Novo Nordisk wybiera AWS w wyścigu Amazon i Google w dziedzinie AI, ale prawdziwym sprawdzianem jest odkrywanie leków

Novo Nordisk wskazał AWS jako preferowanego dostawcę chmury i strategicznego partnera AI, mimo że już wcześniej budował szeroką sieć współprac w obszarze sztucznej inteligencji. Umowa z 10 sierpnia daje Amazonowi centralną rolę w infrastrukturze technologicznej producenta leków. Włącza też Novo Nordisk w zaostrzającą się rywalizację Amazon i Google o obciążenia z sektora nauk przyrodniczych.

Główna obietnica to szybsze odkrywanie leków. Inżynierowie AWS, naukowcy stosowani i badacze Novo Nordisk będą wspólnie pracować w nowym centrum współinnowacji w Londynie. Planują połączyć modele biologiczne, eksperymenty laboratoryjne i dane kliniczne za pośrednictwem usług chmurowych Amazon.

W komunikacie nie podano jednak liczbowego celu dotyczącego skrócenia procesu rozwoju. Nie wskazano też żadnego kandydata na lek stworzonego dzięki partnerstwu. Nie ujawniono również warunków finansowych.

To rozróżnienie ma znaczenie, ponieważ znalezienie obiecującej cząsteczki jest dopiero początkiem rozwoju farmaceutycznego. Testy laboratoryjne, badania z udziałem ludzi, ocena regulacyjna, produkcja i dostęp pacjentów pozostają odrębnymi przeszkodami. AI może usprawniać decyzje w tym procesie, nie eliminując jednak jego niepewności.

Partnerstwo z AWS tworzy więc mierzalny sprawdzian. Novo Nordisk musi pokazać, że większa platforma AI prowadzi do lepszych decyzji naukowych, a nie jedynie do większej liczby modeli, agentów i wewnętrznych chatbotów.

AWS zostaje preferowaną chmurą dla inicjatywy AI Novo Nordisk

Novo Nordisk przeniósł AWS z roli dostawcy technologii do roli preferowanego partnera infrastrukturalnego i AI.

Firmy ogłosiły strategiczną umowę 10 sierpnia 2026 roku. Według oficjalnego partnerstwa strategicznego współpraca obejmuje badania, rozwój kliniczny, działalność komercyjną i technologie korporacyjne.

Londyńskie centrum jest najbardziej konkretną zmianą organizacyjną. Specjaliści AWS będą pracować obok naukowców i inżynierów Novo Nordisk w ośrodku producenta leków w King’s Cross. Taki model ma ograniczyć opóźnienia między prognozami obliczeniowymi a eksperymentami fizycznymi.

Odkrywanie leków zwykle obejmuje wiele przekazań pracy. Biolodzy definiują mechanizm choroby, zespoły obliczeniowe oceniają cele, a chemicy projektują możliwe terapie. Wyniki laboratoryjne zmuszają następnie zespoły do rewizji wcześniejszych założeń.

Umieszczenie tych grup razem może skrócić tę pętlę informacji zwrotnej. Badacze mogą oceniać rekomendację modelu, gdy odpowiedzialni za niego inżynierowie są nadal dostępni. Mogą też dostosować eksperymenty, zanim niepewny wynik przejdzie przez kilka warstw organizacyjnych.

Novo Nordisk wykorzysta w ramach tej pracy Amazon Bio Discovery. AWS opisuje tę usługę jako aplikację do generowania i oceny potencjalnych kandydatów na leki z użyciem biologicznych modeli AI. Może ona również łączyć projektowanie obliczeniowe z zewnętrznymi partnerami laboratoryjnymi.

Amazon Bedrock zapewni dostęp do modeli fundamentalnych, czyli modeli ogólnego przeznaczenia, które można dostosować do wielu zadań korporacyjnych. Bedrock AgentCore będzie wspierać agentów AI pobierających dane, wykonujących zatwierdzone działania i koordynujących wieloetapowe procesy pracy.

Usługi te dotyczą różnych części procesu badawczego. Bio Discovery koncentruje się na projektowaniu naukowym, podczas gdy AgentCore zapewnia infrastrukturę dla agentów w badaniach i działalności biznesowej. Bedrock dostarcza bazową warstwę modeli.

Umowa rozszerza istniejącą relację. Novo Nordisk stworzył już wewnętrzne środowisko generatywnej AI oparte na Bedrock do prac nieregulowanych. AWS podaje, że ponad 25 000 pracowników korzysta z tego środowiska do zadań obejmujących wyszukiwanie informacji, przygotowywanie dokumentów i rozwój chatbotów.

To wdrożenie jest istotne, ale mierzy dostęp, a nie wartość naukową. Chatbot używany przez tysiące pracowników nie dowodzi, że lek eksperymentalny szybciej trafi do pacjentów.

Rozszerzona umowa przekracza tę granicę. Novo Nordisk chce teraz wykorzystywać technologię AWS do identyfikacji celów, projektowania terapii oraz łączenia danych genomicznych, obrazowych i klinicznych.

AWS staje się także preferowanym dostawcą chmury stojącym za tymi działaniami. To oznaczenie daje Amazonowi silniejszą pozycję w jednej z najważniejszych organizacji badań farmaceutycznych na świecie.

Zmiana tworzy centralne napięcie tego artykułu. Novo Nordisk udowodnił, że potrafi wdrażać narzędzia AI na skalę całej firmy. Nie wykazał jeszcze, że ta skala zwiększa prawdopodobieństwo dostarczenia zatwierdzonego leku.

Dlaczego Novo Nordisk chce mieć więcej niż jednego partnera AI

Umowa z AWS jest elementem strategii portfelowej, a nie wyłącznym zakładem na jedną firmę tworzącą modele.

Novo Nordisk ogłosił odrębne partnerstwo z OpenAI w kwietniu 2026 roku. Umowa obejmuje odkrywanie leków, produkcję, łańcuchy dostaw, dystrybucję i działalność komercyjną.

Producent leków poinformował, że współpraca z OpenAI będzie analizować złożone zbiory danych i identyfikować obiecujących kandydatów. Podkreślił także ścisłe zarządzanie danymi i nadzór człowieka w partnerstwie z OpenAI.

AWS zajmuje obecnie inną warstwę. OpenAI dostarcza zaawansowane modele i możliwości badawcze, natomiast AWS zapewnia infrastrukturę chmurową, wyspecjalizowane usługi biologiczne i narzędzia do wdrażania agentów. Granice mogą się nakładać, ale role nie są identyczne.

Novo Nordisk współpracował również z Microsoft nad analizą danych klinicznych. Jego naukowcy współpracowali z Nvidia nad modelami biologicznymi i projektowaniem cząsteczek. Długotrwała relacja z Valo Health wykorzystuje dane ludzkie i obliczenia w badaniach nad lekami kardiometabolicznymi.

Ten zestaw partnerów pokazuje, że Novo Nordisk nie oczekuje, iż jeden dostawca rozwiąże każdy problem naukowy. Zamiast tego firma łączy modele, infrastrukturę, zbiory danych i wsparcie inżynieryjne z kilku źródeł.

Takie podejście chroni firmę przed całkowitym uzależnieniem od jednej technicznej mapy rozwoju. Umożliwia też badaczom wybór narzędzi do konkretnych problemów, takich jak struktura białek, analiza kliniczna czy generowanie cząsteczek.

Strategia wielu partnerów wprowadza jednak koszty integracji. Uprawnienia do danych muszą pozostać spójne na różnych platformach. Wyniki modeli wymagają wspólnych standardów oceny, a zespoły badawcze muszą rozumieć, który system wygenerował każdą rekomendację.

Nakładanie się dostawców może stworzyć kolejny problem. Dwa systemy mogą pobrać te same dowody, lecz przedstawić sprzeczne wnioski. Naukowcy potrzebują wtedy uregulowanego procesu rozstrzygania sporów, który nie traktuje pewności modelu jako prawdy biologicznej.

Za tą decyzją infrastrukturalną stoi rywalizacja Amazon i Google. Google połączył swoją platformę chmurową z naukowymi modelami DeepMind oraz pracami Isomorphic Labs nad projektowaniem leków. Alphabet pozycjonuje ten stos jako bezpośrednią drogę od badań AI do komercyjnych terapii.

Przewaga Google zaczyna się od uznania naukowego. AlphaFold zmienił sposób, w jaki badacze przewidują struktury białek, a Isomorphic Labs próbuje przekształcić powiązane możliwości w kandydatów na leki. Alphabet poinformował w 2026 roku, że Isomorphic pozyskał ponad 2 mld dolarów na rozbudowę silnika projektowania leków i własnego pipeline’u.

AWS stosuje szersze podejście platformowe. Oferuje zasoby chmurowe, zarządzane modele, agentów, usługi dotyczące danych zdrowotnych i połączenia z laboratoriami. Zamiast posiadać cały program odkrywania leków, AWS chce stać się warstwą operacyjną wokół naukowców i danych firmy farmaceutycznej.

Wybór Novo Nordisk daje Amazonowi ważny przykład wdrożenia korporacyjnego. Sugeruje, że duży producent leków ceni infrastrukturę wdrożeniową i integrację organizacyjną obok wydajności modeli.

Mimo to „preferowany” nie oznacza, że każdy system badawczy przeniesie się do AWS. Pozostałe partnerstwa Novo Nordisk zachowują znaczenie, a wyspecjalizowane modele mogą działać w złożonych środowiskach technicznych.

Prawdziwe pytanie dotyczące Amazon i Google nie brzmi więc, która firma ma najbardziej imponującą demonstrację biologiczną. Chodzi o to, która platforma pomaga producentowi leków podejmować wiarygodne i możliwe do prześledzenia decyzje w tysiącach eksperymentów.

Presja na Novo Nordisk jest natychmiastowa, nawet jeśli naukowe korzyści są odległe. Firma konkuruje z Eli Lilly w obszarze otyłości i cukrzycy, gdzie o wynikach rynkowych decydują skuteczność produktów, produkcja i dostęp pacjentów.

AI nie rozwiąże tych presji samodzielnie. Może pomóc Novo Nordisk analizować więcej hipotez i priorytetyzować zasoby badawcze. Firma nadal musi przełożyć te wybory na leki o konkurencyjnej skuteczności i tolerowalności.

Rywalizacja Amazon i Google przenosi się do laboratorium

Konkurencja w chmurze zależy teraz od tego, czy cyfrowe prognozy potrafią usprawnić eksperymenty fizyczne.

Umowy dotyczące korporacyjnej AI koncentrowały się kiedyś na przechowywaniu danych, analityce i produktywności pracowników. Odkrywanie leków podnosi stawkę, ponieważ błędy mogą pochłonąć lata pracy laboratoryjnej i klinicznej.

Amazon Bio Discovery próbuje zamknąć lukę między modelem a eksperymentem. AWS twierdzi, że usługa pozwala naukowcom generować kandydatów, oceniać ich obliczeniowo i przesyłać wybrane projekty do zintegrowanych partnerów laboratoryjnych.

Proces ten bywa opisywany jako zamknięta pętla. Model proponuje kandydata, laboratorium go testuje, a uzyskane dane informują kolejną rundę obliczeniową. Powtarzane cykle mogą zawężać przestrzeń poszukiwań.

Mechanizm brzmi prosto, ale wyzwanie naukowe takie nie jest. Cząsteczka może wiązać się z zamierzonym celem, a mimo to zawieść z powodu toksyczności, metabolizmu, niestabilności lub słabej dystrybucji w organizmie.

Systemy biologiczne zmieniają się również między typami komórek, populacjami pacjentów i etapami choroby. Dane treningowe mogą ukrywać te warunki, zwłaszcza gdy eksperymenty wykorzystują różne protokoły lub generują niespójne pomiary.

Dlatego laboratorium fizyczne pozostaje kluczowe. Modele mogą porządkować możliwości, ale eksperymenty określają, czy ich założenia wytrzymają konfrontację z biologią.

Novo Nordisk i AWS mają już pewne doświadczenie z tego rodzaju wspólną infrastrukturą. Współpracowali z Columbia University i OpenFold Consortium nad OpenFold3, otwartoźródłowym projektem modelowania biologicznego.

Współpraca wykorzystywała bezpieczne środowisko badawcze AWS do wspierania zewnętrznych naukowców i obciążeń obliczeniowych. Powstały projekt OpenFold3 stanowi przydatny precedens wspólnego rozwoju naukowego.

Nowe londyńskie centrum stosuje podobną zasadę współpracy wewnątrz procesu odkrywania leków w Novo Nordisk. Przybliża specjalistów od infrastruktury do naukowców rozumiejących chorobę i kontekst eksperymentalny.

Taka bliskość może poprawić projektowanie modeli. Inżynierowie mogą dostrzec, kiedy etykiety danych ukrywają istotne rozróżnienie biologiczne. Naukowcy mogą z kolei zrozumieć, kiedy pewność modelu odzwierciedla wąski zbiór danych, a nie mocne dowody.

AgentCore Amazonu dodaje kolejny mechanizm. Agent mógłby zebrać dowody dotyczące celu, przeszukać zatwierdzone bazy danych, przygotować analizę i zarejestrować swoje kroki do przeglądu przez człowieka.

Tacy agenci mogą ograniczyć powtarzalną pracę z informacjami. Mogą również zachować łańcuch dowodowy, jeśli zostaną właściwie skonfigurowani. Ma to znaczenie w regulowanych środowiskach, w których badacze muszą wyjaśnić, jak podjęto decyzję.

Jednak agentowa AI wprowadza własne tryby awarii. Agent może pobrać nieistotne dowody, błędnie zinterpretować dokument lub wykonać niewłaściwy krok w połączonych systemach.

Nadzór człowieka pozostaje zatem częścią mechanizmu, a nie opcjonalną warstwą bezpieczeństwa. Naukowcy potrzebują kontroli nad dostępem do danych, uprawnieniami do działań, walidacją i eskalacją.

Google podchodzi do laboratoriów z innej strony. DeepMind i Isomorphic Labs koncentrują się na prognozowaniu biologicznym i projektowanych przez AI cząsteczkach. Google Cloud może zapewnić infrastrukturę wokół tych modeli i powiązanych danych medycznych.

AWS kładzie nacisk na przepływ pracy łączący modele, dane, ludzi i eksperymenty. Novo Nordisk faktycznie sprawdza, czy taka orkiestracja zapewnia przewagę naukową.

Żadna z tych dróg nie wypracowała wyraźnej przewagi w zakresie zatwierdzonych leków odkrytych przez AI. Rywalizacja pozostaje otwarta, ponieważ wskaźniki badań nie są tożsame z wynikami klinicznymi.

Dla nabywców korporacyjnych zmienia to sposób oceny platform. Dokładność modelu na publicznym zbiorze danych jest użyteczna, ale nie mierzy integracji z instrumentami laboratoryjnymi ani wewnętrznymi standardami dotyczącymi dowodów.

Silniejsza platforma pomoże zespołom podważać prognozy, odtwarzać wyniki i wcześnie odrzucać słabych kandydatów. Musi także zachować bezpieczeństwo, nie sprawiając przy tym, że każdy eksperyment czeka na długotrwały przegląd infrastruktury.

To mniej efektowny cel niż generowanie cząsteczki na żądanie. Jest też bliższy obszarowi, w którym infrastruktura chmurowa może tworzyć trwałą, obronną wartość.

Szybsze odkrywanie nie gwarantuje skutecznego leku

AI może skrócić wczesne etapy badań, pozostawiając najtrudniejsze pytania kliniczne bez odpowiedzi.

Novo Nordisk i AWS nie przedstawiły bazowego harmonogramu odkrywania leków. Nie podały też docelowego procentowego ograniczenia kosztów badań ani skrócenia drogi do badań z udziałem ludzi po raz pierwszy.

Bez tych miar „przyspieszenie” pozostaje celem firmy. Nie jest jeszcze wykazanym rezultatem tego partnerstwa.

Firmy nie wskazały również kandydata objętego nowym programem. Oznacza to, że zewnętrzni obserwatorzy nie mogą śledzić konkretnej cząsteczki — od hipotezy wygenerowanej przez model po walidację laboratoryjną.

Dowody z szerszej branży uzasadniają ostrożny optymizm. Analiza z 2024 roku zbadała programy kliniczne firm biotechnologicznych opartych na AI. Wykazała szacowane wskaźniki sukcesu fazy I na poziomie od 80% do 90%, powyżej historycznych zakresów porównawczych.

Jednak ta sama analiza programów klinicznych wykazała szacowany wskaźnik sukcesu fazy II bliski 40%. Próba była ograniczona, a dowody z późniejszych etapów pozostawały niedojrzałe.

Ta różnica ma znaczenie. Faza I dotyczy przede wszystkim bezpieczeństwa i dawkowania, choć niektóre badania obejmują wczesne sygnały skuteczności. Faza II sprawdza, czy leczenie działa u pacjentów z docelowym schorzeniem.

Model może pomóc zaprojektować cząsteczkę o korzystnych właściwościach. Nie może zagwarantować, że oddziaływanie na jej cel przyniesie istotną korzyść kliniczną.

Perspektywa opublikowana w 2026 roku w Nature Reviews Drug Discovery wyostrzyła to ostrzeżenie. Jej autorzy opisali brak dowodów na szeroki, klinicznie istotny wpływ nowej biologii i terapii odkrytych przez AI.

Przegląd dowodów klinicznych rozróżniał również projektowanie ligandów od kompletnego projektowania leków. Znalezienie cząsteczki, która oddziałuje z celem, jest tylko jedną częścią tworzenia leku.

Biodostępność u ludzi, toksyczność, dawkowanie i złożoność chorób nadal trudno przewidzieć. Te właściwości często ujawniają się dopiero w eksperymentach, których modele nie mogą zastąpić.

Przegląd podważył również proste interpretacje wysokich wskaźników sukcesu fazy I. Niektóre programy AI opierają się na ustalonej biologii chorób i znanej chemii, co może zmniejszać niepewność dotyczącą bezpieczeństwa niezależnie od AI.

Nie oznacza to, że technologia jest nieprzydatna. Oznacza, że badacze powinni określać dokładny wkład AI, zamiast przypisywać każdy wynik programu modelowi.

Partnerstwo Novo Nordisk może przynieść wartość jeszcze przed uzyskaniem zatwierdzenia. Może wcześniej eliminować słabe cele, ograniczać powtarzalne eksperymenty lub poprawiać projektowanie badań klinicznych.

Takie korzyści wymagają wiarygodnych scenariuszy kontrfaktycznych. Novo Nordisk musi porównać proces wspierany przez AI z wcześniejszym przepływem pracy lub podobnym programem, który nie korzystał z nowego systemu.

Surowe wskaźniki aktywności nie wystarczą. Większa liczba wygenerowanych cząsteczek, zapytań do modeli czy sesji agentów może wskazywać na adopcję, ale niewiele mówić o jakości badań.

Najbardziej użyteczne pomiary śledziłyby decyzje naukowe. Jak często hipoteza wsparta przez model przetrwała walidację laboratoryjną? Ile czasu upłynęło między nominacją celu a decyzją o wyborze kandydata?

Badacze powinni również śledzić, jak często rekomendacje AI były odrzucane. System, który uwidacznia niepewność, może być wartościowy nawet wtedy, gdy naukowcy odrzucają jego sugestie.

Ryzyko polega na tym, że duża platforma zwiększy przepustowość bez poprawy jakości oceny. Zespoły mogą otrzymywać więcej wiarygodnie wyglądających kandydatów, niż laboratoria są w stanie przetestować, jedynie przesuwając wąskie gardło na dalszy etap.

Kolejne ryzyko dotyczy jakości danych. Zbiory danych genomowych, obrazowych i klinicznych odzwierciedlają różne populacje oraz metody gromadzenia. Ich połączenie nie czyni ich automatycznie porównywalnymi.

Modele mogą uczyć się korelacji tworzonych przez projekt badania, a nie przez biologię choroby. Jeśli takie korelacje kierują wyborem kandydatów, program może zawieść podczas testów w innych warunkach.

Ekspertyza dziedzinowa Novo Nordisk jest zatem kluczową częścią partnerstwa. AWS dostarcza narzędzia i wsparcie inżynieryjne, lecz producent leków musi definiować znaczące pytania i rozpoznawać artefakty biologiczne.

To konflikt między obietnicą a rzeczywistością leżący w centrum umowy. Platforma może przyspieszać cykle odkrywcze, ale tylko zwalidowane leki dowodzą, że te szybsze cykle wybrały lepsze pomysły.

Krótkoterminowe korzyści mogą pochodzić z operacji

Novo Nordisk prawdopodobnie dostrzeże wymierne korzyści biznesowe, zanim zobaczy lek powstały dzięki AI.

Według studium przypadku AWS firma ma już ponad 25 000 pracowników korzystających z generatywnego środowiska AI opartego na Bedrock. Ta skala tworzy wiele możliwości stopniowych usprawnień.

Pracownicy mogą wyszukiwać informacje wewnętrzne, przygotowywać projekty dokumentów i tworzyć wyspecjalizowane chatboty do nieregulowanych przepływów pracy. Zadania te mają krótsze cykle informacji zwrotnej niż rozwój leków.

Zespół może mierzyć, czy przygotowanie dokumentów zajmuje mniej czasu. Może oceniać dokładność wyszukiwania, liczyć powtarzające się błędy i monitorować, czy pracownicy nadal korzystają z narzędzia.

Produktywność badań trudniej przypisać konkretnym przyczynom. Program odkrywania leków może trwać kilka lat i obejmować zmieniające się założenia naukowe, metody laboratoryjne i priorytety inwestycyjne.

AgentCore nadal może usprawnić pracę wokół tej nauki. Agenci mogliby gromadzić dowody na potrzeby przeglądów badawczych, organizować zapisy eksperymentalne lub koordynować zatwierdzone procesy obliczeniowe.

Takie zastosowania mogą zmniejszać tarcia administracyjne, nie pozwalając agentowi na podejmowanie autonomicznej decyzji klinicznej. Zapewniają też ścieżkę o niższym ryzyku do zrozumienia zachowania agentów.

Partnerstwo wykracza poza badania. Novo Nordisk twierdzi, że będzie stosować agentów w operacjach przedsiębiorstwa, podczas gdy AWS opisuje potencjalne działania w rozwoju klinicznym, produkcji i technologii informacyjnej.

Każdy z tych obszarów oferuje mierzalne wyniki procesowe. Zespoły produkcyjne mogą oceniać przepływy pracy związane z inspekcją lub utrzymaniem. Zespoły technologiczne mogą mierzyć czas rozwiązywania problemów i niezawodność systemów.

Novo Nordisk wcześniej wykorzystywał wizję komputerową w AWS do liczenia wkładów lekowych. Ramię robotyczne i system kamer rejestrowały obrazy, podczas gdy urządzenie brzegowe wykonywało inferencję uczenia maszynowego.

Projekt ten dotyczył jasno zdefiniowanego zadania o obserwowalnych wynikach. Liczbę wkładów można było porównać z fizycznym stanem magazynowym, a błędy szybko zidentyfikować.

Odkrywanie leków nie ma tak natychmiastowej prawdy referencyjnej. Cel może wyglądać przekonująco przez wiele miesięcy, zanim eksperyment ujawni błędne założenie.

Ta różnica pomaga wyjaśnić strategię Amazona. AWS może dostarczać wartość w wielu procesach korporacyjnych, podczas gdy programy naukowe dojrzewają. Szersza relacja nie zależy całkowicie od jednego kandydata na lek.

Novo Nordisk współpracuje również z innymi firmami Amazona. Amazon Pharmacy, Amazon Ads i One Medical uczestniczą w sposobach marketingu, udostępniania lub dostarczania terapii.

To komercyjne powiązanie rozszerza relację poza infrastrukturę. Rodzi także pytania dotyczące zarządzania, ponieważ opieka zdrowotna, reklama i informacje kliniczne wymagają wyraźnych granic danych.

Żadna z firm nie stwierdziła, że nowa umowa połączy dane pacjentów między tymi firmami Amazona. Czytelnicy nie powinni wnioskować o takim udostępnianiu z samego istnienia wielu partnerstw.

Ujawniona współpraca koncentruje się na technologii AWS i danych Novo Nordisk. Każde wykorzystanie wrażliwych informacji klinicznych musi być zgodne z odpowiednimi uprawnieniami, wymogami bezpieczeństwa i kontrolami regulacyjnymi.

Dla pracowników wiedzy lekcja operacyjna jest szersza niż farmaceutyka. Program AI potrzebuje możliwych do prześledzenia dowodów, zdefiniowanych uprawnień i trwałego kontekstu w wielu zespołach.

Ustrukturyzowany przepływ pracy z wiedzą może pomóc ludziom łączyć materiały źródłowe bez traktowania wygenerowanych odpowiedzi jako zweryfikowanych faktów. To samo rozróżnienie staje się kluczowe w organizacjach naukowych.

Krótkoterminowy scenariusz sukcesu jest zatem praktyczny. Novo Nordisk powinien najpierw wykazać szybsze i bardziej niezawodne przepływy pracy wokół badań i operacji.

Te usprawnienia nie dowiodłyby, że AI przyspiesza sukces kliniczny. Pokazałyby, że firma zbudowała fundament organizacyjny potrzebny do odpowiedzialnego sprawdzenia tego większego twierdzenia.

Trzy sygnały pokażą, czy strategia działa

Kolejne dowody powinny pochodzić z nazwanego programu badawczego, zwalidowanych wskaźników przepływu pracy i postępów klinicznych.

Pierwszym sygnałem jest konkretny program odkrywania leków powiązany z londyńskim hubem. Novo Nordisk i AWS muszą wskazać cel, terapię lub przepływ pracy badawczej, które zewnętrzni obserwatorzy będą mogli śledzić.

Nazwany program ustanowiłby punkt wyjścia. Wyjaśniłby również, czy Amazon Bio Discovery wpływa na wybór celów, projektowanie cząsteczek, priorytetyzację laboratoryjną czy kilka etapów.

Najsilniejszym wczesnym wynikiem byłaby walidacja laboratoryjna kandydata sklasyfikowanego przez AI. Wspierałoby to mechanizm bez przeceniania jego znaczenia klinicznego.

Słabszym wynikiem byłoby kolejne ogólne ogłoszenie dotyczące dostępu do modeli. Rozszerzanie platformy może mieć znaczenie operacyjne, ale nie odpowiadałoby na pytanie, czy odkrywanie stało się szybsze.

Drugim sygnałem jest zestaw porównywalnych miar produktywności. Novo Nordisk powinien raportować czas od nominacji celu do przeglądu eksperymentalnego, odpływ kandydatów lub liczbę zwalidowanych hipotez na cykl badawczy.

Te pomiary wymagają kontekstu. Procentowa poprawa niewiele znaczy bez wartości bazowej, definicji i wyjaśnienia, które etapy uwzględniono w obliczeniach.

Novo Nordisk powinien również rozróżniać automatyczne przetwarzanie od czasu zaoszczędzonego przez naukowców. Model może szybko ukończyć analizę, podczas gdy badacze spędzą dodatkowe dni na sprawdzaniu niewiarygodnych wyników.

Dowody na krótsze decyzje end-to-end wzmocniłyby twierdzenie partnerstwa. Wyższe wykorzystanie mocy obliczeniowej lub większa liczba pracowników stanowiłyby znacznie słabsze wsparcie.

Trzecim sygnałem są postępy kliniczne kandydata wspieranego przez AI. Wejście do badania z udziałem ludzi po raz pierwszy pokazałoby, że praca obliczeniowa przetrwała testy przedkliniczne i wewnętrzny przegląd inwestycyjny.

Dowody z fazy II byłyby ważniejsze, ponieważ dotyczą skuteczności u pacjentów. To etap, na którym wczesne dane branżowe wyglądały mniej wyjątkowo niż w fazie I.

Żadna rozsądna ocena nie pozwala oczekiwać zatwierdzonego leku w ciągu najbliższych trzech miesięcy. Rozwój leków nie przebiega w tempie charakterystycznym dla oprogramowania dla przedsiębiorstw.

Firmy mogą jednak ujawnić programy, metody oceny i kamienie milowe, z których zamierzają korzystać. Przejrzystość ułatwiłaby ocenę późniejszych deklaracji.

Rywalizacja Amazon i Google będzie trwała w tym okresie. Google i Isomorphic Labs będą rozwijać własnych kandydatów, podczas gdy Microsoft, OpenAI, Nvidia oraz wyspecjalizowane firmy biotechnologiczne realizują nakładające się strategie.

Novo Nordisk może nadal korzystać z kilku z nich. Wybór AWS centralizuje infrastrukturę, ale zespoły naukowe wciąż będą szukać najlepszego modelu lub zbioru danych dla każdego problemu.

To sprawia, że interoperacyjność staje się kolejnym pośrednim sygnałem. Jeśli środowisko AWS będzie mogło zarządzać modelami wielu dostawców, Novo Nordisk zyska elastyczność bez fragmentowania dokumentacji badawczej.

Jeśli środowisko zamknie zespoły w jednej, wąskiej rodzinie modeli, decyzja o preferowanej chmurze może ograniczyć eksperymentowanie. Komunikat nie zawiera wystarczających szczegółów, by rozstrzygnąć tę kwestię.

Ostateczny standard jest prostszy niż architektura. Użyteczny system powinien pomagać naukowcom wcześniej odrzucać złe pomysły i rozwijać dobre pomysły, opierając je na mocniejszych dowodach.

Novo Nordisk wybrał AWS do zbudowania środowiska operacyjnego dla tego testu. Amazon ma teraz znaczącą szansę pokazać, że jego podejście chmurowe może łączyć prognozy AI z rzeczywistymi decyzjami laboratoryjnymi.

Producent leków stoi przed równie wymagającym zadaniem. Musi przekształcić partnerstwa z AWS, OpenAI, Nvidia, Microsoft i innymi w spójny proces naukowy.

Dla czytelników śledzących wyścig Amazon i Google kolejne ogłoszenie powinno mieć mniejsze znaczenie niż kolejny zwalidowany kandydat. Warto obserwować nazwany program, porównywalne dane dotyczące procesu pracy oraz postępy kliniczne.

Te sygnały pokażą, czy Novo Nordisk przyspiesza proces odkrywania leków, czy jedynie rozbudowuje swój stos technologiczny. Do tego czasu partnerstwo pozostaje wiarygodnym eksperymentem, a nie dowodem na to, że AI rozwiązała problem rozwoju leków.