人工智能领域的领军企业OpenAI近日宣布与诺和诺德公司建立新的合作关系,旨在推动制药行业的研究进程。
此次合作范围广泛,OpenAI的智能体将被深度整合至诺和诺德的各项业务流程中,涵盖从实验室药物研发到商业配送等各个环节。
根据合作协议,诺和诺德将获得OpenAI最前沿模型的使用权限。该合作的核心目标是借助AI技术快速处理海量数据集——这些数据集过去往往让研究人员耗费数周时间,同时自动化处理企业内部其他重复性工作,从而帮助员工以更高效的方式开展工作。
诺和诺德表示,此次合作将有助于应对生命科学行业最紧迫的挑战之一,即需要处理的生物数据量极为庞大。该公司专注于研发针对肥胖症、糖尿病等慢性病的药物,然而筛选出最具潜力的分子以开发更有效的治疗方案,是一个耗时数年、耗资数十亿美元的漫长过程。
通过利用AI在基因组学、生物学及临床试验数据集中挖掘隐藏规律,诺和诺德希望大幅压缩药物研发周期。其核心思路是借助AI模拟通常需要在实验室中进行的实验,从而在实物样品尚未制备之前,就能预测药物的疗效。
诺和诺德总裁兼首席执行官Mike Doustdar表示,全球数百万慢性病患者正在期盼能够改变他们生活的新疗法问世。"将AI融入日常工作,让我们能够以过去无法实现的规模分析数据集,"他说道,"我们能够发现此前无法察觉的规律,以前所未有的速度验证假设。这意味着我们能够更快地发现新疗法,并更快地将其推向市场。"
双方强调,此次合作不仅仅是一项软件交易。OpenAI将直接与诺和诺德员工合作,培训他们充分运用AI技术的能力。此举旨在全面提升员工的"AI素养",使各个部门都能够构建并使用定制化工具。
除利用AI分析数据以筛选最具潜力的候选药物外,诺和诺德还将把该技术应用于生产制造、供应链及配送环节,力争缩短药品到达患者手中所需的时间。为确保基于AI做出的决策符合伦理标准且准确可靠,双方表示将共同建立严格的数据治理框架,并纳入人工监督机制。
此次合作将首先在诺和诺德的研究、开发及生产部门启动一系列试点项目。若试点成效良好,OpenAI的模型有望在年底前与其全球整体业务实现全面整合。
OpenAI首席执行官Sam Altman表示,此次合作的目标是帮助人们活得更健康、更长寿。"与诺和诺德的合作将帮助他们加速科学发现,实现更智能的全球运营,并重新定义未来的患者护理方式。"
Q&A
Q1:OpenAI与诺和诺德的合作具体包含哪些内容?
A:此次合作范围广泛,OpenAI的智能体将被整合进诺和诺德的研发、制造、供应链及配送等多个业务流程。诺和诺德将获得OpenAI最前沿模型的使用权,用于处理海量生物数据、筛选候选药物,同时OpenAI还将直接培训诺和诺德员工的AI使用能力,并计划在年底前实现全球业务的全面整合。
Q2:AI技术如何帮助加速药物研发?
A:AI可以快速分析基因组学、生物学及临床试验等大规模数据集,挖掘人类研究人员难以发现的隐藏规律,并模拟通常需要在实验室进行的实验,从而在实物样品制备之前就预测药物疗效。这有助于大幅压缩过去耗时数年、耗资数十亿美元的药物研发周期,让新疗法更快进入市场。
Q3:此次合作如何保障AI决策的安全性与准确性?
A:OpenAI与诺和诺德将共同建立严格的数据治理框架,并在AI决策流程中引入人工监督机制,以确保基于AI做出的决策符合伦理标准并保持准确性。此外,合作将先从试点项目起步,验证效果后再逐步推广至全球整体业务。
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。