ChatGPT، Claude أم Gemini؟ كيف تعيد شركات الأدوية الكبرى تشكيل بنيتها التقنية للذكاء الاصطناعي

مقدمة

العلاقة بين الذكاء الاصطناعي وأبحاث الأدوية تشهد تحولاً جذرياً.

لسنوات، كانت أبرز عمليات التعاون في مجال تطوير الأدوية المعتمد على الذكاء الاصطناعي تقتصر على الشركات المتخصصة التي تركز على تحديد الأهداف الجزيئية، والتنبؤ بتركيبات البروتينات، وتوليد الجزيئات، والفحص الافتراضي، أو أتمتة المختبرات. كما اعتمدت المجموعات الدوائية بشكل كبير على مزودي الخدمات السحابية وشركات الرقائق ومنصات البيانات لتوفير البنية التحتية لهذه المشاريع.

أما الآن، فمجموعة ثانية من المزودين تتغلغل في أعماق هذه الصناعة. لم يعد يُنظر إلى OpenAI وAnthropic وGoogle مجرد مزودين لروبوتات الدردشة العامة أو المساعدين المكتبيين. بل أصبحت نماذجها تدخل مجالات البحث العلمي، والتطوير السريري، والكتابة الطبية، والشؤون التنظيمية، والبرمجة، وتحليل البيانات، والتحقيقات الإنتاجية، واتخاذ القرارات المؤسسية.

ونتيجة لذلك، لم يعد السؤال الاستراتيجي الذي تواجهه شركات الأدوية هو "أي روبوت محادثة يجب أن يستخدمه الموظفون؟"

السؤال الحقيقي هو:

ما هي المجموعة المتكاملة من النماذج، أنظمة البيانات، الأدوات العلمية، ضوابط الأمان، وعمليات المراجعة البشرية التي يمكن أن تشكل طبقة ذكاء موثوقة للشركة؟

نظرة عامة على الشراكات الرائدة في الذكاء الاصطناعي لشركات الأدوية الكبرى

في تحليل أجرته Big Pharma Sharma في مايو 2026، تم تتبع 27 شراكة استراتيجية مؤكدة تشمل 21 شركة أدوية كبرى وثلاثة أنظمة بيئية رائدة في الذكاء الاصطناعي: OpenAI وAnthropic وGoogle Gemini.

أفادت مجموعة البيانات بالتوزيع التقريبي التالي:

الاكتشاف	النتائج المبلغ عنها
الشراكات المؤكدة التي تم تتبعها	27
شركات الأدوية الكبرى المعنية	21
الشراكات التي تشمل Anthropic	حوالي 52%
الشراكات التي تشمل OpenAI	حوالي 41%
الشراكات التي تشمل Gemini	شراكتان
الشركات المتعاونة مع كل من OpenAI وAnthropic	6 شركات على الأقل
الشراكات التي تشمل الأبحاث أو الاكتشاف	حوالي 82%

يمكن اعتبار هذه البيانات لقطة سوقية، لكنها ليست إحصاءً رسمياً لجميع مشاريع الذكاء الاصطناعي الدوائية. المشاريع التجريبية الخاصة، والعقود السحابية، ونشر النماذج الداخلية، والتعاون في النماذج المتخصصة، والتجارب غير المعلنة قد لا تكون مشمولة في مجموعة البيانات.

كما لا تعني هذه الأرقام أن صناعة الأدوية قد انقسمت بوضوح إلى معسكرات OpenAI ومعسكرات Claude ومعسكرات Gemini.

النمط الأكثر أهمية هو التجريب متعدد النماذج. الشركات الكبرى تختبر أنظمة مختلفة لمهام مختلفة، بينما تبني في الوقت نفسه ركيزة تقنية أوسع حول البيانات الخاصة، أدوات التحقق، صلاحيات المؤسسات، والإشراف البشري.

شركات الأدوية الكبرى تختار البنية التحتية، وليس مجرد نافذة محادثة

بالنسبة للمستخدمين الأفراد، يمكن استخدام النماذج الرائدة في الكتابة والبحث والتلخيص والعصف الذهني أو البرمجة.

أما النشر في البيئات الدوائية فله متطلبات إضافية.

قد يحتاج النموذج إلى:

• العمل في بيئة خاضعة لسيطرة المؤسسة
• الالتزام بصلاحيات الوصول المستندة إلى الأدوار للبيانات الحساسة
• الاتصال بقواعد البيانات البحثية الداخلية ومستودعات الوثائق
• استخدام أدوات علمية وإحصائية مُعتمَدة
• الاحتفاظ بالمصادر ومعلومات الإسناد
• إنتاج مخرجات قابلة للمراجعة
• تسجيل الإجراءات التشغيلية لتلبية متطلبات التدقيق
• دعم سير العمل الامتثالي
• رفع القرارات غير المؤكدة أو عالية التأثير إلى خبراء مؤهلين

وهذا يؤدي إلى تشكيل ثلاثة مستويات على الأقل من التبني.

المستوى الأول: تعزيز الإنتاجية المؤسسية

في هذا المستوى، تفتح الشركة إمكانية الوصول إلى مساعد الذكاء الاصطناعي لعدد كبير من الموظفين.

تشمل حالات الاستخدام النموذجية:

• استرجاع المعرفة الداخلية
• تلخيص المستندات الطويلة
• صياغة التقارير
• إنشاء الأكواد البرمجية
• إعداد العروض التقديمية
• مراجعة وثائق السياسات
• دعم العمل المعرفي اليومي

كانت شركة Moderna رائدة في هذا النموذج. فقد تعاونت مع OpenAI منذ عام 2023، وأنشأت أولاً المساعد الداخلي mChat، ثم نشرت ChatGPT Enterprise لآلاف الموظفين عبر الأقسام المختلفة.

واتخذت شركة Bristol Myers Squibb نهجاً واسعاً مماثلاً في عام 2026، حيث أعلنت عن نشر Claude في أقسام البحث والتطوير السريري والتصنيع والتسويق والوظائف المؤسسية، ليغطي أكثر من 30,000 موظف ويتصل بآلاف مصادر البيانات الداخلية.

المستوى الثاني: دمج الذكاء الاصطناعي في سير عمل محدد

يتجاوز هذا المستوى مفهوم المساعد العام.

يتم دمج النماذج في عمليات محددة، مثل:

• إعداد تقارير الدراسات السريرية
• توليد المستندات التنظيمية
• دعم تصميم البروتوكولات
• تحليل بيانات التجارب
• عمليات استقطاب المرضى
• المعلوماتية الحيوية
• التحقيق في انحرافات الإنتاج
• الكتابة الطبية والعلمية

في هذه المرحلة، لم يعد نظام الذكاء الاصطناعي مجرد أداة لتحسين كفاءة الكتابة، بل أصبح جزءاً لا يتجزأ من سير العمل بحد ذاته.

للتشغيل الفعال، يلزم توفر: قوالب معتمدة، استرجاع موثوق للمصادر، مخرجات منظمة، التحكم في الإصدارات، فحص الجودة، ومراجعة الخبراء.

المستوى الثالث: منصة ذكاء تغطي دورة البحث والتطوير بأكملها

هذا المستوى عبارة عن منصة وكيلة يمكنها تنسيق أدوات ومصادر معلومات متعددة.

يمكن للوكيل تنفيذ الإجراءات التالية:

1. تحليل الأهداف البحثية أو التجارية
2. تقسيم الهدف إلى مهام فرعية
3. استرجاع الأدلة الداخلية والخارجية
4. استدعاء قواعد البيانات أو البرامج العلمية أو الخدمات المؤسسية
5. إجراء العمليات التحليلية
6. توليد المخرجات
7. التحقق من جودة النتائج
8. تقديمها للمراجعة البشرية

يُظهر التعاون طويل الأمد بين شركة Merck وGoogle Cloud هذا الاتجاه. هذه الشراكة التي تبلغ قيمتها مليارات الدولارات تهدف إلى نشر منصات وكيلة عبر Gemini Enterprise في مجالات البحث والتطوير والتصنيع والعمليات التجارية والوظائف المؤسسية.

في هذا المستوى، لم يعد محور المنافسة هو العلامة التجارية التي تظهر في علامة تبويب المتصفح، بل أي منصة يمكنها تنسيق سير العمل العلمي والتشغيلي الجديد للمؤسسة.

لماذا حصل Claude على الأسبقية في مشهد الشراكات

تحتل Anthropic الحصة الأكبر بين الشركاء

في بيانات مجموعة Big Pharma Sharma.

هذا التموضع المبكر يتماشى مع استراتيجية Claude المؤسسية وقطاع علوم الحياة.

عادةً ما تحتاج فرق الأدوية إلى نموذج يمكنه التعامل مع:

• المستندات السريرية والتنظيمية الطويلة
• الكتابة العلمية المنظمة
• سير عمل البرمجة وتحليل البيانات
• التعليمات التشغيلية التفصيلية
• الأدلة مع روابط المصادر
• ضوابط الأمان المؤسسية
• عمليات قابلة للتكرار والتدقيق

هذه الاحتياجات تتناسب بشكل كبير مع تموضع Anthropic لـ Claude.

إصدار Claude لعلوم الحياة

أطلقت Anthropic في عام 2025 إصدار Claude لعلوم الحياة، مضيفة تكاملات وموصلات للمنصات العلمية ومصادر المعلومات.

تشمل الخدمات المعلنة في هذا النظام البيئي:

• Benchling
• PubMed
• BioRender
• 10x Genomics
• Synapse.org
• Wiley Scholar Gateway
• ClinicalTrials.gov
• Medidata

الهدف هو جعل Claude أقرب إلى أدوات العلماء الحالية، بدلاً من مطالبتهم بنسخ النصوص يدوياً لكل مهمة.

وسعت Anthropic هذا النهج في عام 2026 بإطلاق Claude للعلوم. وهي منصة عمل علمية تدمج أدوات البحث والموارد الحاسوبية والمخرجات القابلة للتدقيق.

Bristol Myers Squibb: استخدام Claude كطبقة ذكاء مشتركة

أعلنت شركة Bristol Myers Squibb في مايو 2026 عن اتفاقية استراتيجية مع Anthropic.

وذكرت الشركة أنه سيتم نشر Claude Enterprise في عملياتها العالمية، بما في ذلك:

• الأبحاث
• التطوير السريري
• التصنيع
• الوظائف التجارية
• الوظائف المؤسسية

وصفت Bristol Myers Squibb Claude كمنصة ذكاء مشتركة، وليس كتطبيق أحادي الاستخدام. الهدف هو ربط الموظفين والوكلاء بالبيانات الداخلية، مع إنشاء طبقة تفاعل مشتركة عبر سير العمل المختلفة.

تساعد هذه الاتفاقيات في تفسير عدد شركاء Anthropic. لا يُباع المنتج كواجهة برمجة تطبيقات (API) للنموذج فحسب، بل كبيئة مؤسسية آمنة وأداة برمجة وإطار وكيل وواجهة معرفية.

NovoScribe تظهر قيمة الذكاء الاصطناعي في المستندات الخاضعة للرقابة

NovoScribe من Novo Nordisk هو أحد أوضح الأمثلة على استخدام Claude في سير عمل المستندات الخاضعة للرقابة.

يجمع هذا النظام بين:

• نموذج Claude
• أكواد Claude
• التوليد المعزز بالاسترجاع
• نصوص معتمدة من الخبراء
• متغيرات خاصة بالحالة
• Amazon Bedrock
• MongoDB Atlas
• مراجعة بشرية

أفادت Anthropic أن المستندات السريرية التي كانت تحتاج سابقاً إلى أكثر من عشرة أسابيع، أصبحت تُنجز عبر هذه المنصة في حوالي عشر دقائق.

هذا الرقم هو نتيجة حالة أبلغت عنها الشركة، وليس ضماناً لكل مستند سريري. ومع ذلك، يُظهر سير العمل هذا سبب جاذبية نماذج اللغة الكبيرة في الكتابة التنظيمية.

التقارير السريرية والمستندات المرتبطة بها عادةً ما تكون:

• طويلة جداً
• عالية التنظيم
• متكررة في التنسيق
• معتمدة على البيانات المصدرية
• تستخدم مصطلحات موحدة
• تخضع لمراجعة واسعة النطاق
• تتطلب ربط الاستنتاجات بالمصادر

يمكن للنماذج المساعدة في استخراج المعلومات، وإنشاء المسودات الأولية، والتنسيق، والتحقق من الاتساق. بينما يظل الحكم العلمي والمسؤولية التنظيمية والموافقة والمسؤولية النهائية على عاتق المهنيين المؤهلين.

هذا تمييز مهم. النجاح المبكر لـ Claude

في قطاع الأدوية لا يثبت بالضرورة تفوقه في اختراع أدوية جديدة. ما يثبته هو أن Anthropic

تم تحديد سير العمل المؤسسي الذي يمكنه قياس القيمة بسرعة: الترميز، توليد المستندات، استرجاع المعرفة، والتحليل المنظم.

OpenAI تتوسع من الذكاء الاصطناعي العام للمؤسسات إلى نماذج علوم الحياة

مسار OpenAI إلى صناعة الأدوية يختلف قليلاً.

مزاياه المبكرة جاءت من:

• الإلمام العام بـ ChatGPT بين الموظفين.
• النشر على مستوى المؤسسات.
• النظام البيئي الواسع للمطورين.
• تطبيقات GPT المخصصة.
• أدوات داخلية قائمة على API.
• قدرات عامة في الترميز والاستدلال.

Moderna: اعتماد الذكاء الاصطناعي على مستوى الشركة بالكامل

بدأت Moderna التعاون مع OpenAI في عام 2023.

أنشأت الشركة في البداية روبوت محادثة داخلي يُسمى mChat. ثم قامت بتوسيع استخدام ChatGPT Enterprise عبر وظائف الأعمال المختلفة، وشجعت الموظفين على بناء GPTs مخصصة للمهام المتكررة.

هذا نموذج إنتاجية من القاعدة إلى القمة. يمكن لموظفي فرق البحث والتطوير، الشؤون القانونية، التصنيع، التجارة، والإدارة تحديد حالات الاستخدام عالية التكرار وإنشاء مساعدين داخليين حولها.

الفائدة هنا هي التجربة الواسعة. أما المخاطرة فتكمن في احتمال التجزؤ إذا قام كل قسم ببناء أدوات دون حوكمة موحدة، معايير تقييم، أو ضبط للبيانات.

Sanofi و Formation Bio و OpenAI

أعلنت Sanofi في عام 2024 عن تعاون مع OpenAI و Formation Bio لتطوير برمجيات للذكاء الاصطناعي تخص اكتشاف الأدوية.

يتكامل في هذا التعاون:

• بيانات Sanofi الخاصة وخبرتها الدوائية.
• نماذج OpenAI وقدرات الذكاء الاصطناعي.
• الهندسة التقنية ومنصة تطوير الأدوية من Formation Bio.

أطلقت هذه الشركات لاحقًا Muse، وهي أداة تهدف لدعم تجنيد المرضى في التجارب السريرية.

هذا يمثل انتقالًا من المساعدة العامة للموظفين إلى سير عمل واضح لتطوير الأدوية.

GPT-Rosalind: خط إنتاج خاص بعلوم الحياة

أطلقت OpenAI في عام 2026 سلسلة نماذج GPT-Rosalind، المصممة خصيصًا لأبحاث علوم الحياة.

يهدف هذا النظام إلى الاستدلال في المجالات التالية:

• علم الأحياء.
• اكتشاف الأدوية.
• هندسة البروتينات.
• الكيمياء.
• علم الجينوم.
• الأدلة العلمية.
• أدوات البحث.
• سير العمل التجريبي.

كما طورت OpenAI إضافات وعارضات علمية خاصة بعلوم الحياة لسير عمل مثل تحليل الأدبيات، التسلسل من الجيل التالي، تحليل الخلية الواحدة، ومراجعة الهياكل الجزيئية.

يمثل GPT-Rosalind تحولًا استراتيجيًا.

لم تعد OpenAI تقدم فقط مساعدًا مؤسسيًا عامًا لشركات الأدوية. إنها تبني سلسلة نماذج مستقلة، إطار تقييم، طبقة أدوات، وبرنامج وصول مُتحكم به لأبحاث علوم الحياة.

نتائجها الخاصة من LifeSciBench تشير أيضًا إلى أن الحذر لا يزال ضروريًا. يعتبر GPT-Rosalind الأفضل بين مجموعة النماذج التي تم تقييمها، لكن معدل النجاح الإجمالي في المهام بعيد عن الكمال، خاصة في الأعمال التي تتطلب قطعًا أثرية وتصميمات صارمة وعمليات مقيدة.

يمكن للنماذج المتخصصة تحسين الأداء، لكنها لا تغني عن ضرورة التحقق من قبل الخبراء.

من الاستدلال العلمي إلى التجارب الآلية

تشمل استراتيجية OpenAI لعلوم الحياة أيضًا ربط النماذج بمنصات تجريبية، مما يتيح التصميم والتنفيذ الآلي للتجارب.

الأنظمة التجريبية.

ذكر النص الأصلي بشكل خاص مشاريعًا تشارك فيها Ginkgo Bioworks و Retro Biosciences.

الاتجاه المهم ليس نتيجة منعزلة، بل محاولة لبناء حلقة مغلقة:

1. يراجع النموذج الأدلة التجريبية السابقة.
2. يقترح تصاميم أو تحسينات جديدة.
3. تنفذ المختبرات الآلية التجارب.
4. تُجمع النتائج التجريبية.
5. يحلل النموذج النتائج.
6. يقترح التجربة التالية.
7. يراجع العالم العملية والاستنتاجات.

إذا أصبحت هذه الحلقة المغلقة موثوقة، سيتجاوز دور الذكاء الاصطناعي تلخيص المعلومات العلمية إلى المشاركة في التصميم التجريبي التكراري.

هذا معيار أعلى من توليد المستندات. يجب أن يتعامل النظام مع البيانات المزعجة، المعرفة البيولوجية غير المكتملة، التجارب الفاشلة، قيود المعدات، وقيود السلامة.

لذا، يجب تقييم الادعاءات بالتقدم العلمي من خلال تجارب قابلة للتكرار ونتائج بحث وتطوير حقيقية، وليس فقط بناءً على مقاييس النماذج أو البيانات الصحفية.

عدد صفقات Gemini أقل، لكن البنية التحتية أوسع انتشارًا

في مجموعة بيانات Sharma لشركات الأدوية الكبرى، يظهر Google Gemini فقط في شراكتين.

هذا الرقم لا يعكس كامل حضور Google في مجال علوم الحياة.

تشمل حلول Google:

• نماذج Gemini.
• Google Cloud.
• Gemini Enterprise.
• البنية التحتية للبيانات.
• البحث المؤسسي.
• Workspace.
• Vertex AI.
• حوسبة TPU.
• أدوات تطوير الوكلاء.
• الأبحاث العلمية من Google DeepMind.
• AlphaFold والنماذج البيولوجية ذات الصلة.

شركات الأدوية التي تعتمد Gemini قد تشتري بنية سحابية وبياناتية متكاملة، وليس مجرد نموذج واحد.

Merck و Google Cloud

أعلنت شركة Merck و Google Cloud في أبريل 2026 عن شراكة متعددة السنوات تصل قيمتها إلى مليار دولار أمريكي.

تهدف هذه الشراكة إلى تطبيق Gemini Enterprise وتقنيات Google Cloud في:

• البحث والتطوير.
• التصنيع.
• العمليات التجارية.
• التفاعل مع المرضى.
• الوظائف المؤسسية.

من المتوقع أن يعمل مهندسو Google Cloud جنبًا إلى جنب مع فرق Merck للنشر.

هذا نوع من الاتفاقيات الكبيرة على مستوى البنية التحتية، والتي قد تجعل إحصاءات عدد الشراكات مضللة. قد تعلن Google عن صفقات أقل علنًا، لكنها تحصل على التزامات استراتيجية واسعة.

AlphaFold والنظام البيئي العلمي لجوجل

تستفيد Google أيضًا من المصداقية العلمية لـ Google DeepMind.

غيّر AlphaFold الواقع الفعلي للتنبؤ ببنية البروتين وأصبح موردًا بحثيًا مهمًا. تواصل Google DeepMind و Isomorphic Labs العمل على أنظمة علم الأحياء وتصميم الأدوية.

في البنية الدوائية، يمكن لـ Gemini أن تعمل كطبقة للغة الطبيعية وتنسيق المهام، بينما تنفذ النماذج العلمية المتخصصة تنبؤات هيكلية أو كيميائية أو بيولوجية.

لذا، قد تأتي الميزة طويلة الأجل لجوجل من دمج:

• قدرات الاستدلال العام.
• البنية التحتية السحابية.
• بيانات المؤسسات.
• النماذج العلمية.
• إدارة الوكلاء.
• الحوسبة واسعة النطاق.

لا تنقسم الصناعة إلى ثلاثة معسكرات دائمة

في مجموعة البيانات المتعقبة، هناك ما لا يقل عن ست شركات أدوية تتعاون مع كل من OpenAI و Anthropic.

هذا من أهم...

النتائج.

من غير المرجح أن تعهد شركات الأدوية الكبرى بجميع سير العمل الحيوي لمزود نموذج واحد، لأن القدرات، الأسعار، زمن الاستجابة، تصميم المنتج، واللوائح لا تزال تتغير بسرعة.

تمكن هندسة النماذج المتعددة الشركات من مطابقة الأدوات مع المهام.

على سبيل المثال:

• يمكن استخدام Claude للمستندات الطويلة، الكتابة المنظمة، الترميز، وسير العمل الخاضع للتنظيم.
• يمكن استخدام OpenAI لأعمال المعرفة الواسعة، البحث المجالي، الاستدلال العلمي القائم على الأدوات، والأنظمة التجريبية.
• يمكن استخدام Gemini مع بيانات Google Cloud، وكلاء المؤسسات، وتقنيات DeepMind المتخصصة.
• يمكن للنماذج الأصغر أو مفتوحة المصدر التعامل مع مهام منخفضة التكلفة أو النشر الخاص.
• يمكن للنماذج العلمية المتخصصة أداء مهام كيميائية، جينومية، تصويرية، أو إحصائية.

هذا لا يعني أن كل شركة ستستخدم جميع المزودين.

يعني أن الأصول الدائمة من غير المرجح أن تكون علامة النموذج نفسها.

الأصول الدائمة هي المنصات الداخلية التي تتحكم في:

• صلاحيات الوصول إلى البيانات.
• توجيه النماذج.
• صلاحيات الأدوات.
• المصادقة.
• التقييم.
• التسجيل.
• التكلفة.
• تتبع المصدر.
• الموافقة البشرية.
• المساءلة التنظيمية.

هندسة دوائية عملية متعددة النماذج

قد تحتوي منصة الذكاء الاصطناعي الناضجة لشركات الأدوية على طبقات متعددة.

الطبقة	الوظيفة
واجهة المستخدم والوكيل	استقبال الأهداف، الأسئلة، وقرارات المراجعة
طبقة التنسيق	تخطيط المهام وتوجيه العمل إلى النماذج والأدوات
نماذج اللغة المتطورة	معالجة الاستدلال، الكتابة، الترميز، والتنسيق
النماذج المتخصصة	تنفيذ مهام علم الأحياء، الكيمياء، الهياكل، التصوير، أو الجينوم
طبقة البيانات	توفير وصول مُتحكم به للمعلومات الداخلية والخارجية
الأدوات العلمية	تشغيل الحسابات، التحليلات، والمحاكاة المُعتمدة
الأنظمة المؤسسية	ربط سير العمل السريري، التنظيمي، التصنيعي، والتجاري
طبقة التقييم	قياس الدقة، الفقدان، الاقتباس، قابلية التكرار، والمخاطر

| مستوى الحوكمة | صلاحيات التحكم، سجلات التدقيق، الاحتفاظ بالسجلات، والموافقات |
| خبراء بشريون | مراجعة الأدلة، اتخاذ القرارات، والاحتفاظ بالمساءلة |

تقلل هذه البنية أيضاً من الاعتماد على مورد واحد.

إذا انخفضت جودة النموذج، أو ارتفعت التكاليف، أو تغيرت درجة توفره، يمكن لطبقة التنسيق توجيه جزء من أعباء العمل إلى مكان آخر – بشرط أن تكون الشركة قد أنشأت واجهات ومعايير تقييم موحدة.

لماذا يتركز معظم التعاون في مرحلة البحث والاكتشاف

تُظهر تقارير التحليل التتبعي أن حوالي 82% من التعاون يتعلق بمرحلة البحث أو الاكتشاف.

يعكس هذا التركيز نقاط القوة الحالية لنماذج اللغة الكبيرة.

يشمل البحث والتطوير السريري كمية كبيرة من المعلومات التي يمكن للنماذج معالجتها:

• الأدبيات العلمية.
• سجلات التجارب.
• البروتوكولات.
• وثائق التجارب السريرية.
• المخرجات الإحصائية.
• الكتابة الطبية.
• البيانات الجينومية.
• أكواد المعلوماتية الحيوية.
• أدلة الأهداف.
• قواعد المعرفة الداخلية.

في الأبحاث المبكرة، يمكن للنماذج المساعدة في:

• مراجعة الأدبيات.
• دمج الأدلة.
• توليد الأكواد.
• التحليلات الأومية.
• توليد الفرضيات.
• تخطيط التجارب.
• كتابة الوثائق التقنية.

في التطوير السريري، يمكنها دعم:

• إعداد البروتوكولات.
• جدوى التجارب.
• تجنيد المشاركين.
• كتابة تقارير الدراسات.
• إعداد ملفات التسجيل.
• تفسير البيانات.
• الكتابة الطبية.

هذه المهام كثيفة المعلومات، وعادةً ما تسمح بمراجعة الخبراء قبل أن تؤثر القرارات على المرضى أو المنتجات.

لماذا يكون التبني في الإنتاج وCMC أبطأ

في مجالات الإنتاج والكيمياء والتصنيع والتحكم (المعروفة عادةً بـ CMC)، تكون حالات النشر العلنية لنماذج متطورة أقل.

السبب ليس نقص القيمة المحتملة.

تشمل حالات الاستخدام المحتملة:

• مراجعة سجلات الدفعات.
• التحقيق في الانحرافات.
• استرجاع المعرفة العملية.
• صياغة وثائق الجودة.
• تحليل الأسباب الجذرية.
• تخطيط سلسلة التوريد.
• دعم الصيانة.
• التدريب وإجراءات التشغيل الموحدة.

الفرق يكمن في المخاطرة.

يمكن دحض الفرضيات البحثية الخاطئة من خلال التجارب اللاحقة؛ لكن التعليمات الإنتاجية الخاطئة قد تؤثر على جودة المنتج، والتوريد، والامتثال، أو سلامة المرضى.

تعتمد بيئة الإنتاج أيضاً على:

• بيانات الأجهزة في الوقت الفعلي.
• برامج معتمدة.
• أنظمة إدارة الجودة.
• التحكم في التغيير.
• السجلات الإلكترونية.
• صلاحيات صارمة.
• إجراءات تشغيل مكتوبة.

في هذه البيئة، تحتاج أنظمة الذكاء الاصطناعي إلى تحقق أقوى، وحدود عمل أضيق، وإشراف بشري أكثر صرامة.

وهذا يفسر لماذا قد يبدأ مجال الإنتاج بحالات استخدام محكومة مثل استرجاع الوثائق وتحليل الانحرافات، ثم يتوسع تدريجياً نحو التحكم الذاتي في العمليات.

نظام JulesOS من GSK: استراتيجية البناء الداخلي

تمثل GSK تبايناً مهماً مع نماذج التعاون العلنية.

طورت الشركة JulesOS، وهو نظام تشغيل داخلي قائم على الوكلاء يمكنه الوصول إلى مجتمع من الوكلاء والنماذج المتخصصة.

تصف GSK المنصة بأنها تجمع:

• نماذج ذكاء اصطناعي وتعلم آلي متخصصة.
• أدوات توليد الأكواد.
• أدوات تحليل البيانات.
• المعرفة العلمية الداخلية.
• سير عمل الوكلاء.
• تجربة موحدة للباحثين.

يمنح هذا النهج GSK سيطرة أكبر على التنسيق، والوصول إلى البيانات، والتحقق، وواجهة المستخدم.

كما قد يساعد الشركة في استخلاص قيمة أكبر من مجموعات بياناتها الخاصة، بما في ذلك نتائج التجارب الداخلية، والمعلومات الأومية، والأدلة السريرية، ومعرفة الأهداف.

لا يعني المنصة الداخلية أن جميع المكونات تُبنى من الصفر.

قد تظل GSK تستخدم البنية التحتية السحابية الخارجية، والبرامج مفتوحة المصدر، والنماذج من طرف ثالث، أو الأدوات المتخصصة. الفرق هو أن الشركة تتحكم في طبقة التكامل وتقرر كيفية إتاحة هذه المكونات للموظفين.

البناء الداخلي أم التعاون الخارجي؟

لكل استراتيجية مزاياها.

التعاون الخارجي مع نماذج متطورة	منصة الوكلاء الداخلية
وصول أسرع لقدرات النماذج الجديدة	سيطرة أقوى على البنية والبيانات
دعم هندسي من الموردين	تخصيص عميق لسير العمل الداخلي
نشر أسهل في المؤسسات	تقليل الاعتماد على مورد واحد
تحسين سريع للنماذج	استقلالية أكبر في التنسيق والتقييم
خطر محتمل للاعتماد على المورد	تكاليف هندسية وتشغيلية أعلى

تتبنى العديد من الشركات مزيجاً من الاثنين.

قد يبنون منصة داخلية بينما يستخدمون

Claude، وGPT-Rosalind، وGemini، والنماذج مفتوحة المصدر، وأنظمة العلوم المتخصصة الأساسية.

القيمة الأكثر نضجاً حالياً تكمن في ضغط العمل المعرفي

حالياً، أكثر القيم القابلة للقياس من نشر نماذج اللغة الكبيرة في قطاع الأدوية تأتي من العمل المعرفي.

على سبيل المثال:

• تقليص وقت إعداد المستندات من أسابيع إلى دقائق أو أيام.
• تقصير دورات المراجعة.
• صياغة المحتوى التنظيمي والسريري.
• تسريع تطوير الأكواد.
• استرجاع المعرفة العلمية الداخلية.
• توليد تحليلات منظمة.
• دعم تفسير البيانات.
• إنشاء وكلاء سير عمل قابلين لإعادة الاستخدام.

يمكن ملاحظة هذه الفوائد بسرعة نسبية.

لكن إثبات أن نموذجاً متطوراً قد:

• حدد أهدافاً دوائية أفضل.
• أنتج جزيئات أكثر أماناً.
• زاد من معدلات النجاح السريري.
• قلل من مخاطر الفشل في المراحل المتأخرة.
• حسّن النتائج طويلة المدى للمرضى.

أكثر صعوبة بكثير.

يتطلب تطوير الأدوية سنوات. تعتمد النتائج النهائية على علم الأحياء، وجودة التجارب، وعلم السموم، والتصنيع، والاختلافات الفردية بين المرضى، وتصميم التجارب، والعمليات السريرية، والمراجعة التنظيمية.

لا يمكن للنماذج تجاوز التحقق الفيزيائي.

هذا لا يعني أن إنتاجية التوثيق والترميز غير مهمة. يمكن للعمل المعرفي الأسرع تقصير دورات التطوير بأكملها. يعني فقط أن الصناعة يجب أن تميز بين كفاءة سير العمل والنجاح العلمي.

لا تزال النماذج العامة تعتمد على البيانات والأدوات المتخصصة

قد يكون النموذج المتطور قوياً في اللغة والتفكير والتخطيط، لكنه قد يظل يفتقر إلى البيانات الكاملة اللازمة لحل مشاكل دوائية محددة.

قد لا تظهر الأصول الدوائية طويلة الذيل، والمشاريع السريرية التاريخية، ونتائج التجارب الخاصة، والمركبات المتوقفة، وسجلات القرارات الداخلية في بيانات التدريب العامة.

لذا، يحتاج بنية الذكاء الاصطناعي الواقعية في علوم الحياة إلى الجمع بين:

• نماذج متطورة لفهم المهام وتنسيقها.
• قواعد بيانات منسقة توفر حقائق موثوقة.
• بيانات داخلية تقدم أدلة خاصة بالشركة.
• نماذج علمية للتنبؤ بالمجال.
• برامج معتمدة للحساب والتحليل.
• أنظمة معملية للاختبار التجريبي.
• خبراء بشريون مسؤولون عن التفسير والمساءلة.

ربما يكون ربط النماذج بقواعد البيانات المتخصصة عبر أدوات معتمدة أكثر قيمة من التبديل بين نموذج متطور وآخر.

قد تكون جودة الواجهات مع البيانات والأدوات بنفس أهمية قدرات النموذج الاستدلالية في تحديد النتيجة النهائية.

التعاون في الذكاء الاصطناعي يرفع معايير المنافسة في صناعة الأدوية

يجبر المشهد الجديد للتعاون شركات الأدوية على رفع قدراتها في مجالات صعبة بالفعل.

1. تحويل البيانات الداخلية إلى معرفة قابلة للاستخدام

تمتلك معظم شركات الأدوية الكبيرة كميات هائلة من البيانات.

يكمن التحدي في أن هذه البيانات قد:

• تكون مخزنة في أنظمة مختلفة.
• موصوفة بمصطلحات غير متسقة.
• محمية بصلاحيات مختلفة.
• تفتقر إلى معلومات المصدر.
• يصعب استرجاعها.
• تكون مبنية لسير عمل واحد ولا تناسب آخر.

إذا لم يكن لدى المؤسسة معايير واضحة وآليات تحكم في الوصول، فلن تتمكن النماذج من استخدام المعلومات بشكل موثوق.

2. دمج النماذج في سير العمل الفعلي

شراء روبوت محادثة على مستوى المؤسسة أمر بسيط نسبياً.

دمج الذكاء الاصطناعي في

تقرير سريري، أو ملف تنظيمي، أو عملية سلامة دوائية، أو نظام جودة، أو سير عمل معملي يتطلب إعادة تصميم العمليات.

يجب على الفرق تحديد:

• أي الخطوات يمكن أتمتتها؟
• أي المخرجات تعتبر اقتراحات؟
• أي الإجراءات تحتاج إلى موافقة؟
• ما الأدلة التي يجب الاحتفاظ بها؟
• كيف يتم تصحيح الأخطاء؟
• من يملك القرار النهائي؟
• ما الذي يحدث عندما يتغير النموذج؟

3. بناء تقييم علمي

لا تستطيع المعايير العامة الإجابة على سؤال ما إذا كان النموذج آمناً ومفيداً لسير عمل تطوير الأدوية الخاص بشركة ما.

يجب أن يستخدم تقييم الأدوية مهاماً داخلية حقيقية ويقيس:

• الدقة.
• المعلومات المفقودة.
• الادعاءات غير المدعومة.
• جودة الاقتباسات.
• قابلية التكرار.
• صحة استخدام الأدوات.
• المتانة تجاه البيانات غير المكتملة.
• قبول الخبراء.
• الوقت الموفر بعد المراجعة.
• الأداء بعد تحديث النموذج.

قد يوفر نظام الذكاء الاصطناعي الذي ينتج مسودة مثيرة للإعجاب لكنه يخلق المزيد من عمل المراجعة قيمة عملية ضئيلة.

المستقبل هو منصة للنماذج والبيانات والأدوات والتجارب

تدخل Claude وOpenAI وGemini مسار الأدوية عبر مسارات مختلفة.

Anthropic

تركز Anthropic على:

• أمان المؤسسات.
• سير العمل الطويل للوثائق.
• الترميز.
• الموصلات العلمية.
• الوثائق الخاضعة للتنظيم.
• مساحات العمل العلمية القابلة للتدقيق.
• طبقة ذكاء مشتركة.

OpenAI

تجمع OpenAI بين:

• اعتماد واسع لـ ChatGPT.
• نماذج GPT

إنتاجية المؤسسات.

• نظام بيئي ضخم للمطورين.
• GPT-Rosalind.
• الإضافات العلمية.
• البرمجة الوكيلة.
• البحث القائم على الأدوات.
• أتمتة التجارب.

جوجل

تعمل جوجل على دمج:

• Gemini.
• Gemini Enterprise.
• Google Cloud.
• البنية التحتية لبيانات المؤسسات.
• المنصة الوكيلة.
• حوسبة TPU.
• AlphaFold.
• النماذج العلمية من Google DeepMind.

من غير المرجح أن يكون هناك فائز واحد فقط في جميع سير العمل الدوائي.

المستقبل الأكثر واقعية هو منصة تتعايش فيها نماذج متعددة ويتم توجيه المهام بناءً عليها.

قد يراجع أحد النماذج الأدبيات العلمية. وقد يولد آخر كودًا برمجيًا. وقد يتنبأ نموذج متخصص بخصائص الجزيئات. وقد ينسق وكيل مؤسسي قواعد البيانات والبرامج والموافقات. وقد تختبر منصة مختبرية النتائج.

في هذه البنية، النموذج هو مجرد طبقة واحدة.

تأتي القيمة من إكمال دورة موثوقة:

1. فهم المشكلة العلمية أو التجارية.
2. استرجاع الأدلة الموثوقة.
3. استخدام الأدوات الصحيحة والمعتمدة.
4. إنتاج مخرجات قابلة للمراجعة.
5. إجراء تجارب أو فحوصات تشغيلية.
6. التقاط النتائج.
7. الحصول على موافقة الخبراء.
8. تحسين سير العمل التالي.

الأسئلة الشائعة

هل تختار شركات الأدوية Claude أم ChatGPT أم Gemini؟

تستخدم العديد من الشركات أكثر من نموذج واحد. وجد تحليل للتعاونات في مايو 2026 أن ست شركات أدوية كبرى على الأقل تتعاون مع كل من OpenAI و Anthropic، مما يشير إلى أن استراتيجية النماذج المتعددة أصبحت شائعة.

لماذا لدى Claude العديد من الشراكات الدوائية؟

يتمحور Claude حول المستندات الطويلة والكتابة المنظمة والبرمجة والأمان المؤسسي والاستشهادات والتكامل العلمي. هذه الميزات مناسبة لسير العمل المعرفي الخاضع للتنظيم مثل الكتابة السريرية والبحوث الداخلية والبرمجة ومراجعة المستندات.

ما هو GPT-Rosalind؟

GPT-Rosalind هو سلسلة نماذج علوم الحياة من OpenAI المخصصة للاستدلال في علم الأحياء والكيمياء واكتشاف الأدوية وعلم الجينوم والأدلة والأدوات العلمية. يتم نشر هذا النموذج من خلال هيكل وصول بحثي خاضع للرقابة ومؤسسي.

كيف يتم استخدام Google Gemini في قطاع الأدوية؟

تضع جوجل Gemini كجزء من بنية سحابية ووكيلة أوسع نطاقًا. في عام 2026، عقدت شركة ميرك شراكة مع Google Cloud لنشر Gemini Enterprise في سير عمل البحث والتطوير والتصنيع والتجارة والمؤسسات.

ما هو GSK JulesOS؟

JulesOS هو نظام تشغيل وكيل تم تطويره داخليًا بواسطة شركة GlaxoSmithKline. فهو يدمج النماذج المتخصصة وأدوات البرمجة وأنظمة تحليل البيانات وقاعدة المعرفة المؤسسية في بيئة موحدة للباحثين.

هل يمكن للذكاء الاصطناعي كتابة المستندات السريرية والتنظيمية؟

يمكن للذكاء الاصطناعي المساعدة في استخراج البيانات المصدر وإنشاء المسودات وتوحيد التنسيق والتحقق من الاتساق وإنشاء مستندات منظمة. ومع ذلك، فإن الحكم العلمي النهائي والمراجعة التنظيمية والموافقة والمسؤولية تقع على عاتق المتخصصين المؤهلين.

هل يعمل الذكاء الاصطناعي على تحسين معدلات نجاح اكتشاف الأدوية؟

بالمقارنة مع تحسين معدلات النجاح السريري، تشير الأدلة العامة الحالية بقوة أكبر إلى قدرته على تحسين كفاءة البحث والتطوير. لا يزال التأثير الفعلي على جودة الهدف واختيار المرشح والسلامة ونتائج التجارب بحاجة إلى وقت أطول للتحقق.

لماذا تتبنى شركات الأدوية نماذج متعددة؟

تتميز النماذج المختلفة بمزاياها في الأداء والتكلفة وسرعة الاستجابة والنظام البيئي للأدوات وخيارات النشر. تقلل منصة النماذج المتعددة من الاعتماد على مورد واحد وتسمح بتوزيع المهام المختلفة على الأنظمة الأكثر ملاءمة.

الأدوات ذات الصلة

• Claude for Life Sciences: حل علوم الحياة من Anthropic يدمج البيانات العلمية والأدبيات ومنصات البحث.
• Claude Science: منصة عمل علمية بالذكاء الاصطناعي للأدوات والحوسبة والنتائج القابلة للتدقيق.
• GPT-Rosalind: سلسلة نماذج من OpenAI مصممة خصيصًا لأبحاث علوم الحياة وسير العمل العلمي.
• Gemini Enterprise: منصة وكيلة مؤسسية من Google Cloud تدعم ربط البيانات وتكامل التطبيقات والحوكمة وسير العمل متعدد الخطوات.
• AlphaFold: نظام التنبؤ ببنية البروتين ومنصة الأبحاث العلمية من Google DeepMind.
• GSK JulesOS: نظام التشغيل الداخلي من GlaxoSmithKline للوكلاء العلميين وأدوات الذكاء الاصطناعي المتخصصة.

الروابط ذات الصلة

• تقرير تحليل التعاونات مع شركات الأدوية الكبرى: المصدر الأصلي للبيانات يغطي 27 تعاونًا وملفًا عامًا لـ 21 شركة.
• اتفاقية تعاون Bristol-Myers Squibb مع Anthropic: الإعلان الرسمي من BMS عن نشر Claude Enterprise على مستوى الشركة.
• حالة NovoScribe من Novo Nordisk: تقرير من Anthropic حول عمليات المستندات التنظيمية وتحسين الإنتاجية.
• Moderna و OpenAI: دراسة حالة من OpenAI حول نشر ChatGPT Enterprise واستخدام GPT الداخلي في Moderna.
• Sanofi و Formation Bio و OpenAI: الإعلان الرسمي من Sanofi عن التعاون في اكتشاف الأدوية بالذكاء الاصطناعي.
• مقدمة عن GPT-Rosalind: المقدمة الرسمية من OpenAI لسلسلة نماذج علوم الحياة الخاصة بها.
• تعاون Merck مع Google Cloud: الإعلان الرسمي من Merck حول اتفاقية Gemini Enterprise و Google Cloud.

ملخص

لم تعد شركات الأدوية الكبرى تنظر إلى ChatGPT و Claude و Gemini كأدوات محادثة منعزلة، بل تختبرها كمكونات للبنية التحتية للذكاء الاصطناعي المؤسسي - مكونات يمكنها ربط البيانات الداخلية والأدوات العلمية والعمليات التنظيمية والأنظمة الوكيلة.

حاليًا، تمتلك Anthropic الحصة الأكبر في مجموعة بيانات التعاونات العامة؛ وتتوسع OpenAI من التطبيقات المؤسسية العامة إلى نماذج علوم الحياة المتخصصة؛ وتتنافس Google من خلال خدماتها السحابية الأوسع والبيانات والنماذج العلمية والمنصات الوكيلة. وفي الوقت نفسه، يُظهر JulesOS من GlaxoSmithKline أن شركات الأدوية الكبرى قد تختار التحكم في طبقة التنسيق بنفسها.

أبرز المكاسب الأخيرة تتمثل في تسريع معالجة المستندات، كتابة الأكواد، استرجاع المعرفة، وتحليل البيانات. أما الادعاءات بأن النماذج المتطورة يمكنها تحسين جودة الأدوية أو معدلات النجاح السريري، فلا تزال بحاجة إلى تجارب طويلة الأمد وأدلة سريرية للتحقق منها.

الميزة الحاسمة لا تأتي من اختيار علامة تجارية معينة للنموذج، بل من بناء نظام مغلق موثوق وقابل للتدقيق - يربط بإحكام بين النماذج، البيانات الخاصة، الأدوات المُثبتة، التجارب، والقرارات البشرية الخاضعة للمساءلة.