ChatGPT、Claude还是Gemini？大型药企正在重新选择AI合作伙伴

过去几年，人工智能与生物医药的合作通常集中在靶点发现、蛋白质结构预测、分子生成和虚拟筛选等专业技术环节。药企合作对象也多为Recursion、Absci等AI制药企业，或英伟达等算力与基础设施供应商。

如今，合作版图正在发生变化。以OpenAI、Anthropic和Google为代表的前沿大模型公司，开始越过传统办公助手和通用软件工具的边界，进入药物发现、临床开发、医学写作、注册申报、数据分析乃至企业决策等核心流程。大型药企选择的已不再只是一个聊天机器人，而是未来可能连接企业数据、科研软件和业务系统的“智能入口”。

Big Pharma Sharma于2026年5月发布的分析显示，截至当时，共追踪到21家大型制药企业与OpenAI、Anthropic及Google Gemini之间的27项已确认合作。其中，Anthropic约占52%，OpenAI约占41%，Google Gemini仅涉及两项合作；另有6家药企同时选择了OpenAI和Anthropic。与大多数同行不同，GSK更多依托内部团队建设JulesOS等自主智能体系统。

这一版图并不意味着药企已经简单地分成了“OpenAI阵营”、“Claude阵营”和“Gemini阵营”。更准确地说，大型药企正在围绕不同业务任务测试多套前沿模型，并逐步形成由通用模型、行业模型、企业数据和专业工具共同构成的AI技术栈。

在普通用户场景中，ChatGPT、Claude和Gemini主要用于问答、写作、搜索和代码生成。但药企与模型厂商的合作通常包含更复杂的内容：模型需要在企业安全环境中运行，连接内部数据库和文档系统，调用专业科研工具，并在临床、法规和质量体系下留下可以追溯的工作记录。

因此，这类合作至少可以分为三个层级。

第一层是企业生产力工具。模型被部署给大量员工，用于检索资料、总结文档、编写代码、制作报告和处理日常知识工作。Moderna较早将ChatGPT Enterprise推广至公司多个部门；2026年5月，百时美施贵宝宣布将Claude部署给超过3万名员工，覆盖研究、临床开发和企业职能。Claude在BMS的定位并非单一应用，而是连接不同数据源和AI能力的统一交互层。

第二层是嵌入特定流程的专业应用。例如，利用大模型生成临床研究报告、编写监管文件、分析试验数据、辅助方案设计，或者处理实验和生物信息学任务。在这一层，模型不再只是帮助员工“写得更快”，而是开始重构原有工作流。

第三层是面向研发全过程的智能体平台。模型可以理解任务、调用数据库和软件、分解步骤、执行分析，并将结果交给人类专家审核。Merck与Google Cloud合作建设基于Gemini Enterprise的“智能体引擎”，应用范围从早期发现延伸至临床开发和商业化，其目标是提高研发成功概率并缩短产品上市时间。

从这个角度看，大模型公司竞争的并不是药企员工打开哪一个聊天窗口，而是谁能够成为药企下一代科研与业务系统的底层编排平台。

按照原帖统计，Anthropic在27项合作中占比最高。这一结果与Claude在生命科学领域的产品定位有关。药企最看重的通常不是模型在公开排行榜上的综合分数，而是几个更具体的问题：能否准确处理超长文档，能否稳定生成结构化内容，能否在复杂任务中遵循指令，能否给出来源和引用，以及能否满足企业安全、数据隔离和审计要求。这些需求与Claude在长文本处理、代码生成、复杂推理和企业安全方面的市场定位较为契合。Anthropic还在2025年推出Claude for Life Sciences，通过连接Benchling、PubMed、BioRender、10x Genomics、Synapse等科研平台，使Claude能够直接访问实验记录、文献资源和单细胞分析工具。其目标是将Claude从单一问答模型扩展为覆盖发现、转化、临床与商业化流程的科研协作平台。

诺和诺德的案例集中体现了Claude在受监管文档流程中的价值。公司利用Claude和Claude Code建设NovoScribe，将部分临床研究文档的生成时间从十余周缩短至约10分钟，并将系统进一步用于器械验证方案和患者材料。其技术路线并不是让模型自由生成内容，而是将Claude与检索增强生成、专家批准的标准文本、案例变量和人工审查相结合。这类应用非常适合大模型。临床研究报告、方案文件和注册资料通常篇幅长、结构固定、重复性高，同时要求严格引用源数据。大模型可以承担资料提取、初稿生成和格式组织，而最终科学判断和合规责任仍由专业人员负责。

因此，Claude在药企中的早期优势，不一定意味着它更擅长直接“发现新药”，而是它较早找到了大型药企愿意规模化采购的应用：代码、文档、知识检索和受监管工作流。

OpenAI进入药企的路径略有不同。其早期优势主要来自ChatGPT的用户基础、企业部署能力和开发者生态。Moderna自2023年起与OpenAI合作，将ChatGPT Enterprise推广至数千名员工，并鼓励不同业务部门开发内部GPT应用。这种模式的核心是广泛赋能，让研发、法务、制造、商业和行政团队自行寻找高频使用场景。Sanofi与OpenAI、Formation Bio的合作则进一步进入药物研发和临床开发流程，尝试开发面向药物开发的软件工具。诺和诺德也在2026年宣布与OpenAI建立合作，以加快药物发现和开发。

更值得关注的是，OpenAI于2026年推出面向生命科学研究的GPT-Rosalind。该模型被定位为能够跨越生物学、药物发现、蛋白质工程、化学和基因组学开展推理的专业模型，首批合作与应用方包括Amgen、Novo Nordisk、Moderna、Thermo Fisher Scientific和Benchling等。这一变化说明OpenAI正在调整生命科学战略。此前，OpenAI主要向药企提供通用模型和企业级ChatGPT；GPT-Rosalind则开始建立独立的生命科学产品线，将通用推理能力与专业数据、科研工具和行业评估结合起来。

OpenAI还与Ginkgo Bioworks合作建设自动化实验体系，利用GPT-5优化无细胞蛋白生产实验，并报告实现了40%的蛋白生产成本下降。与Retro Biosciences的合作则探索了专门用于蛋白质工程的模型。

这些项目表明，OpenAI试图从“帮助科研人员处理信息”进一步走向“参与实验设计和科学发现”。如果模型能够稳定调用实验设备、分析结果并提出下一轮方案，其价值将不再局限于节省文档时间，而可能进入真正的研发闭环。

按照原帖统计，Gemini在已确认合作数量上明显落后于Claude和OpenAI，但数量并不能完整反映Google在制药行业的影响力。Google的优势不只来自Gemini模型，还包括Google Cloud、数据平台、搜索技术、企业协作软件、TPU算力以及DeepMind长期积累的生物学AI能力。这意味着药企采用Gemini时，往往购买的不是一个孤立模型，而是一整套云计算、数据治理和智能体基础设施。

Merck与Google Cloud的合作具有代表性。双方计划建设由Gemini Enterprise驱动的智能体引擎，将AI应用于早期研究、临床开发和商业化决策。公开信息显示，这项合作覆盖范围广，并被报道为原帖数据库中披露金额最大的一项合作。

Google的另一项潜在优势来自其科学模型生态。AlphaFold已深刻改变蛋白质结构预测，Google DeepMind和Isomorphic Labs也在持续推进药物设计。对于药企而言，Gemini可以作为自然语言和任务编排层，与结构预测、云计算和企业数据系统结合。

因此，Gemini当前合作数量较少，可能部分反映Google更倾向于少数大型、基础设施级合作，而不一定意味着其在生命科学AI领域缺乏竞争力。随着药企从单点大模型应用转向企业级智能体平台，Google Cloud与Gemini的整合能力可能变得更加重要。

原帖最值得关注的发现之一，是至少有6家药企同时与OpenAI和Anthropic合作。这说明“药企正在选边站”的标题虽然具有传播力，但现实更接近多模型策略。大型药企很少愿意把全部关键流程绑定在一家模型厂商上，尤其是在模型能力、价格和产品更新速度变化极快的阶段。

不同模型可能被分配到不同任务。Claude适合长文档分析、代码和结构化写作；OpenAI可能用于通用知识工作、专业科研推理和自主实验；Gemini则可与Google Cloud数据体系和企业智能体平台结合。企业还可能根据准确性、延迟、成本和数据所在地进行动态路由。诺和诺德同时出现在Anthropic和OpenAI的合作案例中，就是多模型策略的典型代表。Claude被用于临床文档和内部开发，而OpenAI合作则更侧重于广泛的药物研发能力。

这种模式未来可能成为行业常态。药企不会把模型品牌本身视为核心资产，而会建设一个模型无关的企业AI平台，在底层接入多个模型，在上层统一连接数据、工具、权限和审计系统。真正形成壁垒的将不是“使用了哪个模型”，而是企业是否拥有高质量专有数据、标准化工作流程、模型评估体系，以及能够把AI输出转化为实验和决策的组织能力。

根据原帖，约82%的合作涉及研究与发现，临床开发是第二常见的应用领域，而制造和CMC场景相对较少。这一分布首先反映了大型语言模型当前最擅长处理的信息类型。研究与临床开发过程中存在大量文献、实验记录、方案文件、统计输出和医学文本，非常适合语言模型进行检索、归纳、代码生成和初稿撰写。

在早期研究中，大模型可以帮助科学家检索文献、整合靶点证据、生成分析代码、解释组学数据和提出实验假设。在临床开发中，大模型能够辅助协议设计、患者入组分析、研究报告生成和注册资料准备。Anthropic为生命科学产品增加ClinicalTrials.gov和Medidata等连接能力，也体现了模型厂商正重点进入临床试验设计、可行性分析和研究运营。

相比之下，制造和CMC流程更依赖实时设备数据、过程控制、质量管理体系和经过验证的软件系统。一个模型生成的错误实验假设可以由科学家在后续验证中纠正，但制造过程中的错误指令可能直接影响产品质量。因此，企业在这一领域更谨慎，部署周期也更长。

不过，制造和CMC并不意味着缺乏AI价值。相反，偏差调查、批记录审核、工艺知识检索、质量文件编写和供应链分析都可能成为重要应用。只是这些系统需要更严格的验证、权限控制和人机边界，公开披露的速度自然慢于研发和文档场景。

在原帖统计中，GSK是一个特殊案例，GSK选择建设自己的智能体操作系统JulesOS。根据GSK公开介绍，JulesOS并不是一个单一的大语言模型，而是一个由多种智能体和专业模型组成的内部系统。它可以组织从专用AI/ML模型到代码生成和数据分析工具的多类能力，为研究人员提供统一入口。

GSK的选择具有明确逻辑。大型药企积累了大量内部组学数据、临床信息、靶点证据和实验知识，这些资产无法被公共模型直接访问。通过自主建设，企业可以更严格地控制知识产权、数据流向和模型验证，还能够围绕自身研发体系训练专用模型。但“自建”并不意味着完全摆脱外部技术。企业仍可能使用第三方云计算、开源模型、基础模型或专业软件，只是最终的模型编排、数据访问和业务入口由自己掌握。

GSK因此可以被视为一个重要对照组：其他药企选择与前沿模型厂商快速合作，以获得模型迭代和工程能力；GSK则试图通过内部平台积累更强的自主控制力。前者可能部署更快，后者则可能在专有数据利用和长期差异化方面更有优势。

大型模型厂商通常把生命科学描述为AI最具潜力的领域之一，但从公开案例看，当前最明确、最容易量化的价值仍集中在知识工作，而不是直接提高候选药物的临床成功率。例如，临床文档生成时间从数周缩短至数分钟、监管文件生产效率提升、代码开发周期缩短、实验数据分析加快，这些收益能够被直接观察和计算。相比之下，模型是否真正发现了更好的靶点、更安全的分子，或者提高了临床试验成功率，往往需要多年才能验证。药物研发的最终结果仍取决于生物学机制、实验质量、毒理学、患者异质性和临床执行，模型无法绕开真实世界验证。

一项2026年的研究也提醒，通用前沿模型在识别长尾药物资产时，可能明显落后于经过专业整理的数据库和垂直系统。问题并不一定在模型推理能力，而在于模型无法获得完整、准确、结构化的行业数据。当专业数据库通过工具接口接入模型后，性能差距才可能缩小。

这意味着未来的生命科学AI不会由一个无所不能的大模型单独完成。更现实的架构是：前沿模型负责理解问题、规划步骤和协调任务，专业数据库提供可靠信息，领域模型执行结构、生物和化学预测，实验平台完成验证，人类专家负责判断和责任承担。

过去，大型药企的数字化竞争主要集中在数据仓库、云迁移和分析平台。大模型的加入，使竞争开始转向三个更深层的问题。

首先，谁能把企业内部数据真正转化为模型可以调用的知识。大多数药企并不缺数据，缺的是统一的数据标准、清晰的权限和可追溯的知识结构。没有这些基础，模型再强也只能处理公开资料或零散文档。

其次，谁能把模型嵌入真实业务流程。购买企业版聊天机器人相对容易，但将其嵌入临床研究报告、药物警戒、质量管理和实验分析，需要重新设计流程，并明确哪些环节可以自动执行，哪些必须由人类审核。

最后，谁能建立科学可靠的评估体系。通用基准不能直接回答模型能否安全用于药物研发。药企需要使用内部历史案例，分别测试准确性、遗漏率、引用质量、可重复性和专家接受度，并持续监测模型升级后的性能变化。

因此，大模型合作的真正影响可能不是某一家药企突然获得一款“超级研发模型”，而是迫使整个行业重新整理数据、标准化流程和量化知识工作。即便底层模型最终逐渐商品化，这些组织能力仍将成为长期竞争优势。

从现有合作格局看，Claude、OpenAI和Gemini各自形成了不同路线。Anthropic正通过Claude Code、长文档处理、企业安全和生命科学连接器切入高精度工作流，尤其适合科研代码、临床文档和监管任务。OpenAI依托ChatGPT的普及、企业生态和GPT-Rosalind等专业模型，试图同时覆盖员工生产力、科学推理和自主实验。Google则依靠Gemini、Google Cloud、数据基础设施和DeepMind科学模型，争取成为药企智能体平台和计算底座。

但药企最终大概率不会只选择其中一家。未来更可能出现多模型共存、按任务路由的架构：一个模型负责文献与文档，一个模型负责代码和数据分析，专业模型负责分子或蛋白预测，企业智能体负责把它们串联起来。在这种架构中，前沿模型只是其中一层。真正决定系统价值的是模型能否访问高质量数据、调用经过验证的工具、理解企业流程，并通过实验和人工审核形成闭环。

大型药企与前沿AI公司的合作，正在从“使用生成式AI”转向“建设AI原生研发与运营体系”。原帖所统计的27项合作，为这一变化提供了一个清晰切面：Anthropic暂时在合作数量上领先，OpenAI正通过生命科学专用模型加速追赶，Google则以云平台和智能体基础设施争取大型战略项目；与此同时，多家药企选择同时使用不同模型，GSK则尝试通过JulesOS保持更强的自主控制。

但目前还不能根据合作数量判断最终赢家。报道能够说明企业正在投资，却不能证明模型已经提高药物研发成功率。现阶段最确定的收益仍是文档、代码、知识检索和数据分析效率的提升；模型能否进一步改变靶点发现、候选药物质量和临床成功率，还需要更长时间验证。

真正值得关注的不是大型药企最终选择ChatGPT、Claude还是Gemini，而是谁能率先把前沿模型、专有数据、科研工具和实验系统组合成一个可靠、可审计、能够持续学习的研发闭环。当这一闭环真正建立，大模型才会从药企员工的助手，转变为药物研发体系的一部分。