Novo Nordisk 选择 AWS，将 Amazon Google Cloud 之争变成药物发现的试金石

Novo Nordisk 已选择 AWS 作为其首选云服务提供商和战略 AI 合作伙伴，令 Amazon Google Cloud 之争的竞争进一步升温。这家制药商还与 AWS 在 Novo Nordisk 位于伦敦的现有设施中设立了联合创新中心。两家公司的科学家和工程师将在那里开展 AI 辅助药物发现和业务运营方面的合作。

这项协议的范围超越了传统云服务合同。据报道的联合创新协议，双方计划将 Novo Nordisk 的数据与 AWS 基础设施、生物 AI 模型和 AI 代理相结合。双方声明的目标是缩短从识别药物靶点到向人体给药候选药物的路径。

这一承诺也带来了核心张力。Novo Nordisk 已拥有重要的 AI 合作关系，包括其于 2026 年 4 月宣布与 OpenAI 建立的战略合作伙伴关系。因此，AWS 必须证明，集成式云和科学工作流带来的价值不只是获得另一个有能力的模型。

协议中并未将 Google Cloud 列为参与方。但它仍是重要的竞争参照，因为生命科学公司很少孤立地评估云基础设施。它们会比较数据治理、模型选择、研究工具、安全控制，以及将实验推进至受监管运营环节的能力。

这也是为何这一公告值得制药行业以外的领域关注。它检验将云工程师与领域科学家安排在一起，能否把 AI 使用权转化为可重复的研究成果。它也检验单一首选服务商能否在不限制企业更广泛 AI 选择的情况下协调敏感数据。

Novo Nordisk 与 AWS 实际构建了什么

重要变化在于共享运营环境，而不只是新增一批云账户。

伦敦枢纽将 AWS 工程师和 Novo Nordisk 科学家置于专门的协作架构中。这种安排旨在缩短科学问题、计算实验与是否开展进一步测试的决策之间的距离。

AWS 将其称为联合创新，因为双方都贡献了关键知识。Novo Nordisk 带来生物数据、治疗专业知识、临床经验，以及对受监管药物开发流程的理解。AWS 则提供计算基础设施、工程支持、AI 服务和面向生命科学设计的工具。

两家公司表示，该枢纽将专注于发现工作和运营现代化。发现工作包括识别潜在药物靶点、设计治疗候选物，以及连接基因组、影像和临床信息。运营工作则涉及 AI 代理，即能够规划并执行受限多步骤任务的软件系统。

这两条路径不应被等同看待。汇集内部信息的生产力代理，与帮助确定生物学假设优先级的系统，其后果并不相同。前者可以节省员工时间，后者则可能影响成本高昂的实验室和临床决策。

该合作将 Amazon Bio Discovery 列为科学技术栈的一部分。该服务让研究人员能够访问用于生成和评估候选物的生物 AI 模型和工作流。它还支持实验室反馈，即实体测试结果可以为下一轮计算周期提供信息。

AWS 表示，其生物 AI 平台可以将客户的专有模型与生物模型目录相结合。这种方式很重要，因为制药公司不希望每一种有价值的方法都被困在单一的通用助手中。

Amazon Bedrock 将通过托管服务提供对基础模型的访问。基础模型是经过广泛训练、可适配于多种任务的系统。预计 Bedrock AgentCore 将支持在公司运营范围内部署和管理 AI 代理。

该协议还正式确定 AWS 为 Novo Nordisk 的首选云服务提供商。“首选”并不必然意味着排他。Novo Nordisk 与 OpenAI 的既有合作表明，其 AI 战略已跨越不止一种技术合作关系。

Novo Nordisk 和 AWS 在新枢纽之下也已有技术基础。双方此前构建了一个可在 PB 级规模运行的数据和分析环境。此前的企业数据架构涵盖了大规模数据集的发现、治理、访问和复用。

这段历史让该枢纽比从零开始的合作更具可信度。团队可以建立在现有云控制措施和数据管道之上。然而，既有基础设施并不能保证新的生物学预测能够经受实验室或临床测试。

双方尚未公开披露协议的财务条款，也未给出该枢纽的药物项目数量、已验证候选物数量或临床里程碑目标。这些缺失使其科学雄心仍显得宽泛。

因此，变化是具体的，但并不完整。Novo Nordisk 已指定首选云服务商，并建立了一支伦敦联合团队。更难的问题在于，这一结构能否产生任何一方都无法通过普通供应商关系获得的证据。

为什么 Amazon Google Cloud 之争如今要通过制药行业展开

Amazon Google 的竞争正从基础设施采购转向对科学工作流的掌控。

云服务提供商过去主要围绕计算能力、存储、数据库、地域可用性和企业合同展开竞争。这些基础要素仍然重要，但 AI 又增加了一层竞争。服务商如今希望影响客户如何发现信息、训练模型、协调代理并验证结果。

生命科学是一个颇具吸引力的试验场，因为其工作流数据密集且具有重大经济影响。药物发现涉及生物序列、图像、化学结构、研究论文、实验室观察结果和临床记录。这些来源具有不同的格式、质量水平和访问限制。

能够连接这些来源的服务商会变得难以替代。其优势不仅来自数据存储，还来自将身份控制、模型端点、实验历史和审批流程嵌入日常科学工作。

AWS 正将这种整合置于其面向 Novo Nordisk 的核心主张中。其方案结合了云基础设施、托管模型、生物工具、代理和直接工程支持。伦敦枢纽则为这些组件提供了组织载体。

Google 也拥有自身相关优势，包括 AI 研究、数据分析和医疗技术。不过，Novo Nordisk 的公告为 AWS 提供了一个重要的制药研究企业案例。它表明，AWS 能够争取那些科学验证与原始计算能力同等重要的项目。

Microsoft 也属于更广泛竞争格局的一部分，因为 Azure 和 OpenAI 服务已深度嵌入大型企业。不过，将每家云服务商都视为同等对手，会掩盖这一协议最清晰的信号：Novo Nordisk 已选择 AWS 作为首选基础设施和 AI 集成层。

这场竞争并非仅仅是 Amazon 与 Google 围绕模型质量的较量。制药买家需要多个层面协同运作。

科学数据

• 服务商必须能够处理生物、影像、临床和运营信息，同时不抹去数据溯源。

模型访问

• 研究人员需要专门的生物模型，以及通用语言和推理系统。

实验室反馈

• 计算候选物必须进入实体测试，并将结果返回研究工作流。

治理

• 团队需要访问控制、审计记录、获批用途，以及对重要决策的明确责任划分。

部署

• 有用的原型必须能在研究团队、地点和受监管流程之间可靠运行。

只有这些层面在实践中协同发挥作用，AWS 才能宣称拥有优势。Google 可以通过自身的科学和云能力作出回应。Microsoft 则可以借助企业分发能力和更广泛的 AI 合作关系参与竞争。

Novo Nordisk 的决定也给内部技术团队带来压力。首选服务商战略可以简化标准和采购，但也可能集中技术依赖。内部领导者必须决定哪些工作负载应放在共同平台上，哪些则需要另一家服务商或模型。

对于企业买家而言，这才是真正的 Amazon Google 问题。关键不在于哪家公司拥有最令人印象深刻的演示，而在于哪个平台能够连接敏感知识、专业模型、人工审核和可衡量的成果，同时不形成难以管理的依赖。

这一教训超出了药物研究的范围。法务、工程、财务和产品团队也面临类似的整合问题。它们的证据标准不同，但同样需要可追溯的来源和受控工作流。

一个可搜索的技术知识库可以帮助人们检索支撑材料。它无法取代科学验证或可追责的决策。相同的边界也适用于任何企业 AI 系统。

AWS 现在有机会证明，其平台能够负责任地跨越这条边界。作为回应，Google 和 Microsoft 有理由强调可移植性、模型选择和专业医疗工具。

真正的对手是验证鸿沟

只有当更快的计算工作带来更优的已验证决策，而不只是更多由 AI 生成的可能性时，这个枢纽才能成功。

药物发现产生的假设本就多于组织能够测试的数量。生成式系统可以通过提出靶点、分子、蛋白质、试验设计或解释来增加这种供给。限制因素随之转向证据筛选和实验验证。

Amazon Bio Discovery 同时说明了机遇和边界。AWS 描述了一种实验室闭环流程，即计算设计进入实体测试，结果再返回模型。与一次性生成候选物清单相比，这种反馈循环更具价值。

在与 Memorial Sloan Kettering Cancer Center 的另一项合作中，AWS 表示其系统设计了近 30 万个抗体候选物。它在数周内将其筛选至 10 万个用于实验室测试的候选物。该公司将这一周期与传统设计流程最长可能需要一年的时间进行了对比。

这些数字展示的是计算吞吐量，而不是一款获批药物。候选物生成处于漫长开发链条的早期阶段。实验室表现、毒性、生产制造、给药剂量、临床获益和监管审查仍然是彼此独立的障碍。

Novo Nordisk 的既定目标是缩短从药物靶点到首次人体给药的路径。这是一个重要的衡量标准，因为它涵盖的不只是初始分子设计。要实现这一目标，需要在发现研究、临床前工作、制造、文档编制和临床规划之间做出协调一致的决策。

AI 可以在多个环节发挥作用。模型可以帮助研究人员对靶点进行排序、关联不同数据集中的发现，或提出可供测试的候选方案。智能体可以收集证据并准备材料草稿。计算机视觉则可以自动化制造环节中的检查工作。

Novo Nordisk 已经将机器学习用于药筒计数和琼脂平板异常检测等任务。其此前的制造部署项目曾在边缘设备上训练、部署和监控计算机视觉模型。

这个案例之所以重要，是因为它涉及一项边界明确、输出可观察的任务。人工可以计数药筒、检查图像，并将系统结果与已知答案进行比对。药物靶点选择的反馈周期要长得多，生物学不确定性也更高。

因此，最有价值的枢纽项目会在构建系统之前先界定成功标准。发现研究项目可以衡量 AI 是否提高了进入后续实验阶段的已验证候选物比例。运营项目则可以跟踪审核时间、错误率以及所需的人工修正。

原始采用率统计无法回答这些问题。Novo Nordisk 表示，已有超过 25,000 名员工在超过 2,500 个使用场景中使用了其安全的生成式 AI 环境。底层的员工 AI 平台显示出广泛需求，但使用场景数量并不能反映每项结果的质量。

高参与度仍可能创造价值。它能识别反复出现的任务，并让团队积累关于模型局限性的经验。但它也会扩大提示词不一致、工具重复、敏感输入和未经审核输出的风险面。

共创枢纽应帮助缩小这一风险面。共享工程师可以将有前景的实验转化为获批组件，而不是让每个团队各自构建聊天机器人。科学家也可以淘汰那些技术上令人印象深刻、却不符合实验室实际的想法。

这是此次合作中的核心较量：压缩周期的承诺与验证现实之间的较量。AWS 希望证明，一体化 AI 服务能够加速科学研究。Novo Nordisk 则需要证据证明，这种加速不会削弱科学判断。

成功的结果不应是一个提出最多候选物的模型，而应是一套工作流：帮助专家更早排除不佳选项，保留决策背后的推理过程，并改善进入实体测试环节的流转效率。

这一标准也能保护合作关系免受过高预期的影响。药物开发中存在语言模型无法消除的延误。生物学不确定性、安全性研究、招募挑战、制造变更和监管问题依然真实存在。

即使无法解决所有这些问题，该枢纽仍可带来可观收益。它可以减少可避免的交接环节，让证据更易检索，或更早识别错误假设。当合作伙伴公布明确基线和可衡量结果时，这些改进才更具可信度。

Novo Nordisk 的多合作伙伴 AI 战略带来治理考验

选择 AWS 作为首选合作伙伴，并不能解决 Novo Nordisk 将如何治理重叠的模型、数据路径和问责机制。

Novo Nordisk 于 2026 年 4 月宣布与 OpenAI 建立战略合作关系，距其与 AWS 达成协议仅数月。该公司表示，这一合作将支持药物发现、制造、商业运营和员工发展。

其官方OpenAI 合作公告将 AI 描述为一项覆盖全公司的转型。这一范围与新的 AWS 合作存在重叠，尽管各供应商提供的基础设施和服务不同。

重叠并不必然是弱点。多合作伙伴战略可以防止某一家模型供应商控制所有重要工作负载，也可以让研究人员针对不同问题选择专门工具。

风险会在职责变得不清晰时出现。一个工作流可能将数据存储在 AWS 中，调用外部模型，使用内部检索系统，再将结果交给另一个智能体。每一项连接都会带来有关访问、日志记录、保留、评估和故障处理的问题。

制药数据让这些问题尤为重要。研究记录可能包含专有化合物、未发表的假设、基因组信息、患者相关数据以及临床项目的细节。它们的敏感程度各不相同，因此单一政策无法治理所有使用场景。

Novo Nordisk 和 AWS 强调安全基础，但公告几乎没有提供实施细节。它没有说明哪些数据集将进入该枢纽、输出将如何验证，或人工批准何时成为强制要求。

公告也没有指出首批涉及哪些治疗项目。缺少这些信息，外部人士无法判断该工作是从低风险研究支持开始，还是会影响更接近临床开发阶段的决策。

智能体 AI 又增加了一层不确定性。智能体可以执行多个步骤，并根据其指令选择工具。这种自主性使智能体具有实用价值，但也可能让错误比单次模型回答更难追溯。

负责任的部署需要受限权限。证据审查智能体不应获得修改临床记录或批准实验的权限。制造助手也不应在没有正式控制措施的情况下改变已验证流程。

团队还需要知道每项输出由哪个组件产生。如果一个结果结合了内部模型、Amazon 服务和外部基础模型，审核人员就需要了解其来源。来源追溯是指能够追踪结论背后数据、工具和转换过程的记录。

模型更新会带来另一个治理问题。供应商会定期调整性能、安全防护和支持的功能。针对某一模型版本验证过的工作流，在更新后可能会表现不同。

这正是首选云合作关系可以发挥作用的地方。AWS 可以在各项服务之间提供统一的身份、监控和部署控制。Novo Nordisk 可以建立共享审批路径，而不是让每个研究小组自行摸索。

同一关系也可能带来集中化风险。团队可能会深度围绕供应商特定的智能体、数据格式或生物学工作流进行构建。日后迁移可能需要重新设计软件和组织流程。

正确的应对方式不是避免集成，而是将可移植的科学资产与可替换的服务组件分离。Novo Nordisk 应保留对其数据、评估集、提示词、决策记录和实验结果的明确所有权。

安全性也不止于防止未授权访问。模型可能生成看似合理却缺乏依据的生物学主张。智能体可能检索到错误文档，或遗漏相互矛盾的证据。这些失误需要科学控制措施，而不仅仅是加密和网络策略。

因此，对该枢纽的审慎看法很直接：两家公司已经公布了广泛的架构和雄心勃勃的目标，但尚未发布独立的科学验证结果，也没有披露运营错误率或比较基准。

这并不意味着该合作空洞无物。它意味着举证责任现在才刚刚开始。Novo Nordisk 必须证明该枢纽能在受控条件下改善决策，而 AWS 则必须证明，跨模型和团队的集成仍然可治理。

Amazon 与 Google Cloud 的竞争将放大每一个积极的里程碑。买方也应同等关注更安静的指标，包括修正率、实验可重复性，以及通过正式审核的工作流数量。

三个信号将表明该枢纽是否重要

下一阶段应依次通过已验证项目、运营证据和竞争对手反应来评判。

第一个信号是一个具名且具有明确里程碑的药物发现项目。Novo Nordisk 无需披露专有分子细节，但需要明确工作流、其基线，以及归因于该枢纽的结果。

一项有价值的披露可以比较新流程实施前后靶点优先级排序所需的时间。它可以报告有多少计算候选物进入实验室测试，以及其中有多少达到预先确定的标准。它还应明确人工审核节点。

如果合作伙伴公布这类证据，核心论点就会更有说服力。这将表明，共同驻场的专家和集成工具能够改善真实的开发决策。另一份关于员工采用率的泛泛案例研究，支持力度会弱得多。

第二个信号是在 AWS、OpenAI 和内部系统之间实施生产级治理。Novo Nordisk 应说明其如何为工作负载分配模型，以及如何记录重要输出的来源。它还应展示团队如何处理模型变更、错误和相互冲突的建议。

共享评估标准的证据将增强合作关系的可信度。这些标准应包括科学准确性、数据保护、可追溯性和人工监督。无论底层模型由哪家供应商提供，这些标准都应适用。

碎片化的治理模型会削弱这一案例。独立合作关系可能导致平台重复、控制措施不一致和彼此竞争的内部项目。伦敦枢纽需要成为协调机制，而不是又一个孤立的 AI 项目。

第三个信号是竞争对手如何回应。Google Cloud 和 Microsoft 可以通过新的制药合作、可移植研究平台或对专用模型更强的支持作出回应。竞争药企也可以公布其自身 AI 项目的可衡量结果。

Eli Lilly 是最相关的制药业参照对象，因为 Novo Nordisk 在肥胖治疗领域与其直接竞争。云合作本身不会决定该市场，但来自 Lilly 的压力为 Novo Nordisk 缩短研究和运营周期提供了明确理由。

Novo Nordisk 宣布 OpenAI 协议时，正努力重拾对 Lilly 的竞争势头。AWS 枢纽将这一回应从模型访问扩展至基础设施和执行层面。这表明管理层希望将 AI 嵌入整个开发体系。

Google 或 Microsoft 的强势回应将证实，云服务商将一体化生命科学工作流视为战略市场。这也会为制药公司提供更可信的替代选择，降低单一供应商定义架构的风险。

疲弱的回应并不能证明 AWS 已经胜出。这可能意味着竞争对手正在推进不那么显眼的项目或不同的合作模式。不过，制药领域的连续胜利仍会改善 AWS 在企业 AI 领域的地位。

读者还应区分早期运营进展与临床影响。更快的文献审查可能在数月内显现，而受该枢纽影响的治疗方案则需要经历长得多的验证链条。

这种时间差使透明的中间指标至关重要。缺少这些指标时，两家公司可以庆祝活动成果，而外部人士无法评估价值。有了这些指标，买方就能将该枢纽与传统云咨询服务及内部研究团队进行比较。

对开发者而言，关键在于先设计评估机制，再进行编排。连接代理和模型比证明它们的组合输出能够改善决策更容易。日志、测试集、访问边界和审核状态都必须成为系统的一部分。

对企业采购方而言，关键在于将运营模式与技术产品一并评估。联合创新中心能够加快反馈，因为服务商工程师与领域专家可以协同工作。但它也可能让企业依赖稀缺的驻场专家。

对知识工作者而言，关键在于保留从来源到结论的完整路径。AI 可以快速检索、整合并起草信息。用户仍需看到哪些证据支撑了结果，以及不确定性仍存于何处。

Novo Nordisk 与 AWS 已为这些原则带来了一次严肃的检验。这项合作汇集了一家经验丰富的制药机构、一家大型云服务商、专业生物工具，以及一个实体协作中心。

它尚未证明 AI 能够缩短从研发到首次人体给药的周期。这一说法需要经过验证的项目，而非平台描述。它还需要证明，加快工作节奏后仍能保持安全、可复现性和科学问责。

未来三个月，请关注是否出现具名的研究工作流、具体的治理模式，以及 Google 或 Microsoft 的竞争性回应。这些信号将揭示，这究竟是一种可持续的科学运营模式，还是一段扩展后的云服务关系。

更广泛的 amazon 与 google 之争将继续围绕模型、基础设施和企业合同展开。Novo Nordisk 如今为 AWS 提供了一个醒目的生命科学舞台。最终结果将取决于哪些成果进入实验室、哪些经得起验证，以及科学家决定信任什么。