Бул изилдөө “Artificial Intelligence, Alliances, and Innovation” аттуу preprint изилдөө макаласы болуп саналат. PDFте иштин рецензиядан өтө электиги ачык көрсөтүлгөн. Ошондуктан бул мазмун акыркы академиялык жыйынтык катары эмес, күчтүү маалымат жана методдор менен колдоого алынган, бирок этият окулушу керек болгон изилдөө долбоору катары бааланышы зарыл.

Тармак жагынан иш жасалма интеллект, маалымат системалары, стратегия жана уюм теориясы, инновация экономикасы жана дары-дармек R&D башкаруусу кесилишинде жайгашат. Ал саламаттык жана дары иштеп чыгуу контекстине тийгендиктен, бул жазуу медициналык кеңеш эмес; бул жерде каралган тема дары-дармектердин клиникалык колдонулушу эмес, фирмалардын R&D жана кызматташтык стратегиялары.

Изилдөө жасалма интеллекттин лабораториялык процесстерди ылдамдаткан техникалык курал гана эмес экенин; ошол эле учурда фирмалар арасындагы маалымат асимметриясын азайтып, альянстарды натыйжалуураак кыла аларын жактайт. Маалымат асимметриясы — бир тараптын башка тарапка караганда көбүрөөк же сапаттуураак маалыматка ээ болушу. Дары R&D тармагында бул өзгөчө маанилүү; анткени биотехнология фирмасы иштеп чыккан талапкер молекуланын потенциалын ири фармацевтикалык компанияга караганда жакшыраак билиши мүмкүн.

Авторлор 2010–2019-жылдар аралыгындагы дары секторундагы фирмаларды изилдейт. Жасалма интеллект мүмкүнчүлүгүн AI патенттери жана AI жөндөмүн талап кылган жумуш жарыялары аркылуу өлчөшөт. Табылгалар AI ресурстары жогору фирмалар инновацияны көбүрөөк альянстар аркылуу жүргүзөрүн жана альянстардан көбүрөөк дары талапкерлерин өнүктүрөрүн көрсөтөт. Изилдөөнүн негизги идеясы мындай: жасалма интеллект жана фирма альянстары өз-өзүнчө баалуу болушу мүмкүн; бирок чогуу колдонулганда инновацияга күчтүүрөөк толуктоочу таасир жаратышы ыктымал.

Маселе эмнеде?

Дары иштеп чыгуу — белгисиздиги жогору, чыгымы чоң жана узак убакыт талап кылган процесс. Бир фирма фундаменталдык изилдөөдө күчтүү болушу мүмкүн; башка фирма клиникалык өнүктүрүү, жөнгө салуу, өндүрүш же маркетинг мүмкүнчүлүгүнө ээ болушу мүмкүн. Ошондуктан дары секторунда фирмалар аралык R&D альянстары кеңири таралган. Бирок альянс түзүү өзү эле жетиштүү эмес. Тараптар бири-бириндеги маалыматты туура түшүнүп, баалап жана колдоно алышы керек.

Бул жердеги негизги көйгөй — маалымат асимметриясы. Мисалы, чакан биотехнологиялык компания өзү иштеп чыккан дары талапкеринин илимий потенциалын жакшы билиши мүмкүн. Ири фармацевтикалык компания болсо бул маалыматты сырттан баалаганда толук эмес маалымат менен аракет кылат. Бул маалымат жетишсиздиги келишим түзүүнү, тобокелдик бөлүшүүнү, инвестиция чечимин жана биргелешкен R&D процессин татаалдаштырат.

Изилдөө койгон негизги суроо мындай: Жасалма интеллект фирмаларга тышкы өнөктөштөрдөн келген татаал илимий маалыматты жакшыраак түшүнүүгө жардам берип, альянстарды натыйжалуураак кылабы?

Метод эмнени сунуштайт?

Изилдөө жасалма интеллектти жөн гана “автоматташтыруу” катары карабайт. Кеңири көз караш менен AI фирмаларга тышкы дүйнөдөн келген татаал жана бөлүк-бөлүк маалыматты табууга, баалоого жана маанилештирүүгө жардам берген мүмкүнчүлүк катары чечмеленет. Бул мамиле классикалык маалымат технологияларынан айырмаланат. Салттуу IT системалары көбүнчө маалыматка жетүү, байланыш жана иш агымын координациялоону камсыздайт. AI болсо айрыкча машиналык үйрөнүү аркылуу чоң маалымат топтомдорунан үлгүлөрдү чыгарып, божомолдорду жаңыртып жана ар башка булактардан келген маалыматтарды бириктире алат.

Авторлор фирмалардын AI ресурстарын эки негизги компонент менен өлчөйт: AI менен байланышкан патенттер жана AI жөндөмүн талап кылган жумуш жарыялары. Патенттер фирманын AI тармагындагы техникалык билим топтомун көрсөтөт. Жумуш жарыялары болсо фирманын AI жөндөмүнө ээ адам ресурстарына болгон суроо-талапты чагылдырат. Бул эки элемент стандартташтырылып, бириккен “AI resources” өлчөмүнө айландырылат.

Инновация натыйжасы катары дары талапкерлери, лицензия же альянс аркылуу өнүктүрүлгөн дары талапкерлери жана фирма альянстары колдонулат. Изилдөө ошондой эле маалымат агымын өлчөө үчүн патент шилтемелеринен пайдаланат. Бир фирманын альянс түзгөн R&D өнөктөшүнүн патенттерине көбүрөөк шилтеме бериши өнөктөштүктөн маалымат агымы бар экенинин кыйыр көрсөткүчү катары бааланат.

Эконометрикалык метод катары туруктуу эффекттерге ээ панелдик регрессиялар, эки баскычтуу эң кичине квадраттар ыкмасы, propensity score matching жана Heckman тандоо модели сыяктуу ар башка текшерүүлөр колдонулат. Максат — табылгалар бир гана модель тандоосуна көз каранды эмес экенин көрсөтүү жана тескери себептүүлүк же тандоо калыстыгы сыяктуу көйгөйлөрдү азайтуу.

Формулалар эмнени түшүндүрөт?

PDFтеги негизги формулалар окулуучу абалда. Төмөнкү MathJax блоктору изилдөөдөгү символдук түзүлүшкө мүмкүн болушунча жакын даярдалды.

Биринчи формула жасалма интеллект менен альянстардын толуктоочулук байланышын интуитивдүү түрдө түшүндүрөт. Бул жердеги идея мындай: AI жана альянстар чогуу колдонулганда пайда болгон инновациялык таасир алардын ар биринин өз-өзүнчө таасирлеринин суммасынан жогору болушу мүмкүн.

Экинчи формула фирманын AI ресурстары кантип өлчөнөрүн көрсөтөт. AI патенттери жана AI жөндөмүн талап кылган жумуш жарыялары алгач өз-өзүнчө нормалдаштырылат, андан соң кошулуп, кайра нормалдаштырылып бириккен AI ресурс өлчөмү алынат.

Үчүнчү формула AI ресурстарынын лицензия же альянс аркылуу иштелип чыккан дарылардын үлүшүнө болгон байланышын текшерет. Бул жерде \(i\) фирма деңгээлин, \(t\) жыл деңгээлин билдирет. \(T_t\) жылдын туруктуу эффектин, \(g_i\) фирманын туруктуу эффектин, \(X_{it,c}\) болсо патент запасы, фирманын жашы, кызматкерлердин саны жана R&D чыгымы сыяктуу контролдук өзгөрмөлөрдү билдирет.

Төртүнчү формула AI ресурстары менен альянстар бирге дары иштеп чыгуу натыйжасына кандай таасир этерин өлчөйт. Бул жерде негизги термин \( \mathrm{AI\ resources}_{it} imes \ln(\mathrm{Alliances})_{it} \) өз ара аракеттенүүсү болуп саналат. Бул коэффициент оң болсо, AI менен альянстар бири-бирин күчөтөт деген жоромол жасалат.

Бешинчи формула маалымат агымын өлчөө үчүн колдонулат. Маалымат агымы фирманын альянс өнөктөшүнүн патенттерине берген шилтемелериндеги өзгөрүү менен көрсөтүлөт. Бул өлчөө түздөн-түз маалымат бөлүшүүнү далилдебесе да, академиялык адабиятта маалымат агымы үчүн колдонулган кеңири тараган өкүл көрсөткүч болуп саналат.

Кошумча бөлүмдө колдонулган запас формуласы болсо дары, альянс же патент сыяктуу топтолмо өзгөрмөлөрдүн убакыт өткөн сайын наркы төмөндөшүн эске алуу үчүн колдонулат. Изилдөөдө жылдык 15 пайыздык амортизация коэффициенти колдонулат. Бул эски альянстардын же эски патенттердин бүгүнкү инновацияга кошкон салымы жаңыларына караганда төмөн деп кабыл алынарын билдирет.

График, таблица жана схема негизги билдирүүсү

PDFте классикалык мааниде көп график же схема эмес, негизинен регрессия таблицалары жана кошумча таблицалар бар. Ошондуктан визуалдык негизги билдирүү таблицалар эмнени айтып жатканынан окулат.

PDFтин 43-бетиндеги Таблица 1 изилдөөдө колдонулган өзгөрмөлөрдүн жыйынтык статистикаларын жана корреляцияларын берет. Бул таблица дары иштеп чыгуу, лицензия аркылуу дары иштеп чыгуу, AI патенттери, AI жөндөмдөрү, альянстар, патент запасы, фирманын жашы, кызматкерлердин саны жана R&D чыгымы сыяктуу өзгөрмөлөр чогуу талданганын көрсөтөт.

PDFтин 44-бетиндеги Таблица 2 өзгөрмөлөр кантип аныкталганын жөнөкөй түрдө түшүндүрөт. Бул жерде “drugs developed” жалпы дары талапкери натыйжасын, “drugs developed through licenses” болсо альянс же лицензия аркылуу өнүктүрүлгөн дары талапкерлерин билдирет. AI IP патенттерди, AI skills болсо AI жөндөмүн издеген жумуш жарыяларын билдирет.

PDFтин 45-бетиндеги Таблица 3 изилдөөнүн негизги табылгаларын берет. AI ресурстарындагы бир стандарттык четтөө өлчөмүндөгү өсүш лицензия аркылуу иштелип чыккан дарылардын үлүшүндөгү оң өсүш жана альянс санынын көбөйүшү менен байланышкан. Ошол эле таблицада AI ресурстары менен альянстардын өз ара аракеттенүү термини да оң. Бул AI жана альянстар чогуу колдонулганда инновация натыйжасына күчтүүрөөк таасир этиши мүмкүн деген идеяны колдойт.

PDFтин 46-бетиндеги Таблица 4 AI менен салттуу IT ресурстарын салыштырат. Негизги билдирүү мындай: альянска негизделген инновация багытындагы айкын таасир салттуу ITден көбүрөөк AI ресурстары жана айрыкча машиналык үйрөнүү тарабында байкалат. Эксперттик системалар, башкача айтканда эрежеге негизделген статикалыкыраак жасалма интеллект ыкмалары, ошол деңгээлде күчтүү көрүнбөйт.

PDFтин 47-бетиндеги Таблица 5 AI-альянс толуктоочулугун кеңири текшерет. Натыйжалар AI ресурстары менен альянстар чогуу дары иштеп чыгуу натыйжасын көбөйтөт деген идеяны колдойт. Бул бөлүмдө машиналык үйрөнүү таасири эксперттик системаларга караганда айкыныраак экени баса белгиленет.

PDFтин 48-бетиндеги Таблица 6 маалымат агымын изилдейт. AI ресурстарындагы өсүш фирмалардын альянс өнөктөштөрүнүн патенттерине берген шилтемелеринин көбөйүшү менен байланышкан. Бул табылга AI фирма ичинде гана процесс натыйжалуулугун бербестен, тышкы өнөктөштөрдөн келген маалыматты колдонуу мүмкүнчүлүгүн да арттыра аларын ойлотот.

PDFтин 49-бетиндеги Таблица 7 дары иштеп чыгуу процессинин кийинки этаптарын карайт. Негизги билдирүү кыйла этият: AI жана альянс толуктоочулугу алгачкы этаптарда айкыныраак көрүнөт; клиникалык этаптар алдыга жылган сайын таасир алсырайт жана айрым натыйжалар статистикалык жактан тактыгын жоготот.

Эксперименттер кантип жүргүзүлгөн?

Бул изилдөө лабораториялык эксперимент жүргүзбөйт; маалыматка негизделген эмпирикалык талдоо жүргүзөт. Каралган мезгил 2010–2019-жылдардын аралыгы. Негизги көңүл дары секторундагы фирмаларга бурулат. Изилдөө дары иштеп чыгуу натыйжалары үчүн дары иштеп чыгуу маалымат базаларынан, альянстар үчүн биофармацевтикалык кызматташтык маалыматтарынан, AI патенттери үчүн патент маалымат базаларынан жана AI жөндөмдөрү үчүн жумуш жарыялары маалыматтарынан пайдаланат.

Талдоолордун биринчи этабында AI ресурстары көбөйгөн сайын фирмалар инновацияны көбүрөөк лицензия же альянс аркылуу жасайбы деген суроо текшерилет. Экинчи этапта AI ресурстары менен альянстар чогуу дары иштеп чыгуу натыйжасын көбөйтөбү деген маселе каралат. Үчүнчү этапта патент шилтемелери аркылуу маалымат агымы өлчөнөт.

Авторлор туруктуу эффекттерге ээ регрессияларды колдонуп, фирма деңгээлинде өзгөрбөгөн өзгөчөлүктөрдү жана жылдарга мүнөздүү жалпы тенденцияларды контролдойт. Ошондой эле тандоо калыстыгы жана себептүүлүк боюнча күмөндөргө каршы propensity score matching, Heckman тандоосу жана instrumental variables approach сыяктуу кошумча тесттерди колдонушат. Ошого карабастан изилдөө табылгаларды так себептүүлүк далили эмес; ар башка методдордо ырааттуу көрүнгөн байланыштар катары баалоо керектигин белгилейт.

Жыйынтыктар эмнени көрсөтөт?

Изилдөөнүн негизги жыйынтыгы — AI ресурстары жогору болгон дары фирмалары инновация иштерин көбүрөөк альянстарга жылдырат деген багытта. AI ресурстарындагы өсүш лицензия аркылуу өнүктүрүлгөн дарылардын үлүшүнүн жана фирма альянстарынын санынын өсүшү менен байланышкан.

Экинчи маанилүү жыйынтык — AI менен альянстар толуктоочу болушу. Толуктоочулук бул жерде мындай мааниге ээ: AI жалгыз өзү баалуулук жаратат, альянстар да өзүнчө баалуулук жаратат; бирок чогуу колдонулганда пайда болгон таасир күчтүүрөөк болушу мүмкүн. Айрыкча машиналык үйрөнүү ресурстары эрежеге негизделген эксперттик системаларга караганда айкыныраак роль ойнойт.

Үчүнчү жыйынтык — AI маалымат агымы менен байланыштуу. AI ресурстары жогору фирмалар альянс түзгөн R&D өнөктөштөрүнүн патенттерине көбүрөөк шилтеме беришет. Бул AI өнөктөштөрдөн келген маалыматты жакшыраак табуу жана баалоо мүмкүнчүлүгүн арттырышы мүмкүн деген ойду жаратат.

Төртүнчү жыйынтык болсо этиятыраак: AI-альянс байланышы дары иштеп чыгуунун алгачкы этаптарында айкыныраак көрүнөт, ал эми клиникалык этаптар алдыга жылган сайын таасир алсырайт. Бул таң калыштуу эмес; анткени клиникалык өнүктүрүү маалымат иштетүү гана эмес, адам биологиясы, жөнгө салуу, коопсуздук, талаа колдонмосу жана эксперттик чечим сыяктуу алда канча татаал факторлорду камтыйт.

Бул эмне үчүн маанилүү?

Бул изилдөө жасалма интеллект тууралуу кеңири тараган бир жоромолду кеңейтет. AI көбүнчө “тезирээк талдоо”, “автоматташтыруу” же “натыйжалуулук” темалары менен каралат. Бул макала болсо AI фирманын чек араларын жана кызматташуу ыкмаларын да өзгөртө алат деп жактайт.

Эгер AI фирмаларга тышкы өнөктөштөрдөн келген татаал маалыматты жакшыраак түшүнүүгө жардам берсе, анда фирмалар баарын ички күч менен өнүктүрүүгө мажбур болбой калышы мүмкүн. Көбүрөөк адистешкен фирмалар, көбүрөөк альянстар жана ийкемдүү инновация тармактары пайда болушу ыктымал. Бул айрыкча биотехнология, фармацевтика, энергетика, авиация, алдыңкы материалдар жана жогорку R&D талап кылган секторлор үчүн маанилүү.

Изилдөөнүн жетекчилер үчүн билдирүүсү да так: AI инвестициясы техникалык инфраструктура же data science командасын түзүү гана эмес. AI туура колдонулганда фирманын тышкы өнөктөштөр менен иштөө жөндөмүн арттырган стратегиялык жөндөмгө айлана алат.

Көңүл бурула турган жагдайлар

Изилдөө preprint болгондуктан аны рецензияланган акыркы макала катары баалоого болбойт. Табылгалар күчтүү жана кеңири талдоолор менен колдоого алынган болсо да, жарыялоо процесси соңунда метод, чечмелөө же жыйынтыктар өзгөрүшү мүмкүн.

Экинчи көңүл буруучу жагдай — себептүүлүк. AI ресурстары жогору фирмалар ансыз деле көбүрөөк инновациялуу, чоңураак же жакшыраак башкарылган фирмалар болушу мүмкүн. Авторлор бул көйгөйдү азайтуу үчүн туруктуу эффекттер, matching, instrumental variables жана Heckman модели сыяктуу методдорду колдонушат. Бирок изилдөө AI ресурстары өзү эле түздөн-түз альянс ийгилигине себеп болот деп так далилдебейт.

Үчүнчү көңүл буруучу жагдай — өлчөө. AI ресурстары патенттер жана жумуш жарыялары менен өлчөнөт. Бул акылга сыярлык ыкма болсо да, фирманын AI колдонуу сапатын толук көрсөтпөшү мүмкүн. Компания AI адисин издеп жатышы мүмкүн, бирок позиция толтурула элек болушу ыктымал. Же патент саны жогору болсо да, бул патенттер практикалык R&D процессинде чектелүү колдонулушу мүмкүн.

Төртүнчү көңүл буруучу жагдай — саламаттык контексти. Изилдөө дары иштеп чыгуу стратегияларын карайт; кандайдыр бир дарылоонун таасири, коопсуздугу же клиникалык колдонулушу жөнүндө медициналык сунуш бербейт. Дары иштеп чыгуу жана клиникалык чечимдер жөнгө салуучу органдарды, клиникалык адистерди жана илимий баалоо процесстерин талап кылат.

Корутунду

Бул изилдөө жасалма интеллект фирмалар аралык инновация мамилелеринде жаңы роль ойной аларын көрсөтөт. AI маалыматты талдаган техникалык курал гана эмес; фирмаларга өнөктөштөрүнөн келген маалыматты жакшыраак баалоого жардам берген кызматташтык мүмкүнчүлүгү катары да каралышы мүмкүн.

Дары секторундагы табылгалар AI ресурстары күчтүү фирмалар көбүрөөк альянс түзөрүн, инновацияны көбүрөөк тышкы өнөктөштүктөр аркылуу жүргүзөрүн жана AI менен альянстарды чогуу колдонгондо жогорураак инновация натыйжасына жетише аларын көрсөтөт. Бул таасир айрыкча машиналык үйрөнүү тарабында айкындалат.

Ошентсе да натыйжалар этият окулушу керек. Бул preprint изилдөө жана себептүүлүк дооматы чектелүү. Ошого карабастан Verianla үчүн маанилүү билдирүү так: Жасалма интеллект инновациянын ылдамдыгын гана эмес, уюштуруучулук түзүмүн да өзгөртө алат. Келечектеги R&D атаандаштыгында эң күчтүү фирмалар эң мыкты алгоритмдерге ээ болгондор гана эмес; AIды туура өнөктөштүктөр менен бириктире алган фирмалар болушу мүмкүн.

Булак жана метод эскертүүсү

Бул мазмун Bowen Lou жана Evan Rawley тарабынан даярдалган “Artificial Intelligence, Alliances, and Innovation” аттуу preprint изилдөө ишине негизделип даярдалды. Изилдөө 2010–2019-жылдар аралыгында дары секторунда жасалма интеллект ресурстары, фирма альянстары жана инновация натыйжалары ортосундагы байланышты карайт.

Бул мазмун сөзмө-сөз котормо эмес; изилдөөнүн негизги идеясы Verianla басылма стилине ылайык жөнөкөйлөштүрүлүп, оригиналдуу кыргызча редакциялык макалага айландырылды.