01研究动机

药物研发面临最大的问题来自于人类科学家对于广大分子组合空间的有限搜索能力，这种局限性导致目前候选药物主要集中在分子组合空间的一小部分区域，也即对现有药物的轻微改进，而对未知的组合空间探索能力较弱。因此，使用传统解决方案很难对现有药物产生重大改进。人工智能 (Artificial Intelligence) 因为对高维空间的探索能力而成为了推动药品研发的重要手段。然而，AI 的引入不可避免会引发人力物力的配置挑战，如果布置不当将有可能产生显著的负面作用。现有AI 研究并没有系统地检查AI 对企业创新能力的影响，这导致知识界缺乏对于AI及其对生产研发的系统性认识。本文以药品研发企业为案例，概念化了人工智能创新能力（AI Innovation Capability, AIIC）并详述了其对于企业生产流程和产品创新的影响。

02理论和假设

本文以药物研发企业为例，首先概念性的提出了AIIC，并检验了AI在化合物发现中的作用。作者分别在药物治疗路径已知与未知两种情境下探讨了AI对药品研发的加速作用。

基于公司资源与IT能力理论，作者定义AIIC为“开发、使用和管理AI资源的能力，或与其他资源和能力相结合进行有效的科学研发“。作者定义AI资源为三种：有形AI资源（数据，设备等）、基于人的AI资源（具备医药学知识的AI专业人员）、AI支持的无形资产（知识产权等）。作者认为，拥有这些资源的企业可以进行更多AI创新并获得更好科研产出。

首先，作者探讨了AI对早期药物发现的贡献。相比于传统的基于人力的计算与探索，AI可以利用细粒度的数据提升预测的准确度，并且克服了人类在分子组合空间中探索范围的局限性（比如人类对于探索已知分子结构比较擅长，但在更大范围的位置空间中探索可能性能力较弱）。因此作者首先假设：

假设1：AI创新能力对研发早期的药物靶点识别有正向影响。

其次作者强调，良好的AI-医学专业人员合作是产生AI良性效应的前提。同时具备AI技能与医学科学知识的人才成为企业成功落实AI的关键。所以作者做出假设：

假设2：相比于员工只拥有AI技能的公司，同时拥有AI技能与领域知识的员工的公司更容易发现候选药物。

AI作为寻找相关性的有效数字工具，需要大量数据和来自于已知药物临床作用机制的确认（也即数据标签）。当探索的新药物给予的作用原理是已知的情况下，人类专家更有可能判断出AI决策中的不足并推动AI更准确地找到分子空间可能解。这种基于人类经验与临床实践知识的输入是现阶段AI无法自我生成且十分重要的。作者进而做出假设：

假设3：AI创新能力有助于发现具有已知影响机制的候选药物，而对发现机制未知的药物贡献不大。

最后作者关注于AI对于何种药物开发的作用最大。一般而言，药物研发有两种需求：新疗法药物开发与增量药物开发。前者所需新颖性最强，是对现有药物的飞跃式进步，前期投入巨大但一旦成功利润极高；后者虽然新颖性要求较弱，但实际生产成本较低，开发难度较小。作者在分析AI特性之后，认为AI对这两种需求的贡献均有限，对于新疗法药物，大部分开发成功的案例均受到隐性知识的影响（比如青蒿素药物的研发受启发于古籍隐晦的记载和屠呦呦团队对其进行的解读与联想），现阶段AI很难达到这种水平。其次，部署AI专家与设备是一项很大的投入，同时开发增量药物的难度较低，人类科学家可以很好完成并节约成本。所以AI同样对此贡献有限，进而作者假设如下：

假设4：相比于具有较高或较低新颖性要求的药品开发；具有中等新颖性要求的药品开发会从AI创新中获益更多。

03数据测量和发现

药物组合信息通过Informa Pharmaprojects 和 Clarivate Analytics 数据库获得，其中包含每一种药物的开发过程、药物组合以及药物发起人信息。药物作用机制是否已知通过一个二元变量来标识。药物新颖性则采用一个介于0到1之间的指标来表示，分数越高则代表该药物与之前所开发的药物差异越大。对于AIIC的三个维度，作者使用AI相关的知识产权衡量公司所拥有的AI有形与无形资产，并使用招聘岗位信息作为衡量公司AI人才储备的指标。控制变量包括公司法人状态、公司规模和科研投入比例等。作者通过回归模型定量测量AIIC 对于药物研发企业的影响。具体来说，作者使用不同标准对开发药品进行分类，并用不同属性的药品开发数量作为因变量，AIIC为自变量，同时考虑控制变量来验证上文所述各个假设。

首先，作者使用公司在一年内发现并应用于临床前研究的候选药物数量为因变量，证明了AI的投入与新药开发量增长呈显著正向相关关系（假设1）。作者进而引入公司员工技能特点，考察AI的正向影响主要来源。结果显示，AI对药物研发的正向作用主要来自于那些拥有AI技能和领域知识的员工，其效应显著强于只拥有AI技能却不拥有领域知识的员工，从而支持了假设2 。利用公司层面的固定效应分析方法，作者进一步分析AIIC的引入对于不同药物研发的不同影响。具体来说，作者证明了AIIC更善于发现临床前试验阶段已知影响机制的药物，这表明AIIC更有能力利用现有知识发现新药物，这支持了假设3。最后，作者利用具有高、中、低新颖指数的不同药品的开发数量作为因变量，解释了AI对于开发具有中等新颖指数的药品最具正面效果，而对于十分新颖和较不新颖的药品开发贡献微弱（假设4）。

04结论

本文创造性的提出了企业人工智能创新能力（AIIC）的系统性度量方法并首先验证了AI如何影响制药企业的新药品研发。研究表明，AI对新药品研发具有正向作用，并主要由AI-领域复合型人才提供创新动力。本研究同时表明，AI 对有知识基础、中等新颖性的任务助力效果最佳。该研究推动了人类对AI 影响路径的认识并对企业（特别是医药企业）如何有效部署AI提供了指导意见。

参考文献：

Lou, B. & Wu, L. (2021). AI on Drugs: Can Artificial Intelligence Accelerate Drug Development? Evidence from a Large-Scale Examination of Bio-Pharma Firms. MIS Quarterly, 45(3).

Link: https://misq.umn.edu/ai-on-drugs-can-artificial-intelligence-accelerate-drug-development-evidence-from-a-large-scale-examination-of-bio-pharma-firms.html

DOI: 10.25300/MISQ/2021/16565

作者信息：

Bowen Lou

Position: Assistant professor, School of Business, University of Connecticut

Area: Economics of Digitization and Technologies (Artificial Intelligence, Big Data Analytics, Digital Platform, FinTech, Healthcare IT, Social Media & User Generated Content); Innovation; Future of Work; Computational Social Science

Website: https://www.business.uconn.edu/person/bowen-lou/

Email: bowen.lou@uconn.edu

Lynn Wu

Title: Associate Professor of Operations, Information and Decisions, the Wharton School, University of Pennsylvania.

Area: Big Data Analytics, Artificial Intelligence, Enterprise Social Media, Innovation, Entrepreneurship, Productivity

Website: https://oid.wharton.upenn.edu/profile/wulynn/#research

Email: wulynn@wharton.upenn.edu