丹麥製藥大廠諾和諾德（Novo Nordisk）於 9 月 16 日宣布與 Anthropic 展開合作。諾和諾德將在研發（R&D）的特定流程中試用 Anthropic 的前沿模型，以及專為研究人員打造的 AI 工作環境「Claude Science」，目標是加快新藥的發現與開發。同時，公司內部的軟體開發也會導入 Anthropic 的模型，為將 AI 推廣至全公司奠定基礎。諾和諾德在 2026 年已陸續與 OpenAI、Amazon Web Services（AWS）結盟，如今再添一位夥伴，其「成為全球最善用 AI 的醫療保健企業」的陣容又更加完整。

先在研發的特定流程驗證 Claude Science

這次合作並不是一開始就在全公司全面導入。雙方會先盤點諾和諾德研究人員與計算科學團隊面臨的新藥研發難題，再針對各項難題量身打造支援生物學推理的解決方案。在第一階段，雙方會挑選出最能發揮合作綜效的主題，在特定的研發工作流程中試行 Claude Science。

Claude Science 是 Anthropic 於 2026 年 6 月底以測試版推出、專為研究人員設計的 AI 工作環境。從文獻調查、資料分析到圖表與論文初稿的撰寫，都能在同一個環境內完成，產出的成果會附上所使用的程式碼、執行環境與對話紀錄，日後驗證與重現都更容易。它內建 60 多項針對基因體學、結構生物學、化學資訊學等領域的技能與連接器，可以用日常語言跨庫查詢 UniProt、PDB、ChEMBL 等專業資料庫。對製藥公司的研發部門來說，能在保留既有工具的前提下把工作交給 AI 代理，很可能是決定導入與否的關鍵。

諾和諾德總裁暨執行長 Mike Doustdar 表示，AI 能提升研發生產力、縮短從研究到產品上市的路程；不僅如此，AI 工具還能開創全新的科學機會，協助人們推理與理解人體生物學及藥物作用機制。Anthropic 執行長 Dario Amodei 也表示，隨著 AI 能力提升，有機會把一個世紀份量的生物學與醫學突破壓縮到十年之內，透過讓第一線研究人員使用安全可信的前沿模型，縮短研究時程並改善成果。

軟體開發同樣導入 Anthropic 的模型

合作的另一大支柱是強化 AI 驅動的軟體開發。諾和諾德把公司內部軟體開發轉為 AI 主導，視為將 AI 擴展到全公司的重要基礎。公司計畫在其中導入 Anthropic 的前沿模型，推動代理式的軟體工程。Anthropic 在 5 月也與必治妥施貴寶（Bristol Myers Squibb）簽署涵蓋全公司的合約，在其工程與資料科學部門導入 Claude Code，這次與諾和諾德的合作延續了相同方向。

另外，合作的金額與期限並未公開。雙方表示，這項合作以健全的資料治理與人工監督為前提來設計，會依照諾和諾德的倫理與法遵標準，負責任地使用 AI。在新藥研發現場，AI 的輸出不能照單全收，因此雙方明確定下由人做最終判斷的機制。

繼 OpenAI、AWS 之後的第三項大型 AI 合作

對諾和諾德而言，這是 2026 年以來與 AI 企業的第三項合作。4 月，公司與 OpenAI 合作，提出從新藥研發到商業部門在全公司導入 AI 的方針。8 月 10 日，公司又選定 AWS 為優先雲端服務供應商暨策略 AI 夥伴，並在倫敦既有據點設立匯集雙方工程師與科學家的共同創新中心。在與 AWS 的合作中，公司計畫運用以生物學資料訓練模型的 Amazon Bio Discovery，以及 AI 代理建構平台 Amazon Bedrock AgentCore，來鎖定藥物標的並將研究工作流程自動化。

換句話說，諾和諾德並非仰賴單一公司，而是採取分別借重 OpenAI、AWS、Anthropic 各自強項的策略。這次與 Anthropic 的合作，重心放在直接深入研究人員工作環境的 Claude Science，以及軟體開發領域。

綜觀整個製藥產業，AI 企業與大型藥廠的合作在今年明顯加速。除了前述的必治妥施貴寶，Anthropic 在推出 Claude Science 時也宣布與 NVIDIA 的 BioNeMo Agent Toolkit 整合。OpenAI 也與賽諾菲（Sanofi）、Moderna 合作，Google DeepMind 分拆的 Isomorphic Labs 則與諾華（Novartis）、禮來（Eli Lilly）簽下新藥研發合作。各大藥廠同時與多家 AI 企業並行合作的趨勢，預料還會持續下去。

總結

諾和諾德將與 Anthropic 合作，在研發的特定流程試行 Claude Science，並把 Anthropic 的模型導入公司內部的軟體開發。這是繼 OpenAI、AWS 之後諾和諾德在 2026 年的第三項 AI 合作，公司分別借重多家 AI 企業的姿態更加鮮明。由於金額未公開，且先從有限的流程開始驗證，新藥研發速度究竟能改變多少，仍有待後續成果揭曉。