Biopharma 已经做好了心理准备，但尚未为 AI 集成做好准备

快速阅读: 《基因工程和生物技术新闻》消息，生物制药行业正积极拥抱AI以应对生产力下降和研发成本上升。尽管技术和文化准备尚需完善，AI作为辅助工具可提升效率、优化数据利用并降低成本。优时比制药高管呼吁加强员工培训、跨学科合作及与AI公司合作，以充分发挥AI潜力。

面对生产力下降和研发成本上升，整个生物制药行业都在寻找更高效的方法。拥抱人工智能（AI）是一个有吸引力的选择。然而，就像许多其他行业的公司一样，尽管生物制药领域的领导者和员工在心理上已经准备好接受AI，但他们并不一定为这种整合做好准备。整合受到几个因素的制约。文化认同仍在进行中，员工需要培训以有效融入工作，部分数据和计算基础设施需要优化或补充，**优时比制药**全球生物制药公司的执行副总裁兼首席科学官艾利斯特·亨利博士指出。因此，他说：“我们在一个层面上做好了准备，但在另一个层面上可能还没有准备好。”

### 采用AI的障碍
任何新技术都有好奇且技术熟练的人成为早期采用者，“但这些人不会推动文化变革。这必须来自高层，”亨利继续说道。因此，高级领导层有责任设定组织将利用新技术来增强其工作的预期。

能够有效将AI融入角色的人——例如，在生物学家和计算科学家之间架起桥梁的人——是不可或缺的。**安德雷斯/盖蒂图片社**提供的图片展示了这种跨学科合作的重要性。

监管接受度也是一个问题。通常，新技术的监管接受度落后于技术进步，而AI领域仍在探索中。不过，亨利强调说：“监管机构的职责在于确保安全与有效性。只要我们能做些什么加强数据包以提供清晰度并使他们能够适当评估产品……他们会欣然接受。”“他们像其他人一样正在拥抱AI，但（和其他人一样）他们不确定自己在拥抱什么。”

文化接受仍然是一个障碍，组织内的所有人都担心生成式AI将如何改变他们的工作。有些人怀疑几年后自己的角色是否还存在。“AI是一种辅助工具，而非替代工具，”亨利指出。“AI不会取代实验台科学家。”即使是博士后职位，他认为也是安全的。为什么？因为“我希望我的博士后能够思考。我仍然希望聪明的人去思考生物学，并从生成过程中获取输入来观察大局。”

在这种环境中，AI是一种增强，帮助实验台科学家提高效率。

### 数字劳动力
AI正在改变成功所需的技能。亨利强调说：“具备数字化能力的劳动力至关重要。”技能组合也需要灵活变化，以跟上技术创新的不断加速步伐。即便个人可能无法编写算法或完全理解AI应用如何得出结论，他们也需要了解AI使用对组织带来的价值和潜在风险。

能够有效将AI融入角色的人——例如，在生物学家和计算科学家之间架起桥梁的人——是不可或缺的。但没有人需要精通AI和自己的领域。“这就是为什么有团队，”他说，这些跨学科团队带来了价值。“通过这些合作，你会发现意想不到的内容，因为不同学科的人会提出不同的问题，引发不同的对话，”亨利指出。“这是非常重要的。”

### AI作为工具
尤为重要的是，整个组织需要提升员工的技能，以便他们有效地使用AI，理解其优势（例如对分散数据集进行全面分析以揭示多个项目的相关信息）以及AI的局限性。“它是基于你认为你知道的东西进行训练的，”亨利说。他补充说，目前组织中最缺乏的就是员工培训，这是他们需要优先考虑的。

因此，为当前的数字化转型做准备应集中在“培训、教育、文化和领导力”上。

目前，AI的采用似乎与组织规模有关。大型和中型生物制药组织已经在运营的更深层次上整合了AI，而小型生物技术公司可能已经在其发现计划中使用了AI，并正在努力寻找这项技术的更多好处。

### 不存在一刀切的方法
“AI没有一刀切的方法，”亨利解释说。“AI不像手机。它是一种计算方法，你必须以不同的方式应用于不同类型的数据集。有许多不同的AI版本。我们谈论机器学习，但也有很多不同类型的计算模型有不同的需求和复杂性，贯穿整个价值链的各个环节。”

艾利斯特·亨利博士与其试图自主研发AI应用，亨利建议“寻求与AI公司的合作。”一些AI赋能的应用程序可以现成获得，但专业程序通常是合作的结果。“技术发展如此迅速，公司需要合作伙伴。关键在于找到那些围绕特定问题开发方法论并构建基础设施的团队。”

### 在这个AI赋能的世界里
数据已成为一种资源。现在，任何单一数据集在项目和学科之间、从分子生成到假设生成、临床试验设计和制造的产品生命周期内都具有价值。因此，数据集必须组织得易于搜索、用于解决各种问题，并被企业范围内广泛访问。正如亨利所说：“AI让你可以使用原本可能被忽略的数据来指导其他项目。”

虽然他不能公开分享细节，但他表示在**优时比制药**做出这一改变“显著改变了我们的选择并增加了合成分子的数量。”他引用AI在帮助研究人员确定优先合成哪些分子方面的价值。由于它可以访问和分析所有数据而不是子集，科学家们可以通过更早地进行更有意义的实验来识别最具潜力的分子候选物并排除干扰项。这降低了成本和试验时间。

当与自动化结合时，AI还可以帮助制造变得更高效。例如，亨利建议使用AI来评估试剂的使用情况，以识别它们如何更高效地使用甚至回收，从而减少成本和环境影响。这看似矛盾，但海量数据实际上可能会阻碍创新。这就是当首次有可能积累后来被称为“大数据”时发生的情况。当被大量数据淹没时，选项呈指数级增长，创新者被可能性所淹没，往往无法在数据中看到和建立联系。“AI可以帮助他们根据数据进行优先排序，”他说。具体来说，例如，AI可以帮助研究人员从可能的50个实验中选出最有可能成功的5个，从而避免进行45个实验及其相应的时间和成本。

“限制资源驱动思维、创新和创造力，”亨利断言。“不是每个人都持有这种观点，但通过限制资源，人们被迫优先考量，所以他们必须更批判性地思考（项目）。”他强调，AI并非旨在取代批判性思维，而是旨在消除噪音，助力人们聚焦关键要素进行批判性思考。

要做到这一点，组织内的每个人都需要学会如何有效使用AI。

### 见解
人工智能自动化大数据生物制药机器学习

(以上内容均由Ai生成)