诺和诺德与 Anthropic 的新合作，意味着 Claude 的应用将从文档处理、软件工作进一步延伸到科学研发。其看点不只在于节省行政时间，更在于这家大型药企正尝试让前沿生成式 AI 协助研究人员处理复杂的生物学推理问题，以改善药物早期发现阶段的决策速度与质量。1

最初会用在哪些地方？

诺和诺德计划先在由其科学家和计算团队界定的部分研发问题中，测试 Anthropic 的 Claude 模型及 Claude Science。公开表述的重点是药物发现和开发中的科学推理与生物学理解，而不是将研究决策整体交由 AI 作出。1

这一区分很重要：AI 可以成为研究人员的辅助工具，但候选靶点、实验设计与开发推进等关键判断，仍需由专业团队负责。

AI 可能带来的科学价值

理论上，这类模型可帮助科研人员梳理规模庞大、来源多样的生物医学证据；生成并比较假设；识别药物靶点、信号通路与实验结果之间的关联；并让研发流程更具迭代性。这代表潜在的生产率提升，并不等于 AI 已能独立发现安全、有效的药物。1

任何 AI 输出仍须经过实验复现、临床试验，以及符合监管要求的严格审查。真正的衡量标准不是模型生成了多少文字、代码或假设，而是它能否产出可重复、可验证的科学线索。

不只是科研：还将用于研发软件

合作也覆盖“智能体式”软件工程，即借助模型协助诺和诺德建设、维护和优化内部研发软件及数据工作流。若这些工具能更快完成验证和部署，其价值可能不止体现在某一项具体研究任务，而会放大整个研发体系的效率。1

既有案例提供了什么参考？

诺和诺德此前已使用基于 Claude 的系统自动生成临床研究报告等文档。Anthropic 所引述的一项工作流显示，临床研究文档的准备时间可从超过 10 周降至约 10 分钟；设备验证方案所需资源则减少了 95%。10

不过，这些是企业披露的运营效率结果，并不能直接证明药物获批更快，或临床治疗效果更好。文档自动化的显著提效，与新药研发成功率的提升之间，仍隔着实验、临床和监管等多重验证环节。

对制药行业意味着什么？

这项交易契合制药业更广泛的趋势：药企正加大对 AI 模型、专业科学工具和自动化实验室的投入，希望改善靶点发现、分子设计和临床试验规划的效率，并缓解研发成本和周期压力。6

但对行业而言，最有价值的检验依然是：这些系统能否稳定地产生经实验验证的候选线索，并带来可持续的研发周期改善，而非仅仅提升文本、代码或假设的产出量。

医疗潜力与 AI 治理的张力

这项合作宣布之际，AI 业界正就模型能力应以多快速度推进展开争论。Anthropic 首席执行官达里奥·阿莫代伊（Dario Amodei）、OpenAI 首席执行官萨姆·奥尔特曼（Sam Altman）及埃隆·马斯克支持协调放缓或更审慎地推进能力更强的系统；Meta 首席执行官马克·扎克伯格则倾向于以市场主导的保障措施应对风险。7

诺和诺德的合作恰好呈现了这层张力：前沿模型可能带来真实的医疗与科学收益，但能力提升也会同步带来滥用、可靠性、网络安全和治理方面的担忧。17

**结论是：**这是前沿 AI 进入真实药物研发场景的一次重要测试，但其医学意义尚未被证明。只有当诺和诺德展示出经验证的科学成果，以及可持续的研发周期改善时，这项合作的价值才会超越自动化指标。

诺和诺德与 Anthropic 的新合作，意味着 Claude 的应用将从文档处理、软件工作进一步延伸到科学研发。其看点不只在于节省行政时间，更在于这家大型药企正尝试让前沿生成式 AI 协助研究人员处理复杂的生物学推理问题，以改善药物早期发现阶段的决策速度与质量。1

最初会用在哪些地方？

诺和诺德计划先在由其科学家和计算团队界定的部分研发问题中，测试 Anthropic 的 Claude 模型及 Claude Science。公开表述的重点是药物发现和开发中的科学推理与生物学理解，而不是将研究决策整体交由 AI 作出。1

这一区分很重要：AI 可以成为研究人员的辅助工具，但候选靶点、实验设计与开发推进等关键判断，仍需由专业团队负责。

AI 可能带来的科学价值

理论上，这类模型可帮助科研人员梳理规模庞大、来源多样的生物医学证据；生成并比较假设；识别药物靶点、信号通路与实验结果之间的关联；并让研发流程更具迭代性。这代表潜在的生产率提升，并不等于 AI 已能独立发现安全、有效的药物。1

任何 AI 输出仍须经过实验复现、临床试验，以及符合监管要求的严格审查。真正的衡量标准不是模型生成了多少文字、代码或假设，而是它能否产出可重复、可验证的科学线索。

不只是科研：还将用于研发软件

合作也覆盖“智能体式”软件工程，即借助模型协助诺和诺德建设、维护和优化内部研发软件及数据工作流。若这些工具能更快完成验证和部署，其价值可能不止体现在某一项具体研究任务，而会放大整个研发体系的效率。1

既有案例提供了什么参考？

诺和诺德此前已使用基于 Claude 的系统自动生成临床研究报告等文档。Anthropic 所引述的一项工作流显示，临床研究文档的准备时间可从超过 10 周降至约 10 分钟；设备验证方案所需资源则减少了 95%。10

不过，这些是企业披露的运营效率结果，并不能直接证明药物获批更快，或临床治疗效果更好。文档自动化的显著提效，与新药研发成功率的提升之间，仍隔着实验、临床和监管等多重验证环节。

对制药行业意味着什么？

这项交易契合制药业更广泛的趋势：药企正加大对 AI 模型、专业科学工具和自动化实验室的投入，希望改善靶点发现、分子设计和临床试验规划的效率，并缓解研发成本和周期压力。6

但对行业而言，最有价值的检验依然是：这些系统能否稳定地产生经实验验证的候选线索，并带来可持续的研发周期改善，而非仅仅提升文本、代码或假设的产出量。

医疗潜力与 AI 治理的张力

这项合作宣布之际，AI 业界正就模型能力应以多快速度推进展开争论。Anthropic 首席执行官达里奥·阿莫代伊（Dario Amodei）、OpenAI 首席执行官萨姆·奥尔特曼（Sam Altman）及埃隆·马斯克支持协调放缓或更审慎地推进能力更强的系统；Meta 首席执行官马克·扎克伯格则倾向于以市场主导的保障措施应对风险。7

诺和诺德的合作恰好呈现了这层张力：前沿模型可能带来真实的医疗与科学收益，但能力提升也会同步带来滥用、可靠性、网络安全和治理方面的担忧。17

**结论是：**这是前沿 AI 进入真实药物研发场景的一次重要测试，但其医学意义尚未被证明。只有当诺和诺德展示出经验证的科学成果，以及可持续的研发周期改善时，这项合作的价值才会超越自动化指标。