随着人工智能（AI）的应用越来越普遍，组织需要利用其范围、规模、速度和人机协作的力量来实现差异化。由MIT Technology Review Insights撰写的文章指出，生命科学行业看到了前所未有的机会，因此全面投入了AI技术。例如，辉瑞公司在2023年推出了一项内部生成式AI平台，预计该平台将带来7.5亿美元至10亿美元的价值。2024年4月，Moderna与OpenAI合作，扩大了其AI努力，部署了企业版ChatGPT，并将其功能嵌入到从法律到研究的各种业务职能中。
在药物开发方面，德国制药公司默克集团（Merck KGaA）已与多家AI公司合作进行药物发现和开发。Exscientia作为使用AI进行药物发现的先驱，正与亚马逊网络服务（AWS）合作，进一步整合生成式AI药物设计与机器人实验室自动化。
面对日益激烈的竞争、更高的客户期望和不断增长的监管挑战，这些投资至关重要。然而，为了最大化其价值，领导者必须仔细考虑如何平衡范围、规模、速度和人机协作的关键因素。
连接数据的早期前景
跨行业的数据领导者，尤其是来自数据丰富生命科学组织的数据领导者，经常提到的一个问题是：“我的组织中有大量的数据，但需要这些数据的人却找不到它们。”AWS医疗保健和生命科学总经理Dan Sheeran表示，在复杂的医疗生态系统中，数据可能来自医院、药店、保险公司和患者等多个来源。“解决这一挑战意味着对所有现有数据应用元数据，然后创建工具来查找这些数据，模仿搜索引擎的便捷性。然而，在生成式AI出现之前，创建这些元数据非常耗时。”
ZS全球数字和技术实践负责人Mahmood Majeed指出，他的团队经常参与连接数据项目，因为“连接数据以实现全企业范围内的连接决策，可以创造差异化的体验。”他提到了赛诺菲（Sanofi）广为人知的案例，该公司通过其分析应用程序plai连接数据，简化了研究并自动化了耗时的数据任务。赛诺菲报告称，通过这项投资，研究过程从几周缩短到几小时，并有望在免疫学、肿瘤学或神经学等治疗领域提高20%至30%的目标识别率。
实现个性化收益
连接数据还使公司能够关注个性化的最后一英里体验。这包括定制与医疗保健提供者的互动，了解患者的个人动机、需求和行为。早期的个性化尝试依赖于“最佳下一步行动”或“最佳下一步参与”模型。这些传统的机器学习（ML）模型基于预设指南，建议现场团队与医疗保健提供者分享最适当的信息。
与生成式AI模型相比，更传统的机器学习模型可能不够灵活，无法适应个别提供者的需求，并且常常难以与其他数据源连接，从而提供有意义的上下文。因此，这些见解虽然有帮助，但有限。Sheeran指出，公司有机会改进其获取连接数据的能力，以改善决策过程，“因为这项技术是生成性的，它可以根据信号创建上下文。这位医疗保健提供者喜欢如何接收信息？我们可以从他们提出的问题中得出什么见解？他们的职业历史或过去的处方行为能否帮助我们提供更有针对性的答案？这正是生成式AI擅长的地方。”
此外，制药公司每年花费数百万美元来定制营销材料，必须确保内容被翻译、适应目标受众，并符合每个地点的产品和服务提供的法规。通常需要数周时间来开发单个资产的过程已成为生成式文本和图像的完美用例。通过生成式AI，这个过程从几周缩短到几分钟，并以更低的成本创造了竞争优势，Sheeran说。
逐步加速药物发现
或许，生命科学领域对AI的最大希望在于其使用特定生物学基础模型生成见解和知识产权的能力。Sheeran表示，“我们的客户已经看到了非常大的模型在加速药物发现和开发过程中的某些离散步骤的巨大潜力。现在，我们有更广泛的模型可用，而且还有更多针对其他离散步骤的模型即将推出。”
据Sheeran统计，大约有六个主要类别的特定生物学模型，每个类别包含5到25个正在开发或已可用的模型。由特定生物学模型生成的知识产权是一个重要考虑因素，得到了Amazon Bedrock等服务的支持，这些服务确保客户对其数据的控制，并提供透明度和保护措施，防止未经授权的保留和滥用。
通过范围、规模和速度在生命科学领域实现差异化
组织可以通过范围、规模和速度实现差异化，同时确定AI如何最好地增强人类的创造力和判断力。Majeed表示，“技术变得如此易于访问，无处不在。这意味着它本身不再是一种差异化因素。”他建议生命科学领域的领导者考虑以下几个方面：
范围： 我们是否锁定了正确的问题？通过明确表述相对于少数几个关键事项能够推动优势的问题，组织可以识别技术和业务合作者，并设定衡量成功和推动实际结果的标准。
规模： 当我们在大规模实施技术解决方案时会发生什么？优先级最高的AI解决方案应该是那些具有最大潜在成果的解决方案。规模决定了AI计划是否会对业务产生更广泛、更深远的影响，从而为更大的投资回报提供窗口，Majeed说。
通过从一开始就考虑规模的影响，组织可以明确预期的变化幅度以及实现目标所需的大胆程度。最坚定的规模承诺是当公司全力以赴AI，如赛诺菲所做的那样，设定目标以转型整个价值链，并从最高层设定基调。
速度： 我们是否准备好快速学习和调整方向？能够迅速从数据和AI实验中学习、根据这些学习进行调整并持续迭代的组织将是取得最多成功的组织。Majeed强调，“不要低估这一成分；这是大部分工作的所在。一个好的合作伙伴将帮助您快速取得胜利，保持团队的学习和动力。”
Sheeran补充道，“ZS已成为AWS的可信合作伙伴，因为我们的客户信任我们拥有正确的领域专业知识。像ZS这样的公司有能力专注于AI的正确用途，因为他们与医疗专业人员一起在实地工作，能够不断走在前沿，探索改善当前工作流程的最佳方式。”
以人机协作为核心
尽管生成式AI具有吸引力，但最终决定其使用方式的是人的因素。在某些情况下，传统技术表现更好，风险更小，因此了解其适用范围至关重要。通过在整个组织中培养广泛的技术和AI素养，领导者可以教育员工找到最强大的人机协作组合，以实现有效的技术解决方案。毕竟，正如Majeed所说，“这一切都是关于人——无论是客户、患者还是我们自己的员工和用户的体验。”
(全文结束)
