Novo Nordisk和AWS联手:代理AI负责加速药物开发
AWS将成为诺沃诺迪斯克公司的主要云提供商和战略AI合作伙伴. 伦敦的一个联合创新中心将侧重于应用AI代理来瞄准发现,治疗设计,以及关闭计算和实验室测试之间的循环.

Novo Nordisk和AWS的合作关系, 丹麦药材巨头正在扩大在药物发现中使用AI:制剂旨在帮助确定生物目标,设计疗法,以及自动研究过程.
云、科学和代理人:伙伴关系的实质
根据协议,AWS成为诺沃·诺迪斯克首选的云提供商和战略AI合作伙伴. 公司将慢性病研究与AWS的云基础设施和生命科学的AI服务相结合. 这意味着计算分析不再是一个单独的步骤——它被嵌入日常的科学工作之中.

伦敦联合创新中心
为了实际工作,公司在诺沃·诺迪斯克的伦敦办公室建立了联合创新中心. 在那里,Novo Nordisk的研发工作人员和AWS工程师,包括AI专家、应用科学家和专业服务团队将并肩工作。
中心的核心思想是减少计算分析和实验室研究之间的交接. 研究者们不会先花费很长的时间来建造模型,然后在实验室中进行测试,而能够更快地关闭"假象——计算——实验"循环. 公司表示,目标是缩短人类从目标识别到第一剂的路径.
从聊天机到科学情景
Novo Nordisk已经有使用基因AI的经验了,它相当广泛. 超过25,000名员工使用在亚马逊贝德罗克(英语:Amazon Bedrock)上建造的内部平台,该平台为超过2500个使用案例的聊天机器人提供主机. 这些大多是不受管制的程序:信息检索、文件编写和 参考函数。
一项主要部署工作涉及大约140 000份文件,每月处理26 000项请求。 在临床文件中,一个使用Anthropic的Claude 3.5模型的系统通过Amazon Bedrock将某些材料的准备时间缩短了90%以上. 在此之前,这项工作需要40-50人,可能长达15周;现在,一个三人小组在几分钟内处理这项工作。 重要的是,医疗专家仍然审查最后文件——因此,这是关于加速专门知识,而不是取而代之。

亚马逊生物发现:计算生物学和实验室反馈
新协议使协作远远超出内部助理。 关键创新是使用亚马逊生物发现(Amazon Bio Discovery),这是一种由AI模型和代理商带动的计算生物学和药物开发服务. 该平台提供了40多个生物模型的接入. 代理自行选择和协调特定任务的正确模型,组织可以在多步骤进程中将AWS模型与自己的专有模型连接起来.
Novo Nordisk计划利用这项服务确定潜在的药物目标、设计疗法和分析生物信息。 该平台可以在潜在药物候选者甚至到达实验室进行合成和测试之前产生并排位. 同时,实验结果可以反馈到计算过程——将加以改进的允许使用模型,并将计算机辅助药物设计与物理测试联系起来。
此外,根据协议,诺沃·诺迪斯克将使用亚马逊·贝德洛克(英语:Amazon Bedrock)来构建与临床,基因组,和成像数据相关的AI应用. 这样,早期研究成果可以直接影响未来临床试验的设计. 这是一个重要的转变:以前AI主要帮助员工;现在它被融入科学循环.
Agent Core:研究和业务过程中的代理人
伙伴关系的另一部分是亚马逊贝德洛克代理Core基础设施。 这是一个部署和管理AI代理的环境:他们可以与公司数据合作,与内部系统连接,并执行多步骤的工作流程. 诺沃·诺迪斯克还没有确切地 说明将在哪里使用Core探员 ,但计划将其部署在研究和操作过程中。
这是前一种使用模式的显著扩展:直到现在,该公司的基因化AI部署大多是针对雇员的。 现在,重点正在转向科学和实用的药物开发方案。 据澳大利亚妇女协会代表称,伙伴关系的目标是: 将剂性AI应用于药物发现,缩短发现时间,处理复杂的研究数据集,并将结果转化为具体的治疗领域。
来自前进部署工程师小组的AWS工程师将直接与诺沃·诺迪斯克团队合作,研究根据协议建造的系统. 伙伴关系并不局限于药物开发,不过:它扩展了诺沃·诺迪斯克与亚马逊的更广泛的关系,包括亚马逊药典,亚马逊广告,以及One Medical. 药材巨头也在AWS生态系统之外继续经营自己的AI项目.

常问问题
相关材料
所有材料
验证候选项比生成候选项更昂贵:对抗 LLM 漏洞搜索的诱饵
本文剖析了智能体缺陷搜索中的成本不对称:生成候选版本成本低廉,而通过可达性分析、执行和 PoC 对其进行确认却要耗费主要预算,因此可以将验证本身作为独立的防御目标。本文提出的 RedHerring 是一套针对代码仓库定制、带有隐藏证书的诱饵;在投入相同成本的情况下,它使 33 个 OSS-Fuzz 项目中发现的真实漏洞数量减少了 38.7–60.4%;即使提前告知智能体,降幅仍达 37.2%。
9 十一月 2026
通过 SQL 视图检查 LLM 幻觉,无需微调
这项研究考察了 LLM 能否运用一项基础的符号技能——根据源文档构建 SQL 数据库——在幻觉检测中实现无监督的来源归因。在 RAGTruth 和 DiaHalu 上,这种神经符号流程比直接预测更准确,且性能可与先进方法相媲美,无需针对特定领域进行微调。
9 十一月 2026
MathAdv:机器证明的最终准确率隐藏着什么
这套涵盖大学及研究生阶段 13 个数学分支的诊断性任务集,不仅根据最终结果评估 Lean 4 中的机器证明系统,还考察其学科知识、非正式推理质量以及对题目改写的适应能力。分项分析显示,将题目转化为形式化表达仍然是主要障碍,而成功与否在很大程度上取决于数学领域和题目的表述方式。
9 十一月 2026