人工智能正加速改变制药行业研发全流程，从药物发现到临床试验，行业领袖们在麦肯锡《尤里卡！》播客中分享了这一趋势。如果假设人工智能将成为几乎所有行业的游戏规则改变者，企业如何将潜力转化为实际收益？制药领域专家指出，简单地将AI附加到常规业务中可能无法产生切实成果。
人工智能投资正以惊人速度增长。去年企业投资规模超过2500亿美元，仅制药行业AI市场预计将从今年的40多亿美元激增至2030年的257亿美元。然而在此热潮中，药企尚未显著缩短研发周期或提升临床前及临床试验成功率。
什么才能驱动成功？行业领袖强调，制药业的AI部署不仅关乎加速现有流程的技术添加，更需彻底重构药物发现与开发工作流。但在涉及患者生命的强监管行业中，盲目采用初创企业"快速行动打破常规"的思维并不适用。
在麦肯锡《尤里卡！》播客中，以下专家分享了AI如何变革研发与药物开发的洞见：
- 强生创新医药研发血液学与肿瘤学数据科学主管阿希塔·巴塔维亚
- 葛兰素史克高级副总裁兼全球人工智能与机器学习负责人金·布兰森
- 勃林格殷格翰首席医学官兼全球医药负责人莉克·欣施·吉尔文
- 艾伯维基因组学研究副总裁兼数据整合主管霍华德·雅各布
- 基因泰克研发与早期开发高级副总裁兼计算科学主管约翰·马里奥尼
每位嘉宾都阐述了有效AI部署的关键要素，这些见解与麦肯锡成功实施AI的原则高度契合，核心聚焦于文化、技术与人才三大维度。
成功实施人工智能的六大推动因素
1. 明确目标与流程重构是成功基础：AI部署需融入战略而非仅是技术叠加
不能将AI模型简单植入现有工作流就期待变革发生。企业需以全局视角思考AI如何融入整体战略。关键问题包括：我们要解决什么问题？价值捕获的蓝图是什么？如何定义和衡量投资回报？
艾伯维的霍华德·雅各布指出，AI成功源于流程重构与新能力构建，而非在遗留系统上叠加工具。"在艾伯维，我们过去一年已重新审视所有环节——早期靶点发现、靶点开发、生物制剂设计及患者招募参与，采用速度令人惊叹。庆幸我们提前搭建了基础设施，才能快速推进。"
2. 分析与AI模型将数据转化为洞见，加速研发决策
场景化算法模型帮助企业将数据集转化为推进商业与科研目标的洞见，涵盖药物发现开发及临床试验设计。
例如，强生创新医药的阿希塔·巴塔维亚表示，公司正用算法分析诊断图像筛选适合新疗法的患者，并采用深度学习算法预筛膀胱癌患者组织样本以确定临床试验资格。"我们开发的经验证算法可应用于数字病理图像，预测试验所需的突变是否存在——这是病理学家无法做到的，"巴塔维亚解释道，"借助算法，我们能预筛患者并加速决策进程。"
勃林格殷格翰正应用AI重构试验设计。首席医学官莉克·欣施·吉尔文提到公司使用"数字孪生"技术——虚拟患者模型可模拟试验结果，减少对安慰剂组的依赖。"这些工具让我们在加速进程的同时最小化安慰剂组患者数量，实现双赢，"她指出，"模型既加快试验又减轻患者负担，且不牺牲数据质量。"
3. 稳健技术栈是提供算力、数据基础设施与模型开发工具的基础
正如杰弗里·刘易斯等人年初报告所述，现代化技术栈支持发现、研究及临床开发各阶段的数据洞察、工作流、采集、存储、传输与处理，由基础设施、数据、应用与分析四层构成。
高度集成的技术栈不仅赋能AI，更决定其规模化能力。依赖孤岛系统与点对点集成的药企常难以超越孤立试点。相比之下，模块化架构配合井然有序的数据与协同系统，能支持AI工具在发现与开发全流程的部署，使团队更高效地访问清洁数据、自动化研发操作，并将模型应用于患者筛选、分子设计及监管申报等任务，为从实验迈向企业级AI应用奠定基础。
4. 高质量数据至关重要
针对特定问题的数据是AI成功部署的核心要素。数据性质正在演变，如今更专注于生成以优化算法。例如设计临床试验时，电子健康记录可识别治疗响应不佳的患者；药物研发中需将数据与问题精准匹配并制定策略。
葛兰素史克的金·布兰森强调："关键在于生成专为建模而设计的数据，我们视其为竞争优势来源。"该公司组建了名为Onyx的全球数据工程团队规模化执行此任务，确保科学家获取正确数据与洞见。数据质量同样关键，劣质输入将导致模型不可靠、研发低效及监管风险。对依赖遗留系统的大型组织而言，数据组织化常是挑战。
5. AI部署需要多元化人才梯队
企业必须通过技能提升采用灵活横向的人才管理，组建技能多元的团队。葛兰素史克的布兰森强调跨职能团队对AI成功的基础作用："领域知识对评估数据生成方式至关重要，我们既有机器学习专家也是特定领域的深度专家。"他补充说，在临床影像领域，团队融合了拥有博士及博士后资质的影像专家与机器学习人才。
强生的巴塔维亚提出"三语能力"理念：精通数据科学、医学科学及商业战略。"很难找到既行医、懂试验又通数据科学和商业战略的人，"她说，"但若候选人具备其中两项，其余技能可通过培训补足。"
基因泰克的马里奥尼指出，当内部构建不切实际时需开放协作："你需要技术专长、生物化学临床洞察及计算基础设施，并能合理整合。单一公司很难集齐所有要素，因此我们在计算端与亚马逊云科技及英伟达紧密合作，加速模型训练与部署。"
6. 灵活变革管理满足业务与科研利益相关者动态需求
AI将重塑组织流程创建与管理模式。刚性线性产品开发正被原型迭代、反馈与持续改进的循环取代。AI工具可加速产品原型设计，实现更快测试优化；AI代理还能自主主导流程环节，引发新的治理问题——例如组织应集中控制AI代理还是允许团队自主决策？为成功采用AI，企业需在全组织识别变革推动者并设定明确KPI。
基因泰克的马里奥尼团队通过"实验闭环"模型将AI直接嵌入实验工作流。不同于被动分析工具，基因泰克用AI主动指导实验，尤其在分子设计领域。"我们从模型起步，获取预测后验证并优化模型，"马里奥尼解释道，"这是良性循环...持续迭代直至模型能生成可靠预测，指导后续实验。"
尽管技术障碍需克服，但人员要素——文化问题——常是成功关键。马里奥尼强调："别低估整体方法——80%的挑战关乎人员，解决这点将产生巨大差异。若做对了，其余水到渠成。"
勃林格殷格翰也重塑团队协作模式以支持AI规模化整合。公司推出"新行为准则"鼓励创业思维，包括目标导向协作、赢在执行及持续创新——这些行为不仅受鼓励，更获实质奖励，欣施·吉尔文补充道。
直面制药业AI风险
当组织用患者数据训练AI模型时，将面临隐私泄露、数据滥用及合规监管等风险。据麦肯锡《人工智能现状》报告，47%采用生成式AI的组织经历过负面后果，网络安全是首要关切。
处理患者数据要求企业采取分层保护策略。正如11月报告《利用AI重塑医疗健康消费者体验》所述，企业需系统化风险评估并制定缓解方案，建立基于算法透明度的治理流程，持续监控AI专项法规。
归根结底，AI输出效果取决于输入数据质量。数据还必须代表其建模领域。数据集偏差（某些群体比例失衡）、纵向数据缺口及AI模型幻觉均构成重大风险。
企业还需确保AI模型可解释性。强生的巴塔维亚指出："可解释性未获应有重视...了解数据来源、AI应用行为及其原因，以及如何利用它，至关重要。"
未来之路
制药业AI投资将面临回报压力加剧，竞争终将分出胜负：
- 重塑者：彻底重构运营模式，拥抱自动化、计算机生成模拟试验及全价值链AI整合
- 修补者：仅尝试孤立试点项目，因难以规模化导致投资回报低下，损害长期竞争力
赢家将是像"重塑者"那样将AI编织进所有工作流的企业，而非仅在现有流程上叠加技术的"修补者"。
成功实施AI取决于领导层推动组织根本性变革的力度。勃林格殷格翰的欣施·吉尔文指出关键在于：对AI及数字工具的应用场景、方式及时机制定清晰战略目标。
我们确信AI将变革药物研发，切实改善患者生活。专家强调，AI成功应用取决于聚焦式方法及支持迭代与工作方式重构的流程再造。简言之，重塑与实验对AI创新至关重要。双管齐下的公司将占据竞争优势。
播客嘉宾还突显了创建适应性文化的重要性，旨在逐步建立全组织信任。
"建立信任是关键，"艾伯维的霍华德·雅各布表示，"我们必须提升对话层次，聚焦AI与机器学习输出的优势及其如何助力持续改进。基因组学初兴时，人们也曾视其为资金浪费，如今这类争论已不复存在。"
【全文结束】
