罗氏公司大幅增加了对英伟达AI芯片的投资,推出了一个升级版的混合云AI工厂,该公司认为这是制药行业规模最大的AI基础设施。
这家瑞士集团购买了2176块英伟达Blackwell GPU,使其在美国和欧洲设施中的AI基础设施GPU总数超过3500块。这标志着自2023年以来与英伟达合作联盟的重大扩展。
合作的核心是"实验室循环"概念,即AI算法通过现实世界的实验结果在持续循环中得到完善和改进,旨在加速新诊断技术和治疗方法的开发。据罗氏表示,这种方法帮助科学家大规模测试假设,加速研究进展,并实现以往不可能的发现。
利用AI进行药物发现被誉为缩短候选药物选择时间、降低成本和提高成功率的方法,这得益于AI处理大规模数据集、发现模式并生成预测的能力,这些预测可以应用于新靶点发现和药物设计。
罗氏集团首席数字和技术官瓦法·马米利表示:"在医疗保健领域,时间是最关键的变量;每节省一天意味着改变生活的药物或诊断技术能够更早到达患者手中。我们的AI工厂将世界级的计算能力与罗氏的科学专业知识相结合,将AI嵌入整个价值链——从发现到开发、制造和商业化——改变我们提供下一代药物和诊断解决方案的方式。"
AI工厂还将支持在罗氏制造中使用"数字孪生"(生产线的虚拟复制品)来改进工艺和工厂设计,并支持开发数字病理学软件,从医学影像中获得洞察,以及基于"安全可靠的医疗级对话式AI"的数字健康工具。
英伟达已将自己定位为制药行业拥抱AI革命的重要合作伙伴,与罗氏的联盟与其他公司的战略级交易并列,包括2025年与礼来公司和诺和诺德签署的协议,其中礼来公司将在旧金山扩建一个价值10亿美元的协同创新实验室,该实验室将在未来几周内开放。
这家科技巨头的主要竞争对手超威半导体(AMD)也开始进军制药领域,部分原因是去年与Absci签署的合作协议。
罗氏旗下基因泰克研究与早期开发部门负责人阿维夫·雷格夫表示:"我们与英伟达合作的扩展以及这个AI工厂的启动进一步加强了我们在AI驱动药物发现和开发方面的领导地位。通过提供继续扩展我们实验室循环策略所需的大规模计算能力,我们的科学家可以构建更复杂的预测前沿模型,进一步缩短从生物学洞察到拯救生命药物的路径。"
Q&A
Q1:罗氏的AI工厂有什么特点和规模?
A:罗氏AI工厂是该公司认为制药行业规模最大的混合云AI基础设施,配备了超过3500块英伟达GPU,分布在美国和欧洲的设施中,其中新增了2176块英伟达Blackwell GPU。
Q2:什么是"实验室循环"概念?
A:"实验室循环"是罗氏AI工厂的核心理念,指AI算法通过现实世界的实验结果在持续循环中得到完善和改进,帮助科学家大规模测试假设,加速研究进展,实现以往不可能的发现。
Q3:AI工厂除了药物发现还有哪些应用?
A:AI工厂还将支持在制造中使用数字孪生技术改进生产工艺和工厂设计,开发数字病理学软件从医学影像中获得洞察,以及基于医疗级对话式AI的数字健康工具开发。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。