4月14日，诺和诺德与OpenAI(ChatGPT母公司)达成企业级战略合作，将AI从药物发现延伸至商业运营全链条;几乎同一时间，诺华CEO Vas Narasimhan加入Anthropic(Claude母公司)董事会，后者有望与诺华深度绑定。

从这两条最新动态入手，本文基于企业官方公告、媒体报道及高管公开发言，简要梳理10家跨国药企巨头们的核心行动与理念。需要说明的是，受限于信息可得性，本文并不能完整呈现任何一家企业的全部AI努力，亦不构成对企业战略的全面评价。他山之石，可以攻玉。希望本文能为国内制药企业的AI转型之路提供一个参照系。

以下按企业中文名称首字母排序。

艾伯维：数据融合平台ARCH驱动研发提速

艾伯维在AI领域的布局以“数据融合”为核心战略之一，通过构建行业领先的分析平台，将分散的数据资产转化为加速研发的核心驱动力，目标是让原本需要10-15年的药物开发周期缩短一半。

艾伯维研发的核心AI基础设施是名为“ARCH”(AbbVie R&D Convergence Hub)的分析平台。该平台利用前沿的AI和机器学习技术，集中并连接来自200多个内部和外部数据源的信息，使科学家能够访问和协同处理超过20亿个知识节点。通过将不同类型的数据(如基因组学、蛋白质组学、临床数据等)整合在一起，ARCH帮助科学家更快地解锁新知识、加速发现新药靶点并优化药物设计。

此外，艾伯维还将AI和机器学习能力系统性地应用于研发的多个关键环节，包括利用AI驱动的分析工具，挖掘数十年的历史数据，预测哪些临床试验中心能够快速启动并有效完成研究目标;创新性地应用数字健康技术，如生物传感器和可穿戴设备，实时收集真实世界数据，减轻了参与者负担的同时也为研究人员提供了更全面的数据;法规事务团队利用AI和自动化工具审查临床试验数据并准备提交给全球监管机构的申报资料，在缩短提交时间的同时保持高质量标准。

阿斯利康：AI临床的规模化领跑者，从实验室嵌入政府公卫系统

在制药行业竞相将AI应用于药物发现与开发的浪潮中，阿斯利康走出了一条差异化的道路：当多数竞争对手聚焦于优化内部研发管线时，阿斯利康已将AI临床技术嵌入国家医疗体系，实现了从实验室到患者床头的跨越。

阿斯利康在AI临床领域的领先地位，可以其在泰国的肺癌筛查项目为佐证。自2022年起，已有超过66万人在泰国接受了AI胸部X光工具的筛查，其中8%的案例检测出可疑肺部病变。2025年3月公布的CREATE研究数据显示，该工具的阳性预测值高达54.1%，远超20%的预设成功阈值。基于这一成果，泰国国家健康安全办公室已拨款超过4.15亿泰铢(三年预算)，将该技术推广至全国887家医院。这是AI临床技术在国家医疗体系层面的规模化部署。

与此同时，阿斯利康运营着超过240项全球临床试验，并已将生成式AI系统性地嵌入临床运营各环节，例如其“智能方案工具”节省的文档撰写时间高达85%;影像分析大幅削减放射科医生手动标注的时间;开创性地使用电子健康记录和历史试验数据模拟安慰剂组，从根本上重新思考临床试验设计，等等。

辉瑞：以AI文化重塑组织，特别重视数据质量

辉瑞在AI领域的布局不仅聚焦于技术应用本身，还强调通过组织文化的系统性变革，将AI能力内化为全员素养。2025年10月，辉瑞举办了第二届年度“AI节日周”(AI Festival Week)，涵盖横跨7个国家的54场活动，包括沉浸式实验室、主题演讲及无代码智能体工作坊。辉瑞首席AI和分析官Berta Rodriguez Hervas亲自带队，鼓励每一位员工成为AI实践者与创新催化剂。

在战略层面，辉瑞于2026年1月先后宣布两项合作：与Boltz公司合作，将其生物分子AI基础模型应用于辉瑞的历史研发数据;与Cartography Biosciences公司达成多年协议，利用其ATLAS和SUMMIT平台发现肿瘤选择性抗原，以推进肿瘤学项目。这些合作凸显了辉瑞在应对专利到期和新冠产品需求下滑的营收压力之际，正利用先进的AI和精准肿瘤学工具提升内部管线的生产力。

辉瑞首席数字和技术官Lidia Fonseca在与Scale AI及Mistral AI等科技领袖的对话中反复强调一个主题：高质量、相关的数据才是AI能力的真正驱动力。硬件和模型虽占据头条，但优先策划、标注和更新数据的组织才能释放AI的全部潜力。在流程繁重的制药行业，自动化复杂工作流已显著节省了时间。

礼来：构建开放生态，与英伟达共建“超级AI”

礼来在AI领域的布局呈现出双线并进的态势：一方面利用生成式AI解决特定的药物研发难题，同时构建生态合作共享;另一方面则通过构建超级计算基础设施，从战略层面寻求对传统制药行业周期的突破。

2025年9月，礼来宣布将开放其内部AI模型(通过TuneLab平台)，供小型Biotech公司免费使用，以加速药物研发进程。TuneLab专注于药物研发中从早期发现到临床候选药物提名之间的中间阶段，当时可提供 12 个机器学习模型用于预测小分子的体外特性，即吸收、分布、代谢、排泄和毒性(ADMET)，以及 6 个用于抗体可开发性特性的模型，如热稳定性、溶解性和粘度。这些模型与礼来科学家在公司实验室中使用的模型相同。作为交换，与礼来合作Biotech将提供数据帮助训练模型，以增加模型中所代表候选药物的多样性。

更具战略意义的是礼来与英伟达的合作。2026年2月，礼来启用了名为“LillyPod”的行业最强超级计算机，并承诺投入10亿美元在湾区建立AI联合创新实验室。礼来高管坦言，此举背后的核心驱动力是“焦虑”——即对传统制药行业因专利悬崖而经历剧烈周期波动的担忧。公司希望通过AI技术，特别是与英伟达顶尖模型开发者的深度合作，帮助礼来“逃离”(break out)传统生命周期，在凭借替尔泊肽登上业绩巅峰之时，提前为未来构建新的创新支柱。

罗氏：打造制药行业最大“AI工厂”，覆盖全生命周期

罗氏在AI领域的布局以“规模”和“全链嵌入”为鲜明特征。通过大规模投资超级计算基础设施，罗氏正将AI能力从研发延伸至诊断、生产和商业化，构建一个AI加速的医疗健康组织。

2026年3月，罗氏宣布大幅扩展其全球AI基础设施，部署了由英伟达最新一代Blackwell GPU驱动的超大规模AI工厂。此次新增2,176块GPU，使罗氏在本地和云端的总GPU数量超过3,500块，成为制药行业已公布的最大GPU基础设施。

罗氏的AI工厂并非孤立于研发部门，而是嵌入整个企业价值链：研发领域，英伟达BioNeMo平台强化了罗氏的“实验室-循环”策略，将生物学和化学实验与AI模型连接，帮助科学家大规模验证假设;生产领域：基于英伟达Omniverse库构建的“数字孪生”系统，使工程师能够优化生产线和工厂设计;诊断领域：加速计算和英伟达Parabricks软件支持对海量数据集的深度分析，如扫描大量图像以检测细微的疾病模式，等等。

此外，罗氏还设立了名为“aiR”(AI with Roche)的协作平台，致力于通过与领先学术机构的开放交流推动医疗健康领域的AI研究。aiR与amii、Mila及Vector Institute等顶尖AI研究机构建立合作，依托多元化的AI生态系统，以患者、医疗服务提供者和AI社区共同组成的学习型健康系统为基石，推动早期数据洞察转化为惠及患者的实际成果。

默克/默沙东：AI写临床研究报告，携手梅奥医学中心布局精准医学，也用在偏差管理

默克(Merck，在美国与加拿大以外称为默沙东MSD)在AI领域的探索呈现出“内部提效”与“外部合作”双轮驱动的特点，代表性的例子是临床开发中的关键瓶颈和数据驱动的精准医学。

2025年6月，默克宣布推出内部生成式AI平台，旨在将临床研究报告首份草稿的撰写时间从传统的2-3周缩短至3-4天。在实际应用中，该平台将一份经人工全面审核的CSR首稿所需时间从平均180小时降至80小时，同时将数据、术语及格式等方面的错误率降低了50%。该平台由超过80名跨学科专家共同开发，通过集成大语言模型与先进的表格预处理技术，能够在短短五分钟内生成高质量初稿。

2026年2月，默克与梅奥医学中心达成战略研发合作，旨在利用AI、高级分析技术和多模态临床数据支持药物发现与开发。该合作将使默克能够整合梅奥医学中心平台去标识化的临床数据、基因组数据集及生物样本库，初始将聚焦于炎症性肠病、特应性皮炎和多发性硬化症三个高需求治疗领域。默克董事长兼CEO表示，通过整合高质量临床数据与AI赋能的洞察，旨在提高靶点识别准确度和项目成功率。这也是梅奥医学中心首次与大药企开展战略层面的大规模合作。

在生产质量环节，默克利用亚马逊云服务的Amazon Bedrock和Amazon OpenSearch等服务，探索应用生成式AI改进偏差管理流程。该创新方法将企业过往的偏差记录作为庞大、多样且可靠的知识库，通过向量数据库和生成式AI技术，帮助质量团队在处理新偏差时快速检索相似历史案例并借鉴经验，从而减少调查所需的时间和资源。

诺华：加入Claude董事会，与牛津合作AI应用，内部以人为本

就在近日，AI巨头Anthropic(Claude母公司)邀请诺华CEO Vas Narasimhan加入其董事会。与此同时，诺华与牛津大学大数据研究所建立了长期大规模合作，将牛津在统计机器学习与AI领域的学术专长，与诺华在药物发现与开发中的实际应用问题及其过去20年积累的高质量多发性硬化症临床试验数据库相结合，旨在深化对疾病进展的理解并改进未来疗法。

除了与技术和学界合作，诺华在AI领域的探索展现出一种鲜明的人文主义底色。诺华开发团队AI负责人Max Lawson明确表示：“关于AI，我们学到的最重要一点是，AI其实与技术无关。拥有‘最好’技术的公司不一定会赢。AI关乎的是人——他们如何接纳它，它如何帮助他们做出更聪明的决策。”

Lawson介绍，诺华的AI战略都建立在“增强员工能力”的基础之上，旨在帮助团队在其已精通的工作中变得“超级智能”，而非取代他们。在诺华，AI并非孤立运行于后台的冰冷工具。AI专家、生物学家、化学家、临床医生及运营人员“坐在一起，相互挑战，彼此成就”。Lawson将这种模式描述为一个“持续、高能量的发现、开发和学习的循环”：AI正在“超级赋能”(supercharging)开发团队，而团队也在“超级赋能”AI——这是一种伙伴关系，而非替代关系。当实验室和全球运营中产生的海量数据进入云端，AI团队与开发团队携手应用模型，帮助研究人员做出更优决策、加速流程、发现无法独自获得的洞见，而这些知识又回流至研发环节，形成正向循环。

诺和诺德：与OpenAI达成企业级合作，全生命周期部署AI

诺和诺德成为又一家与AI巨头深度绑定的制药企业。不同于许多公司的局部试点，诺和诺德选择与ChatGPT母公司OpenAI建立覆盖全企业的战略合作，目标是将AI“从药物发现到商业运营”进行全球性整合。

根据4月14日公布的协议，诺和诺德将利用AI分析复杂数据集、识别有前景的药物候选分子，并大幅缩短整体研发周期。公司CEO Mike Doustdar表示，AI的整合使其能够以前所未有的规模分析数据、识别隐藏模式并更快验证假设，从而更快地将新疗法推向市场。

除了研发环节，此次合作还将寻求在生产制造、供应链及企业职能部门中提升效率。诺和诺德强调，该合作将采用严格的数据保护措施并保留人工监督，以确保AI应用的伦理合规性。

强生：从“百花齐放”到精耕细作的务实AI战略

强生在AI领域的探索历程，为整个制药行业提供了一个极具参考价值的案例：如何从广泛试错走向聚焦价值。

像许多拥抱生成式AI的企业一样，强生在初期采取了鼓励广泛探索的策略。公司内部涌现出近900个独立的AI用例，涵盖商业、供应链、研发等各个职能部门。强生首席信息官Jim Swanson将此形象地称为“百花齐放”(“thousand flowers” approach)。这一阶段旨在让员工学习并测试这项新技术，为后续的规模化应用积累经验。

然而，经过约一年的学习与追踪，强生发现了一个关键规律：仅有10%-15%的用例贡献了约80%的价值，大量用例存在重复或实际效果不佳，甚至有些场景下非生成式AI技术反而表现更优。基于这一洞察，强生果断调整战略，取消了集中式的AI治理委员会，将审批权下放至各业务职能部门(如商业、供应链、研发)，由其自行判断哪些用例真正驱动价值，并据此关停、合并冗余项目，将资源集中到高价值用例上。

经过精炼，几个成功的用例脱颖而出。其中，“销售代表副驾驶”(Rep Copilot)通过AI教练帮助医药代表更专业地与医疗专业人士沟通新疗法，目前已从创新药板块扩展至医疗科技板块。一个内部聊天机器人则整合公司政策与福利信息，旨在减少员工每年约1000万次的服务台交互。在研发端，强生正在探索利用生成式AI帮助研究人员寻找在药物结晶过程中添加溶剂的最佳时机，并在供应链中利用AI识别和缓解原材料短缺等风险。

赛诺菲：CEO亲自挂帅，强调“不要将AI革命外包”

在赛诺菲CEO Paul Hudson看来，AI不是可以交给首席数据官(CDO)去处理的技术项目，而是一场需要CEO亲自掌舵的深刻变革。他的核心信条简洁而有力：不要将AI革命外包。

在2025年7月份接受麦肯锡访谈时，Hudson称其为赛诺菲设定的路径是“沿着公司价值链端到端地推进AI”。Hudson坦言，他这一代CEO擅长“委托”。他生动描述了典型的“委托”场景：会议上听说某个AI突破，下一次会议追问进展时，得到的回复往往是“我们已委托给CDO了”、“我们想自己建”、“我们更愿意留在受保护环境中”——这些“公司行话”的真实含义是：“我们毫无头绪，老板，我们很尴尬，拿不出东西给您看。”

回顾赛诺菲的AI之旅，Hudson坦承两个遗憾：一是早期项目“过于保守”，只是用AI替换现有系统;二是低估了内部的“阻力运动”。大型组织中引入任何新的工具，人们会想尽办法拖延，甚至让事情停滞不前，好争取时间思考这些变化会对自己产生什么影响。Hudson为刚刚开始探索智能体式AI的CEO们提出了三条建议：首先，确保自己对AI和智能体有基本的理解;其次，建立一个跨职能的“AI俱乐部”，定期聚会分享各自如何用AI颠覆自身职能;最后，不要低估所需的个人精力投入。

赛诺菲的AI实践已产生可量化的业务影响。Hudson透露，去年公司实现了“实时”的业务洞察，不等预算周期就重新部署了近十亿欧元。利用AI，公司将缺货率降低了80%(相当于近十亿欧元)，并将资产利用率提升了超过十个百分点。赛诺菲与OpenAI、Formation Bio等外部伙伴深度合作，但采取了一种反直觉的策略：不要求排他性。Hudson坚信，赢得AI革命的关键不在于谁拥有某个算法或应用，而在于“谁能比其他人执行得更好”。