Utafiti huu ni makala ya utafiti ya preprint yenye kichwa “Artificial Intelligence, Alliances, and Innovation”. Kwenye PDF imeelezwa wazi kwamba kazi hiyo haijapitia tathmini ya wenzao. Kwa hiyo maudhui yanapaswa kutathminiwa si kama hitimisho la kitaaluma lililokamilika, bali kama rasimu ya utafiti inayoungwa mkono na data na mbinu zenye nguvu lakini inayohitaji kusomwa kwa tahadhari.

Kwa upande wa taaluma, utafiti uko katika makutano ya akili bandia, mifumo ya taarifa, mkakati na nadharia ya shirika, uchumi wa ubunifu na usimamizi wa R&D ya dawa. Kwa kuwa unagusa muktadha wa afya na maendeleo ya dawa, makala haya si ushauri wa kitabibu; mada hapa si matumizi ya kliniki ya dawa, bali mikakati ya R&D na ushirikiano ya kampuni.

Utafiti unasema kwamba akili bandia si tu zana ya kiufundi inayoharakisha michakato ya maabara; inaweza pia kufanya miungano kati ya kampuni kuwa yenye ufanisi zaidi kwa kupunguza asymmetry ya taarifa kati yao. Asymmetry ya taarifa ni hali ambapo upande mmoja una taarifa nyingi zaidi au bora zaidi kuliko upande mwingine. Katika R&D ya dawa, hali hii ni muhimu hasa; kwa sababu kampuni ya bioteknolojia inaweza kujua uwezo wa molekuli tarajiwa iliyoitengeneza vizuri zaidi kuliko kampuni kubwa ya dawa.

Waandishi wanachunguza kampuni katika sekta ya dawa katika kipindi cha 2010-2019. Wanapima uwezo wa akili bandia kwa hati miliki za AI na matangazo ya ajira yanayotaka ujuzi wa AI. Matokeo yanaonyesha kuwa kampuni zenye rasilimali nyingi zaidi za AI huendesha ubunifu kwa kiwango kikubwa zaidi kupitia miungano na hutengeneza wagombea wengi zaidi wa dawa kutoka katika miungano. Wazo kuu la utafiti ni hili: Akili bandia na miungano ya kampuni zinaweza kuwa na thamani kila moja peke yake; lakini zinapotumiwa pamoja zinaweza kutoa athari yenye nguvu zaidi ya ukamilishanaji kwenye ubunifu.

Tatizo ni Nini?

Maendeleo ya dawa ni mchakato unaohitaji kutokuwa na uhakika kwa kiwango kikubwa, gharama kubwa na muda mrefu. Kampuni moja inaweza kuwa na nguvu katika utafiti wa msingi; kampuni nyingine inaweza kuwa na uwezo wa maendeleo ya kliniki, udhibiti, uzalishaji au uuzaji. Kwa hiyo miungano ya R&D kati ya kampuni ni ya kawaida katika sekta ya dawa. Hata hivyo, kuunda muungano pekee haitoshi. Wahusika lazima waelewe, watathmini na watumie kwa usahihi taarifa walizonazo wenzao.

Tatizo kuu hapa ni asymmetry ya taarifa. Kwa mfano, kampuni ndogo ya bioteknolojia inaweza kujua vizuri uwezo wa kisayansi wa mgombea wa dawa inayotengeneza. Kampuni kubwa ya dawa, kwa upande mwingine, hutathmini taarifa hii kutoka nje huku ikiwa na taarifa pungufu. Upungufu huu wa taarifa hufanya uwekaji mikataba, ugawaji wa hatari, uamuzi wa uwekezaji na mchakato wa pamoja wa R&D kuwa mgumu zaidi.

Swali la msingi la utafiti ni hili: Je, akili bandia hufanya miungano kuwa yenye ufanisi zaidi kwa kusaidia kampuni kuelewa vizuri zaidi taarifa changamano za kisayansi zinazotoka kwa washirika wa nje?

Mbinu Inapendekeza Nini?

Utafiti hauchukulii akili bandia kama “automation” pekee. Kwa mtazamo mpana zaidi, unaifasiri AI kama uwezo unaowezesha kampuni kugundua, kutathmini na kuipa maana taarifa changamano na zilizogawanyika kutoka nje. Mtazamo huu ni tofauti na teknolojia za taarifa za jadi. Mifumo ya kawaida ya IT hutoa zaidi ufikiaji wa data, mawasiliano na uratibu wa mtiririko wa kazi. AI, hasa kupitia machine learning, inaweza kutoa mifumo kutoka katika hifadhidata kubwa, kusasisha utabiri na kuunganisha taarifa kutoka vyanzo tofauti.

Waandishi wanapima rasilimali za AI za kampuni kwa vipengele viwili vikuu: hati miliki zinazohusiana na AI na matangazo ya ajira yanayotafuta ujuzi wa AI. Hati miliki zinaonyesha akiba ya maarifa ya kiufundi ya kampuni katika AI. Matangazo ya ajira yanaonyesha mahitaji ya kampuni kwa rasilimali watu wenye ujuzi wa AI. Vipengele hivi viwili husawazishwa na kubadilishwa kuwa kipimo kilichounganishwa cha “AI resources”.

Kama matokeo ya ubunifu, utafiti hutumia wagombea wa dawa, wagombea wa dawa wanaotengenezwa kupitia leseni au muungano, na miungano ya kampuni. Pia hutumia marejeo ya hati miliki kupima mtiririko wa maarifa. Kampuni kutaja kwa kiwango kikubwa zaidi hati miliki za mshirika wake wa R&D wa muungano huchukuliwa kama kiashiria kisicho cha moja kwa moja cha mtiririko wa maarifa kutoka kwenye ushirikiano huo.

Kama mbinu ya kiuchumi-metriki, udhibiti tofauti hutumiwa, ikiwemo panel regressions zenye fixed effects, two-stage least squares, propensity score matching na Heckman selection model. Lengo ni kuonyesha kwamba matokeo hayategemei tu uchaguzi fulani wa modeli na kupunguza matatizo kama reverse causality au selection bias.

Fomula Zinaeleza Nini?

Fomula kuu katika PDF zinasomeka. MathJax blocks zilizo hapa chini zimeandaliwa kwa uaminifu mkubwa iwezekanavyo kwa mpangilio wa alama katika utafiti.

Fomula ya kwanza inaeleza kwa njia ya angavu uhusiano wa ukamilishanaji kati ya akili bandia na miungano. Wazo ni hili: AI na miungano zinapotumiwa pamoja, athari ya ubunifu inayotokea inaweza kuwa kubwa kuliko jumla ya athari za kila moja peke yake.

Fomula ya pili inaonyesha jinsi rasilimali za AI za kampuni zinavyopimwa. Hati miliki za AI na matangazo ya ajira yanayotaka ujuzi wa AI kwanza hunormalishwa kila moja, kisha hujumlishwa na kunormalishwa tena ili kupata kipimo cha pamoja cha rasilimali za AI.

Fomula ya tatu inapima uhusiano wa rasilimali za AI na sehemu ya dawa zinazotengenezwa kupitia leseni au muungano. Hapa \(i\) inawakilisha kampuni na \(t\) mwaka. \(T_t\) inawakilisha fixed effect ya mwaka, \(g_i\) fixed effect ya kampuni, na \(X_{it,c}\) vigezo vya udhibiti kama akiba ya hati miliki, umri wa kampuni, idadi ya wafanyakazi na matumizi ya R&D.

Fomula ya nne inapima jinsi rasilimali za AI na miungano kwa pamoja zinavyoathiri matokeo ya maendeleo ya dawa. Neno muhimu hapa ni mwingiliano \( \mathrm{AI\ resources}_{it} \times \ln(\mathrm{Alliances})_{it} \). Ikiwa mgawo huu ni chanya, inatafsiriwa kuwa AI na miungano zinaimarishana.

Fomula ya tano hutumiwa kupima mtiririko wa maarifa. Mtiririko wa maarifa unawakilishwa na mabadiliko katika marejeo ambayo kampuni hufanya kwa hati miliki za mshirika wake wa muungano. Ingawa kipimo hiki hakionyeshi moja kwa moja ushirikishaji wa maarifa, ni proxy inayotumika sana katika fasihi ya kitaaluma kupima mtiririko wa maarifa.

Fomula ya stock inayotumika katika sehemu ya ziada huzingatia kupungua kwa thamani kwa muda kwa vigezo vinavyojilimbikiza kama dawa, miungano au hati miliki. Utafiti unatumia kiwango cha kila mwaka cha asilimia 15 cha depreciation. Hii ina maana kwamba mchango wa miungano ya zamani au hati miliki za zamani kwa ubunifu wa leo unachukuliwa kuwa mdogo kuliko wa mpya.

Ujumbe Mkuu wa Grafu, Jedwali na Mchoro

Badala ya grafu au michoro mingi kwa maana ya kawaida, PDF ina zaidi majedwali ya regression na majedwali ya ziada. Kwa hiyo ujumbe mkuu wa kuona unapaswa kusomwa kupitia kile ambacho majedwali yanaonyesha.

Table 1 kwenye ukurasa wa 43 wa PDF hutoa takwimu za muhtasari na correlations za vigezo vilivyotumiwa katika utafiti. Jedwali hili linaonyesha kwamba vigezo kama maendeleo ya dawa, maendeleo ya dawa kupitia leseni, hati miliki za AI, ujuzi wa AI, miungano, akiba ya hati miliki, umri wa kampuni, idadi ya wafanyakazi na matumizi ya R&D vinachambuliwa kwa pamoja.

Table 2 kwenye ukurasa wa 44 wa PDF inaeleza kwa njia rahisi jinsi vigezo vinavyofafanuliwa. Hapa “drugs developed” inamaanisha jumla ya matokeo ya wagombea wa dawa, huku “drugs developed through licenses” ikimaanisha wagombea wa dawa wanaotengenezwa kupitia muungano au leseni. AI IP inawakilisha hati miliki, na AI skills inawakilisha matangazo ya ajira yanayotafuta ujuzi wa AI.

Table 3 kwenye ukurasa wa 45 wa PDF hutoa matokeo makuu ya utafiti. Ongezeko la standard deviation moja katika rasilimali za AI linahusishwa na ongezeko chanya katika sehemu ya dawa zinazotengenezwa kupitia leseni na ongezeko la idadi ya miungano. Katika jedwali hilo hilo, interaction term kati ya rasilimali za AI na miungano pia ni chanya. Hii inaunga mkono wazo kwamba AI na miungano, zinapotumiwa pamoja, zinaweza kuathiri kwa nguvu zaidi matokeo ya ubunifu.

Table 4 kwenye ukurasa wa 46 wa PDF inalinganisha AI na rasilimali za jadi za IT. Ujumbe mkuu ni huu: Athari iliyo wazi kuelekea ubunifu unaotegemea miungano inaonekana zaidi kwa rasilimali za AI, na hasa upande wa machine learning, kuliko kwa IT ya jadi. Expert systems, yaani mbinu tuli zaidi za akili bandia zinazotegemea kanuni, hazionekani kuwa na nguvu kwa kiwango hicho.

Table 5 kwenye ukurasa wa 47 wa PDF inapima kwa undani zaidi ukamilishanaji wa AI na miungano. Matokeo yanaunga mkono wazo kwamba rasilimali za AI na miungano kwa pamoja huongeza matokeo ya maendeleo ya dawa. Sehemu hii inasisitiza kwamba athari ya machine learning ni dhahiri zaidi kuliko ya expert systems.

Table 6 kwenye ukurasa wa 48 wa PDF inachunguza mtiririko wa maarifa. Ongezeko la rasilimali za AI linahusishwa na ongezeko la marejeo ambayo kampuni hufanya kwa hati miliki za washirika wao wa miungano. Matokeo haya yanaashiria kwamba AI si tu huongeza ufanisi wa uchakataji ndani ya kampuni, bali pia inaweza kuongeza uwezo wa kutumia taarifa kutoka kwa washirika wa nje.

Table 7 kwenye ukurasa wa 49 wa PDF inaangalia hatua za baadaye zaidi katika maendeleo ya dawa. Ujumbe mkuu ni wa tahadhari zaidi: Ukamilishanaji wa AI na miungano unaonekana wazi zaidi katika hatua za awali; kadiri hatua za kliniki zinavyoendelea, athari hupungua na baadhi ya matokeo hupoteza uwazi wao wa kitakwimu.

Majaribio Yalifanywaje?

Utafiti huu haufanyi jaribio la maabara; unafanya uchanganuzi wa empiria unaotegemea data. Kipindi kinachochunguzwa ni 2010-2019. Lengo ni kampuni katika sekta ya dawa. Utafiti hutumia hifadhidata za maendeleo ya dawa kwa matokeo ya maendeleo ya dawa, data za ushirikiano wa biopharma kwa miungano, hifadhidata za hati miliki kwa hati miliki za AI, na data za matangazo ya ajira kwa ujuzi wa AI.

Katika hatua ya kwanza ya uchanganuzi, inapimwa kama kampuni zinapoongeza rasilimali za AI zinafanya ubunifu kwa kiwango kikubwa zaidi kupitia leseni au miungano. Katika hatua ya pili, inachunguzwa kama rasilimali za AI na miungano kwa pamoja zinaongeza matokeo ya maendeleo ya dawa. Katika hatua ya tatu, mtiririko wa maarifa hupimwa kupitia marejeo ya hati miliki.

Waandishi hutumia regressions zenye fixed effects kudhibiti sifa zisizobadilika katika kiwango cha kampuni na mienendo ya jumla ya kila mwaka. Pia hufanya vipimo vya ziada kama propensity score matching, Heckman selection na instrumental variable approach dhidi ya selection bias na wasiwasi wa causality. Hata hivyo, utafiti unasema kwamba matokeo si ushahidi wa mwisho wa causality; yanapaswa kutathminiwa kama mahusiano yanayoonekana kwa uthabiti katika mbinu tofauti.

Matokeo Yanaonyesha Nini?

Matokeo makuu ya utafiti ni kwamba kampuni za dawa zenye rasilimali nyingi zaidi za AI huhamisha shughuli zao za ubunifu kwa kiwango kikubwa zaidi kuelekea miungano. Ongezeko la rasilimali za AI linahusishwa na ongezeko la sehemu ya dawa zinazotengenezwa kupitia leseni na idadi ya miungano ya kampuni.

Matokeo ya pili muhimu ni kwamba AI na miungano ni vikamilishano. Hapa ukamilishanaji una maana hii: AI peke yake huzalisha thamani, na miungano peke yake pia huzalisha thamani; lakini zinapotumiwa pamoja athari inayotokea inaweza kuwa na nguvu zaidi. Rasilimali za machine learning hasa zina nafasi iliyo wazi zaidi kuliko expert systems zinazotegemea kanuni.

Matokeo ya tatu ni kwamba AI inahusishwa na mtiririko wa maarifa. Kampuni zenye rasilimali nyingi za AI hurejelea zaidi hati miliki za washirika wao wa R&D katika miungano. Hii inaashiria kwamba AI inaweza kuongeza uwezo wa kugundua na kutathmini vizuri zaidi taarifa zinazotoka kwa washirika.

Matokeo ya nne ni ya tahadhari zaidi: Uhusiano wa AI na miungano unaonekana wazi zaidi katika hatua za awali za maendeleo ya dawa, lakini athari hupungua kadiri hatua za kliniki zinavyoendelea. Hili si la kushangaza; kwa sababu maendeleo ya kliniki hayahusishi tu uchakataji wa data, bali pia vipengele changamano zaidi kama biolojia ya binadamu, udhibiti, usalama, utekelezaji wa uwanjani na uamuzi wa kitaalamu.

Kwa Nini Hili ni Muhimu?

Utafiti huu unapanua dhana iliyoenea kuhusu akili bandia. AI mara nyingi hujadiliwa chini ya vichwa kama “uchanganuzi wa haraka zaidi”, “automation” au “ufanisi”. Makala hii inasema kuwa AI pia inaweza kubadilisha mipaka ya kampuni na namna zinavyoshirikiana.

Ikiwa AI inasaidia kampuni kuelewa vizuri zaidi taarifa changamano kutoka kwa washirika wa nje, kampuni huenda zisilazimike kuendeleza kila kitu ndani yao wenyewe. Kampuni nyingi zaidi zilizobobea, miungano mingi zaidi na mitandao inayonyumbulika zaidi ya ubunifu vinaweza kutokea. Hili ni muhimu hasa kwa sekta kama bioteknolojia, dawa, nishati, anga, nyenzo za hali ya juu na sekta zinazohitaji R&D kubwa.

Ujumbe wa utafiti kwa mameneja pia ni wazi: Uwekezaji katika AI si tu kujenga miundombinu ya kiufundi au timu ya data science. AI, ikitumiwa kwa usahihi, inaweza kuwa uwezo wa kimkakati unaoongeza uwezo wa kampuni kufanya kazi na washirika wa nje.

Mambo ya Kuzingatia

Kwa kuwa utafiti ni preprint, haupaswi kutathminiwa kama makala ya mwisho iliyopitiwa na wenzao. Ingawa matokeo yanaungwa mkono na uchanganuzi wenye nguvu na mpana, mbinu, tafsiri au matokeo yanaweza kubadilika mwishoni mwa mchakato wa uchapishaji.

Jambo la pili la kuzingatia ni causality. Kampuni zenye rasilimali nyingi za AI huenda tayari ni bunifu zaidi, kubwa zaidi au zinasimamiwa vizuri zaidi. Waandishi hutumia mbinu kama fixed effects, matching, instrumental variables na Heckman model kupunguza tatizo hili. Lakini utafiti hauonyeshi kwa uhakika kwamba rasilimali za AI pekee ndizo zinazosababisha moja kwa moja mafanikio ya miungano.

Jambo la tatu ni kipimo. Rasilimali za AI hupimwa kwa hati miliki na matangazo ya ajira. Ingawa hii ni mbinu ya busara, huenda isionyeshe kikamilifu ubora halisi wa matumizi ya AI katika kampuni. Kampuni inaweza kuwa inatafuta mtaalamu wa AI lakini nafasi isiwe imejazwa. Au idadi ya hati miliki inaweza kuwa kubwa lakini matumizi yake katika mchakato halisi wa R&D yakawa machache.

Jambo la nne ni muktadha wa afya. Utafiti unachunguza mikakati ya maendeleo ya dawa; hautoi pendekezo la kitabibu kuhusu ufanisi, usalama au matumizi ya kliniki ya tiba yoyote. Maendeleo ya dawa na maamuzi ya kliniki yanahitaji taasisi za udhibiti, wataalamu wa kliniki na michakato ya tathmini ya kisayansi.

Hitimisho

Utafiti huu unaonyesha kwamba akili bandia inaweza kuwa na nafasi mpya katika mahusiano ya ubunifu kati ya kampuni. AI si tu zana ya kiufundi inayochanganua data; inaweza pia kufikiriwa kama uwezo wa ushirikiano unaowezesha kampuni kutathmini vizuri zaidi taarifa zinazotoka kwa washirika wao.

Matokeo katika sekta ya dawa yanaonyesha kwamba kampuni zenye rasilimali kubwa za AI huunda miungano mingi zaidi, huendesha ubunifu kwa kiwango kikubwa zaidi kupitia ushirikiano wa nje na zinaweza kupata matokeo makubwa zaidi ya ubunifu zinapotumia AI na miungano kwa pamoja. Athari hii inaonekana hasa upande wa machine learning.

Hata hivyo, matokeo yanapaswa kusomwa kwa tahadhari. Huu ni utafiti wa preprint na dai la causality ni la kikomo. Pamoja na hilo, ujumbe muhimu kwa Verianla ni wazi: Akili bandia inaweza kubadilisha si tu kasi ya ubunifu, bali pia muundo wake wa shirika. Katika ushindani wa R&D wa siku zijazo, kampuni zenye nguvu zaidi zinaweza kuwa si zile tu zenye algoriti bora, bali zile zinazoweza kuunganisha AI na ushirikiano sahihi.

Dokezo la Chanzo na Mbinu

Maudhui haya yameandaliwa kwa msingi wa utafiti wa preprint wenye kichwa “Artificial Intelligence, Alliances, and Innovation” ulioandaliwa na Bowen Lou na Evan Rawley. Utafiti unachunguza uhusiano kati ya rasilimali za akili bandia, miungano ya kampuni na matokeo ya ubunifu katika sekta ya dawa katika kipindi cha 2010-2019.

Maudhui haya si tafsiri ya neno kwa neno; wazo kuu la utafiti limerahisishwa na kubadilishwa kuwa makala asilia ya uhariri ya Kiswahili kwa mujibu wa mkondo wa uchapishaji wa Verianla.