性が高い。

AWSのケーススタディによると、同社ではすでに25,000人以上の従業員がBedrockベースの生成AI環境を利用している。この規模は、段階的な改善の機会を数多く生む。

従業員は社内情報を検索し、文書の下書きを作成し、非規制業務向けの特化型チャットボットを作れる。これらの業務は、創薬よりも短いフィードバックサイクルを持つ。

チームは、文書作成にかかる時間が減ったかを測定できる。検索精度を評価し、繰り返されるエラーを数え、従業員がツールを継続利用しているかを監視できる。

研究生産性を帰属させるのはより難しい。発見プログラムは数年にわたることがあり、その間に科学的前提、実験手法、投資優先順位が変化する。

それでもAgentCoreは、その科学を取り巻く作業を改善できる可能性がある。エージェントは、研究レビューのための証拠収集、実験記録の整理、承認済みの計算プロセスの調整を担えるかもしれない。

こうした用途は、エージェントに自律的な臨床判断をさせずに事務的な摩擦を減らせる。また、エージェントの挙動を理解するための低リスクな道筋にもなる。

この提携は研究にとどまらない。Novo Nordiskは企業業務全体にエージェントを適用するとしており、AWSは臨床開発、製造、情報技術での活用可能性を説明している。

各領域は、測定可能なプロセス成果を提供する。製造チームは検査や保守のワークフローを評価できる。技術チームは解決時間とシステム信頼性を測定できる。

Novo Nordiskは以前、薬剤カートリッジの計数にAWS上のコンピュータビジョンを利用した。ロボットアームとカメラシステムが画像を取得し、エッジデバイスが機械学習の推論を実行した。

このプロジェクトは、観察可能な結果を持つ明確な業務に取り組んだ。カートリッジ数は現物在庫と比較でき、エラーも迅速に特定できた。

創薬には、このような即時のグラウンドトゥルースがない。標的は、実験が誤った前提を明らかにするまで何カ月も説得力があるように見えることがある。

この違いはAmazonの戦略を説明する助けとなる。AWSは、科学プログラムが成熟する間にも、多くの企業プロセス全体で価値を提供できる。より広範な関係は、1つの薬剤候補だけに全面的に依存しているわけではない。

Novo Nordiskは、他のAmazon事業とも協業している。Amazon Pharmacy、Amazon Ads、One Medicalは、治療法の販売、アクセス、提供のあり方に関わっている。

この商業的なつながりは、関係をインフラの枠を超えて広げる。同時に、医療、広告、臨床情報には明確なデータ境界が必要なため、ガバナンス上の問いも生じさせる。

両社は、この新たな契約によってAmazonの各事業間で患者データを統合すると述べていない。複数の提携が存在することから、そうした共有を推測すべきではない。

公表された協業は、AWSの技術とNovo Nordiskのデータに焦点を当てている。機微な臨床情報の利用は、適用される権限、セキュリティ要件、規制上の統制に従わなければならない。

ナレッジワーカーにとって、オペレーション上の教訓は医薬品業界にとどまらない。AIプログラムには、多くのチームにまたがる追跡可能な証拠、明確に定義された権限、持続的なコンテキストが必要だ。

構造化されたナレッジワークフローは、生成された回答を検証済みの事実として扱わずに、ソース資料を人々が結びつける助けとなる。この区別は、科学組織の内部で極めて重要になる。

したがって短期的な成功例は実務的だ。Novo Nordiskはまず、研究と業務を取り巻くワークフローがより速く、より信頼できるものになったことを示すべきである。

こうした改善は、AIが臨床的成功を加速することの証明にはならない。しかし、そのより大きな主張を責任を持って検証するために必要な組織的基盤を同社が構築したことを示すだろう。

戦略が機能しているかを示す3つのシグナル

次に必要な証拠は、名称を明らかにした研究プログラム、検証済みのワークフロー指標、臨床段階での進展から得られるはずだ。

第1のシグナルは、ロンドン拠点に紐づく具体的な創薬プログラムだ。Novo NordiskとAWSは、外部の観察者が追跡できる標的、治療法、または研究ワークフローを特定する必要がある。

名称を明らかにしたプログラムは出発点を確立する。また、Amazon Bio Discoveryが標的選定、分子設計、実験室での優先順位付け、あるいは複数の段階に影響しているのかを明確にする。

最も強力な初期成果は、AIが順位付けした候補の実験室での検証だ。これは臨床的重要性を過大に主張せずに、仕組みを裏付けることになる。

より弱い成果は、モデルへのアクセスに関する新たな一般発表にとどまることだ。プラットフォームの拡張は業務面で意味を持ち得るが、発見が速くなったかという問いには答えない。

第2のシグナルは、比較可能な生産性指標のセットだ。Novo Nordiskは、標的候補の選定から実験レビューまでの時間、候補の脱落率、または研究サイクル当たりの検証済み仮説数を報告すべきである。

これらの測定には文脈が必要だ。ベースライン、定義、どの手順が計算に含まれるかの説明がなければ、改善率はほとんど意味を持たない。

Novo Nordiskはまた、自動処理と実際に短縮された科学的作業時間を区別すべきだ。モデルは分析を素早く完了できても、研究者が信頼性の低い出力を確認するためにさらに数日を費やす可能性がある。

エンドツーエンドの意思決定時間が短縮されたという証拠は、この提携の主張を強める。計算資源の利用増加や従業員数の増加は、はるかに弱い裏付けにとどまる。

第3のシグナルは、AI支援を受けた候補の臨床段階での進展だ。ヒト初回投与試験への進展は、計算による作業が前臨床試験と社内投資レビューを通過したことを示す。

Phase IIの証拠は、患者における有効性に関わるため、より重要になる。この段階では、初期の業界データはPhase Iほど際立ったものではなかった。

今後3カ月以内に承認済みの医薬品が登場すると期待するのは、妥当な評価ではない。医薬品開発はエンタープライズソフトウェアのようなタイムラインでは進まない。

ただし、各社は利用する予定のプログラム、評価手法、マイルストーンを開示できる。透明性が高まれば、その後の主張も評価しやすくなる。

その待機期間中も、AmazonとGoogleの競争は続く。GoogleとIsomorphic Labsは独自の候補を前進させる一方、Microsoft、OpenAI、Nvidia、そして専門のバイオテクノロジー企業は、重なり合う戦略を追求していく。

Novo Nordiskは、そのうち複数を引き続き利用する可能性がある。AWSの指定によってインフラは集約されるが、科学チームは各課題に対し最も優れたモデルやデータセットを引き続き求めるだろう。

そのため、相互運用性も間接的なシグナルとなる。AWS環境が複数プロバイダーのモデルを管理できれば、Novo Nordiskは研究記録を分断することなく柔軟性を得られる。

もしこの環境がチームを限定的な単一モデル群に縛り付けるなら、優先クラウドの決定が実験の自由度を制約しかねない。今回の発表には、その疑問を解消するほどの詳細はない。

最終的な基準は、アーキテクチャよりも単純だ。有用なシステムは、科学者が悪いアイデアをより早く退け、良いアイデアをより強い証拠とともに前進させる助けになるべきである。

Novo Nordiskは、その検証のための運用環境の構築にAWSを選んだ。Amazonには、自社のクラウドアプローチがAIの予測を実際のラボでの意思決定につなげられることを示す大きな機会が生まれた。

製薬企業側にも同様に厳しい課題がある。AWS、OpenAI、Nvidia、Microsoft、その他との提携を、一貫した科学プロセスへと転換しなければならない。

AmazonとGoogleの競争を追う読者にとって、次の発表より重要なのは、次に検証された候補だろう。名称が明示されたプログラム、比較可能なワークフローデータ、そして臨床開発の進展に注目したい。

こうしたシグナルにより、Novo Nordiskが創薬を圧縮しているのか、それとも単に技術スタックを拡大しているだけなのかが明らかになる。それまでは、この提携は信頼に足る実験ではあっても、AIが医薬品開発を解決した証拠ではない。