Novo Nordisk在Amazon与Google的AI竞赛中选择AWS，但真正的考验是药物研发

尽管已建立起广泛的人工智能合作网络，Novo Nordisk仍指定AWS为其首选云服务提供商和战略AI合作伙伴。这项于8月10日达成的协议，使Amazon在这家制药商的技术基础设施中占据核心位置，也将Novo Nordisk置于Amazon与Google围绕生命科学工作负载日益升级的竞争之中。

最引人关注的承诺是加快药物研发。AWS工程师、应用科学家和Novo Nordisk研究人员将在伦敦新设的协同创新中心共同工作，计划通过Amazon的云服务连接生物模型、实验室实验和临床数据。

不过，该公告没有给出缩短研发周期的量化目标，也没有指出任何通过这项合作开发的候选药物，财务条款同样未予披露。

这一差别很重要，因为找到一种有前景的分子，只是药物研发的起步阶段。实验室测试、人体临床试验、监管审查、生产制造和患者可及性，仍是彼此独立的障碍。AI可以改善这一过程中的决策，但无法消除其固有的不确定性。

因此，这项AWS合作构成了一项可衡量的检验。Novo Nordisk必须证明，更大的AI平台能够带来更好的科学决策，而不只是更多模型、智能体和内部聊天机器人。

AWS成为Novo Nordisk推进AI战略背后的首选云平台

Novo Nordisk已将AWS从技术供应商提升为首选基础设施和AI合作伙伴。

两家公司于2026年8月10日宣布达成战略协议。根据官方的战略合作，合作涵盖研究、临床开发、商业运营和企业技术。

伦敦中心是最具体的组织层面变化。AWS专家将在这家制药商位于King’s Cross的设施中，与Novo Nordisk的科学家和工程师并肩工作。此举旨在减少计算预测与实体实验之间的延迟。

药物研发通常涉及多次交接。生物学家界定疾病机制，计算团队评估靶点，化学家设计潜在疗法。随后，实验室结果又会迫使团队修正先前的假设。

让这些团队在同一地点协作，能够缩短这一反馈循环。研究人员可以在负责该模型的工程师仍可及时响应时评估模型建议，也能在不确定的结果经过多个组织层级流转前调整实验。

Novo Nordisk将把Amazon Bio Discovery用于这项工作。AWS将其描述为一款利用生物AI模型生成并评估潜在候选药物的应用程序，也可将计算设计与外部实验室合作伙伴连接起来。

Amazon Bedrock将提供对基础模型的访问；这类通用模型可适配多项企业任务。Bedrock AgentCore则将支持AI智能体，使其能够检索数据、执行获批准的操作，并协调多步骤工作流程。

这些服务分别覆盖研究流程的不同环节。Bio Discovery侧重于科学设计，AgentCore为研究和业务运营中的智能体提供基础设施，Bedrock则提供底层模型层。

该协议扩展了双方既有的合作关系。Novo Nordisk此前已在Bedrock上搭建内部生成式AI环境，用于非受监管工作。AWS表示，已有超过25,000名员工使用该环境进行信息检索、文档起草和聊天机器人开发等任务。

这一采用规模意义重大，但衡量的是工具可及性，而非科学价值。数千名员工使用的聊天机器人，并不能证明一种实验性药物会更早惠及患者。

扩大的协议跨越了这一界限。Novo Nordisk如今希望AWS技术参与靶点识别、疗法设计，以及基因组、影像和临床数据的连接。

AWS也成为支撑这些工作的首选云服务提供商。这一定位让Amazon在全球最重要的制药研究机构之一内部获得了更强势的地位。

这一变化构成了本文的核心张力。Novo Nordisk已证明其能够在企业规模部署AI工具，但尚未证明这种规模能提高成功推出获批药物的概率。

为什么Novo Nordisk需要不止一个AI合作伙伴

AWS协议是组合策略的一部分，而非对某一家模型公司的排他性押注。

Novo Nordisk于2026年4月宣布了与OpenAI的另一项合作。该协议涵盖药物研发、制造、供应链、配送和商业运营。

这家制药商表示，与OpenAI的合作将分析复杂数据集并识别有前景的候选药物，同时在OpenAI合作中强调严格的数据治理和人工监督。

AWS如今占据的是不同层级。OpenAI提供先进模型和研究能力，AWS则提供云基础设施、专业生物服务及部署智能体的工具。两者边界可能重叠，但角色并不相同。

Novo Nordisk还曾与Microsoft合作进行临床数据分析；其科学家也曾与Nvidia合作开发生物模型和分子设计。与Valo Health的长期合作则将人体数据和计算方法用于心血管代谢药物研究。

这组合作伙伴表明，Novo Nordisk并不指望单一供应商解决所有科学问题。相反，它正从多个来源整合模型、基础设施、数据集和工程支持。

这种方式可以避免公司完全依赖单一技术路线图，也让研究人员能针对特定问题选择工具，例如蛋白质结构、临床分析或分子生成。

然而，多合作伙伴策略也会引入整合成本。不同平台之间的数据权限必须保持一致，模型输出需要统一的评估标准，研究团队还必须了解每项建议由哪个系统产生。

供应商之间的重叠还可能带来另一类问题。两个系统或许会检索到相同证据，却给出相互矛盾的结论。届时，科学家需要一套受治理的流程来解决分歧，而不能将模型信心视为生物学事实。

Amazon与Google的竞争正是这一基础设施决策的背景。Google将其云平台与DeepMind的科学模型及Isomorphic Labs的药物设计工作结合起来。Alphabet将这一技术栈定位为从AI研究直达商业疗法的路径。

Google的优势始于科学领域的认可。AlphaFold改变了研究人员预测蛋白质结构的方式，而Isomorphic Labs正试图将相关能力转化为候选药物。Alphabet在2026年表示，Isomorphic已筹集超过20亿美元，以扩展其药物设计引擎和研发管线。

AWS采取的是更广泛的平台路径。它提供云计算能力、托管模型、智能体、健康数据服务和实验室连接。AWS的目标并非拥有完整的研发项目，而是成为制药公司科学家和数据周围的运行层。

Novo Nordisk的选择为Amazon带来了一项重要的企业级背书。这表明，一家大型制药商除了模型性能外，同样重视部署基础设施和组织整合。

不过，“首选”并不意味着每个研究系统都会迁移至AWS。Novo Nordisk的其他合作关系仍然重要，专业模型也可以在复杂的技术环境中运行。

因此，真正的Amazon与Google之争，并不在于哪家公司拥有最令人瞩目的生物学演示，而在于哪个平台能够帮助制药商在数千项实验中作出可靠、可追溯的决策。

即便科学回报尚需时日，Novo Nordisk面临的压力却是眼前的。它在肥胖症和糖尿病领域与Eli Lilly竞争，而产品表现、生产制造和患者可及性决定市场结果。

AI本身无法化解这些压力。它可以帮助Novo Nordisk检验更多假设并优先配置研究资源，但公司仍需让这些选择最终产出在疗效和耐受性方面具有竞争力的药物。

Amazon与Google的竞争进入实验室

云服务竞争如今取决于数字预测能否改善实体实验。

企业AI交易过去多聚焦于数据存储、分析和员工生产力。药物研发提高了赌注，因为错误可能消耗数年的实验室和临床工作。

Amazon Bio Discovery试图弥合模型与实验之间的差距。AWS表示，该服务让科学家能够生成候选药物、以计算方式评估它们，并将选定设计发送给已集成的实验室合作伙伴。

这一流程有时被称为闭环：模型提出候选方案，实验室进行测试，所得数据再为下一轮计算提供依据。反复循环可以缩小搜索空间。

这一机制听起来简单，但科学挑战并非如此。一个分子可能与预期靶点结合，却仍会因毒性、代谢、不稳定性或在体内分布不佳而失败。

生物系统也会随细胞类型、患者群体和疾病阶段而变化。训练数据可能掩盖这些条件，尤其是在实验采用不同方案或产生不一致测量结果时。

这正是实体实验室仍处于核心位置的原因。模型可以为可能性排序，但实验决定其假设能否经受生物学现实的检验。

Novo Nordisk和AWS已积累了一些此类协同基础设施的经验。双方曾与Columbia University及OpenFold Consortium合作开展OpenFold3，这是一个开源生物建模项目。

该合作使用安全的AWS研究环境，为外部科学家和计算工作负载提供支持。由此形成的OpenFold3项目为共享科学开发提供了有益先例。

新的伦敦中心将类似的协作原则应用于Novo Nordisk自身的研发流程，使基础设施专家更接近了解疾病和实验背景的科学家。

这种近距离协作可以改善模型设计。工程师能够发现数据标签何时掩盖了重要的生物学差异；科学家则可以了解，模型的确定性何时反映的是狭窄数据集，而非强有力的证据。

Amazon的AgentCore还提供了另一种机制。一个智能体可以汇集靶点证据、查询获批准的数据库、准备分析结果，并记录其步骤以供人工审查。

这类智能体能够减少重复性的信息工作。在配置得当的情况下，它们也可以保留证据链。在受监管环境中，这一点至关重要，因为研究人员必须说明一项决策是如何得出的。

然而，智能体式 AI 也带来了自身的失效模式。智能体可能检索到不相关的证据、误读文档，或在互联系统中执行错误步骤。

因此，人类监督仍是机制的一部分，而非可选的安全层。科学家需要掌控数据访问、操作权限、验证和升级处理。

Google 则从另一个方向切入实验室。DeepMind 和 Isomorphic Labs 强调生物学预测与 AI 设计分子。Google Cloud 可以为这些模型及相关医疗数据提供周边基础设施。

AWS 强调连接模型、数据、人员和实验的工作流。Novo Nordisk 实际上正在检验这种编排是否能带来科研优势。

两条路径都尚未在获批的 AI 发现药物上建立广泛领先优势。竞争仍然开放，因为研究基准并不等同于临床结果。

对于企业买家而言，这改变了评估平台的方式。模型在公开数据集上的准确率很有参考价值，但它无法衡量与实验室仪器或内部证据标准的整合能力。

更强的平台应帮助团队质疑预测、复现实验结果，并及早淘汰弱候选项。它还必须在保障安全的同时，避免让每项实验都等待漫长的基础设施审查。

这比按需生成分子更不吸引眼球，但也更接近云基础设施能够创造可持续价值的领域。

更快的发现并不保证药物成功

AI 可以压缩早期研究周期，但最困难的临床问题仍未解决。

Novo Nordisk 和 AWS 未提供基准发现时间线，也未给出降低研究成本或推进至首次人体试验的具体百分比目标。

缺少这些衡量标准，“加速”仍只是企业目标，而尚非此次合作已经证明的成果。

两家公司也没有公布由新计划主导的候选药物。这意味着外部观察者无法追踪某一特定分子从模型生成的假设到实验室验证的过程。

更广泛行业的证据支持谨慎乐观。一项 2024 年分析研究了 AI 原生生物技术公司的临床管线，发现其 I 期成功率估计为 80% 至 90%，高于历史对比区间。

然而，同一项临床管线分析发现，II 期成功率估计接近 40%。样本规模有限，后期阶段的证据仍不成熟。

这一差异很重要。I 期主要考察安全性和剂量，尽管部分研究也会纳入早期疗效信号。II 期则要检验治疗方案是否对目标疾病患者有效。

模型可以帮助设计具有理想性质的分子，但无法保证改变其靶点会带来有意义的临床获益。

2026 年《Nature Reviews Drug Discovery》的一篇观点文章进一步强调了这一警示。作者指出，目前缺乏证据表明 AI 发现的新型生物学和疗法已产生广泛、具有临床意义的影响。

这篇临床证据综述还区分了配体设计与完整药物设计。找到能与靶点相互作用的分子，只是开发药物的一部分。

人体生物利用度、毒性、给药剂量和疾病复杂性仍然难以预测。这些性质往往只能通过模型无法替代的实验显现出来。

该综述还质疑了对高 I 期成功率的简单解读。一些 AI 项目建立在成熟的疾病生物学和已知化学基础上，这本身就能降低安全性不确定性，而与 AI 无关。

这并不意味着该技术没有帮助，而是意味着研究人员应识别 AI 所作出的确切贡献，而非将每个项目结果都归因于模型。

Novo Nordisk 的合作在获得批准之前就可能创造价值。它或许能更早淘汰弱靶点、减少重复实验，或改善临床试验设计。

这些收益需要可信的反事实比较。Novo Nordisk 需要将 AI 支持的流程与其过去的工作流，或未使用新系统的类似项目进行比较。

单纯的活跃度指标还不够。生成更多分子、发起更多模型查询或更多智能体会话，可能表明采用程度提高，却很少说明研究质量。

最有用的衡量指标应追踪科学决策。由模型支持的假设有多大比例经受住了实验室验证？从靶点提名到候选项选择决策之间耗时多久？

研究人员还应追踪 AI 建议被拒绝的频率。即使科学家拒绝其建议，能够显化不确定性的系统也可能具有价值。

风险在于，大型平台可能提升吞吐量，却未改善判断质量。团队可能得到比实验室能测试的更多看似合理的候选项，只是将瓶颈转移到下游。

另一个风险涉及数据质量。基因组、影像和临床数据集反映了不同人群和采集方法。将它们连接起来并不会自动使其具有可比性。

模型可能学习到由研究设计而非疾病生物学造成的相关性。如果这些相关性指导候选项选择，项目在不同条件下测试时可能失败。

因此，Novo Nordisk 的领域专业知识是合作中不可或缺的部分。AWS 提供工具和工程支持，但制药商必须界定有意义的问题，并识别生物学伪影。

这是这项交易核心的承诺与现实冲突。平台可以让发现周期更快，但只有经验证的药物才能证明，这些更快的周期选择出了更好的想法。

短期回报可能来自运营

Novo Nordisk 很可能会在看到源自 AI 的药物之前，先看到可量化的业务收益。

根据一项AWS 案例研究，该公司已有超过 25,000 名员工使用其基于 Bedrock 的生成式 AI 环境。这一规模创造了许多渐进式改进机会。

员工可以检索内部信息、起草文件，并为非受监管工作流创建专用聊天机器人。这些任务的反馈周期比药物开发更短。

团队可以衡量文件准备是否耗时更少，评估检索准确率、统计重复错误，并监测员工是否持续使用工具。

研究生产率则更难归因。一个发现项目可能持续数年，并涉及不断变化的科学假设、实验室方法和投资优先级。

AgentCore 仍可能改善围绕这类科学工作的流程。智能体可以为研究评审收集证据、整理实验记录，或协调已获批准的计算流程。

这些用途可以减少行政摩擦，而无需允许智能体自主作出临床决策。它们也提供了一条更低风险的路径，用于理解智能体行为。

合作范围不止于研究。Novo Nordisk 表示将在企业运营中部署智能体，而 AWS 则提到临床开发、制造和信息技术领域的潜在工作。

每个领域都提供了可衡量的流程成果。制造团队可以评估检验或维护工作流；技术团队可以衡量解决时间和系统可靠性。

Novo Nordisk 此前曾在 AWS 上使用计算机视觉统计药物卡匣。机械臂和摄像系统采集图像，边缘设备则执行机器学习推理。

该项目针对的是定义明确、结果可观察的任务。卡匣数量可以与实物库存进行比对，错误也能迅速识别。

药物发现缺乏这种即时的事实验证。靶点可能在数月内看起来颇具说服力，直到实验揭露某个错误假设。

这一差异有助于解释 Amazon 的策略。随着科研项目成熟，AWS 可以在众多企业流程中交付价值。更广泛的合作关系并不完全依赖于某一种候选药物。

Novo Nordisk 还与其他 Amazon 业务合作。Amazon Pharmacy、Amazon Ads 和 One Medical 参与了疗法的营销、获取或交付方式。

这种商业联系将双方关系扩展至基础设施之外。它也引发了治理问题，因为医疗、广告和临床信息需要清晰的数据边界。

两家公司均未表示新协议会在这些 Amazon 业务之间合并患者数据。读者不应仅因存在多项合作关系就推断会发生此类数据共享。

披露的合作聚焦于 AWS 技术和 Novo Nordisk 数据。任何对敏感临床信息的使用都必须遵循适用的权限、安全要求和监管控制。

对于知识工作者而言，运营层面的启示超越了制药业。AI 项目需要可追溯的证据、明确的权限，以及跨多个团队的持久上下文。

结构化的知识工作流可以帮助人们连接源材料，而不将生成式回答视为经验证的事实。同样的区分在科研组织内部也至关重要。

因此，短期成功案例是务实的。Novo Nordisk 应首先展示围绕研究和运营的更快、更可靠工作流。

这些改进并不能证明 AI 会加速临床成功，但会表明该公司已构建了以负责任方式检验这一更大主张所需的组织基础。

三个信号将显示该战略是否奏效

接下来的证据应来自一个已命名的研究项目、经验证的工作流指标和临床进展。

第一个信号是与伦敦中心相关联的具体药物发现项目。Novo Nordisk 和 AWS 需要确定一个可供外部观察者追踪的靶点、疗法或研究工作流。

一个已命名的项目将确立起点，也能澄清 Amazon Bio Discovery 是影响靶点选择、分子设计、实验室优先级排序，还是多个阶段。

最有力的早期成果将是对 AI 排名候选项的实验室验证。这将支持其作用机制，同时不会夸大其临床重要性。

较弱的成果则会是另一项有关模型访问权限的笼统公告。平台扩展在运营上可能重要，但无法回答发现过程是否变得更快。

第二个信号是一组可比较的生产率指标。Novo Nordisk 应报告从靶点提名到实验评审的时间、候选项淘汰率，或每个研究周期获得验证的假设数量。

这些衡量指标需要背景。没有基准、定义以及对纳入计算步骤的说明，百分比改进意义不大。

Novo Nordisk 还应区分自动化处理与实际节省的科研时间。模型或许能快速完成分析，但研究人员可能要额外花费数天核查不可靠的输出。

端到端决策时间缩短的证据会加强对这项合作的支持。更高的计算使用量或更多员工人数则只能提供弱得多的支持。

第三个信号是 AI 支持的候选药物取得临床进展。进入首次人体试验将表明，计算工作经受住了临床前测试和内部投资审查。

II 期证据将更重要，因为它涉及患者疗效。该阶段正是早期行业数据看起来不如 I 期出色的地方。

在未来三个月内，任何合理评估都不应预期会有获批药物问世。药物研发并不遵循企业软件的时间表。

不过，这些公司可以披露拟采用的项目、评估方法和里程碑。透明度将使后续主张更易于评估。

在此期间，Amazon 与 Google 的竞争仍将持续。Google 和 Isomorphic Labs 将推进各自的候选项目，而 Microsoft、OpenAI、Nvidia 以及专业生物技术公司则在探索相互重叠的策略。

Novo Nordisk 可能会继续同时使用其中多家的服务。AWS 的指定将基础设施集中化，但科学团队仍会针对每个问题寻求最强的模型或数据集。

这也使互操作性成为另一项间接信号。如果 AWS 环境能够管理来自多个供应商的模型，Novo Nordisk 就能在不割裂研发记录的前提下获得灵活性。

如果该环境将团队锁定在某个狭窄的模型家族中，那么首选云服务商的决定可能会限制实验探索。该公告没有提供足够细节来解答这一问题。

最终标准比架构更简单。一个有用的系统应帮助科学家更早淘汰糟糕的想法，并凭借更有力的证据推进好的想法。

Novo Nordisk 已选择 AWS 来构建用于检验这一点的运营环境。Amazon 现在迎来了重要机会，证明其云端方法能够将 AI 预测与真实的实验室决策连接起来。

这家药企同样面临艰巨任务。它必须将与 AWS、OpenAI、Nvidia、Microsoft 等公司的合作，转化为连贯的科学流程。

对于关注 Amazon 与 Google 竞赛的读者而言，下一次公告的重要性应低于下一个得到验证的候选项目。关注是否出现具名项目、可比较的工作流数据，以及临床进展。

这些信号将揭示 Novo Nordisk 是否正在压缩药物发现周期，还是仅仅在扩充其技术栈。在此之前，这项合作是一项可信的实验，而非 AI 已解决药物研发问题的证据。