Novo Nordisk ਨੇ ਆਪਣੀ ਡਰੱਗ-ਡਿਸਕਵਰੀ (drug-discovery) ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਖੁਦਮੁਖਤਿਆਰ "agentic AI" ਏਜੰਟਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ Amazon Web Services ਨਾਲ ਇੱਕ ਭਾਈਵਾਲੀ (partnership) ਕੀਤੀ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਪਰਿਕਲਪਨਾ (hypothesis) ਤੋਂ ਲੈ ਕੇ ਉਮੀਦਵਾਰ ਅਣੂ (candidate molecule) ਤੱਕ ਦੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਣਾ ਹੈ। ਇਹ ਕਦਮ ਸਿਰਫ਼ ਪੈਟਰਨਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ (predictive models) ਤੋਂ ਹਟ ਕੇ ਅਜਿਹੇ AI ਸਿਸਟਮਾਂ ਵੱਲ ਇੱਕ ਮੋੜ ਹੈ ਜੋ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਬਿਨਾਂ ਬਹੁ-ਪੜਾਅ ਵਾਲੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਅੰਜਾਮ ਦੇ ਸਕਦੇ ਹਨ।

ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਅਮਲ ਤੱਕ

ਫਾਰਮਾਸਿਊਟੀਕਲ ਖੋਜ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਜੈਨੋਮਿਕ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਨ, ਸੰਭਾਵੀ ਟਾਰਗੇਟਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਅਤੇ ਕੰਪਾਊਂਡ ਪ੍ਰੋਟੀਨ ਨਾਲ ਕਿਵੇਂ ਜੁੜ ਸਕਦੇ ਹਨ, ਇਸਦਾ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਟੂਲਜ਼ 'ਤੇ ਨਿਰਭਰ ਰਹੀ ਹੈ। ਉਹ ਟੂਲ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ (insight) ਦੇ ਪੜਾਅ ਤੱਕ ਹੀ ਸੀਮਤ ਹਨ; ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਅਜੇ ਵੀ ਅਗਲਾ ਪ੍ਰਯੋਗ ਤਿਆਰ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਸਿਮੂਲੇਸ਼ਨ ਚਲਾਉਣਾ ਪੈਂਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਇਸਦੇ ਉਲਟ, Agentic AI ਅਮਲ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇੱਕ AI ਏਜੰਟ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਟੀਚਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ, "ਪ੍ਰੋਟੀਨ X ਲਈ ਇੱਕ small-molecule inhibitor ਦੀ ਪਛਾਣ ਕਰੋ"—ਅਤੇ ਫਿਰ ਡੇਟਾ ਰਿਟ੍ਰੀਵਲ, ਮੋਲੀਕਿਊਲਰ-ਡਿਜ਼ਾਈਨ ਐਲਗੋਰਿਦਮ, ਸਿਮੂਲੇਸ਼ਨ ਰਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਲੈਬਾਰਟਰੀ ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਸੁਝਾਅ ਵੀ ਇੱਕ ਸਿੰਗਲ ਵਰਕਫਲੋ ਦੇ ਅੰਦਰ ਲੜੀਵਾਰ ਕਰ ਸਕਦਾ ਹੈ।

ਅਸਲ ਵਿੱਚ, Novo Nordisk ਇਹਨਾਂ ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਤਿੰਨ ਮੁੱਖ ਕੰਮਾਂ ਲਈ ਕਰੇਗਾ:

  • Target identification – ਬਿਮਾਰੀ ਨਾਲ ਸਬੰਧਤ ਜੀਨਾਂ ਜਾਂ ਪ੍ਰੋਟੀਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ omics ਡੇਟਾਸੈਟਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ druggability ਦੇ ਅਧਾਰ 'ਤੇ ਰੈਂਕ ਕਰਨਾ।
  • Therapy design – ਉਮੀਦਵਾਰ ਮੋਲੀਕਿਊਲਰ ਸੰਰਚਨਾਵਾਂ ਤਿਆਰ ਕਰਨਾ, docking ਅਤੇ dynamics ਸਿਮੂਲੇਸ਼ਨ ਚਲਾਉਣਾ, ਅਤੇ ਅਨੁਮਾਨਿਤ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਪ੍ਰੋਫਾਈਲਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਕੈਮਿਸਟਰੀ ਨੂੰ ਵਾਰ-ਵਾਰ ਸੁਧਾਰਨਾ।
  • Protocol automation – ਪ੍ਰਯੋਗਿਕ ਯੋਜਨਾਵਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ, ਰੀਏਜੈਂਟਸ (reagents) ਦਾ ਆਰਡਰ ਦੇਣਾ, ਅਤੇ ਨਿਰੰਤਰ ਸਿੱਖਣ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਵਾਪਸ AI ਲੂਪ ਵਿੱਚ ਭੇਜਣਾ।

ਹਰੇਕ ਕਦਮ ਦੇ ਵਿਚਕਾਰ ਮੈਨੂਅਲ ਹੈਂਡ-ਆਫ (manual hand-off) ਨੂੰ ਹਟਾ ਕੇ, ਕੰਪਨੀ ਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਉਹ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਜੋ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਸਾਲਾਂ ਤੱਕ ਚੱਲਦੀ ਹੈ, ਨੂੰ ਮਹੀਨਿਆਂ ਵਿੱਚ ਬਦਲ ਸਕੇਗੀ।

AI ਇੰਜਣ ਅਤੇ ਕਲਾਉਡ ਬੈਕਬੋਨ ਵਜੋਂ AWS

ਇਹ ਸਮਝੌਤਾ AWS ਨੂੰ Novo Nordisk ਦੇ ਪਸੰਦੀਦਾ ਕਲਾਉਡ ਪ੍ਰੋਵਾਈਡਰ ਅਤੇ ਰਣਨੀਤਕ AI ਭਾਈਵਾਲ ਵਜੋਂ ਨਾਮਜ਼ਦ ਕਰਦਾ ਹੈ। AWS ਹਾਈ-ਪਰਫਾਰਮੈਂਸ ਕੰਪਿਊਟ ਕਲੱਸਟਰ, ਸੀਕੁਐਂਸਿੰਗ ਅਤੇ ਟ੍ਰਾਇਲ ਡੇਟਾ ਲਈ ਪੈਟਾਬਾਈਟਸ ਸਟੋਰੇਜ, ਅਤੇ ਵਿਗਿਆਨਕ ਵਰਕਲੋਡ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ AI ਸੇਵਾਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਪ੍ਰਦਾਨ ਕਰੇਗਾ। ਇਹ ਭਾਈਵਾਲੀ Novo Nordisk ਦੇ ਲੰਡਨ ਸਾਈਟ 'ਤੇ ਇੱਕ co-innovation hub ਵੀ ਬਣਾਉਂਦੀ ਹੈ, ਜਿੱਥੇ ਡੇਟਾ ਵਿਗਿਆਨੀ, ਜੀਵ ਵਿਗਿਆਨੀ, ਅਤੇ AWS ਇੰਜੀਨੀਅਰ ਬੇਸਪੋਕ (bespoke) AI ਏਜੰਟਾਂ ਦਾ ਪ੍ਰੋਟੋਟਾਈਪ ਅਤੇ ਟੈਸਟ ਕਰਨਗੇ।

ਇਹ ਹੱਬ ਇੱਕ sandbox ਹੈ, production line ਨਹੀਂ। ਟੀਮਾਂ ਵੱਖ-ਵੱਖ ਏਜੰਟ ਆਰਕੀਟੈਕਚਰਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਮਲਕੀਅਤ ਵਾਲੇ ਜੈਵਿਕ ਡੇਟਾਬੇਸ ਨੂੰ ਜੋੜ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਇਹ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੀਆਂ ਹਨ ਕਿ ਏਜੰਟ ਦੁਰਲੱਭ-ਬਿਮਾਰੀ ਦੇ ਰਸਤਿਆਂ (rare-disease pathways) ਜਾਂ off-target ਪ੍ਰਭਾਵਾਂ ਵਰਗੇ edge cases ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੇ ਹਨ। ਨੇੜਤਾ ਉਸ ਫੀਡਬੈਕ ਲੂਪ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ ਜੋ ਗੁੰਝਲਦਾਰ ਜੀਵ ਵਿਗਿਆਨ ਨੂੰ ਅਤਿ-ਆਧੁਨਿਕ AI ਨਾਲ ਜੋੜਨ ਵੇਲੇ ਜ਼ਰੂਰੀ ਹੁੰਦੀ ਹੈ।

ਬਾਇਓਟੈਕ ਸੈਕਟਰ ਇਸ ਵੱਲ ਕਿਉਂ ਨਜ਼ਰ ਰੱਖ ਰਿਹਾ ਹੈ

ਡਰੱਗ ਡਿਵੈਲਪਮੈਂਟ ਆਪਣੀ ਮਹਿੰਗੀ ਅਤੇ ਹੌਲੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ। ਉਦਯੋਗ ਵਿੱਚ ਇੱਕ ਅਣੂ (molecule) ਨੂੰ ਸੰਕਲਪ ਤੋਂ ਬਾਜ਼ਾਰ ਤੱਕ ਲਿਆਉਣ ਲਈ ਔਸਤਨ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਵੱਧ ਸਮਾਂ ਅਤੇ ਅਰਬਾਂ ਡਾਲਰ ਲੱਗਦੇ ਹਨ। ਕੋਈ ਵੀ ਤਕਨੀਕ ਜੋ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਉਸ ਸਮੇਂ ਨੂੰ ਹਫ਼ਤਿਆਂ ਜਾਂ ਮਹੀਨਿਆਂ ਤੱਕ ਘਟਾ ਦਿੰਦੀ ਹੈ, ਉਹ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਲਾਗਤ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ, ਮਰੀਜ਼ਾਂ ਦੀ ਪਹੁੰਚ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਫਰਮ ਦੀ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੀ ਹੈ।

Agentic AI ਇਸ ਸੈਕਟਰ ਨੂੰ cloud-first operating model ਵੱਲ ਵੀ ਧੱਕਦਾ ਹੈ। ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਮੰਗ 'ਤੇ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਚਲਾ ਸਕਦੀਆਂ ਹਨ, ਸਮਾਨਾਂਤਰ (parallel) ਸਿਮੂਲੇਸ਼ਨ ਚਲਾ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਇੱਕ ਸਾਂਝੇ ਰਿਪੋਜ਼ੀਟਰੀ ਵਿੱਚ ਇੱਕ ਅਣੂ ਦੇ ਡਿਜ਼ਾਈਨ ਦੇ ਹਰ ਵੇਰਵੇ ਨੂੰ ਸਟੋਰ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਰਣਨੀਤਕ ਲਾਭ ਮਿਲਦਾ ਹੈ। AWS ਨਾਲ Novo Nordisk ਦਾ ਮੇਲ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਫਾਰਮਾ ਨਵੀਨਤਾ (pharma innovation) ਦੀ ਅਗਲੀ ਲਹਿਰ ਸਕੈਲੇਬਲ ਕਲਾਉਡ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਤੋਂ ਅਲੱਗ ਨਹੀਂ ਹੋਵੇਗੀ।

ਜੋਖਮ ਅਤੇ ਸ਼ੰਕੇ

ਖੁਦਮੁਖਤਿਆਰ ਏਜੰਟਾਂ ਦਾ ਵਾਅਦਾ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦਾ। ਵੈਲੀਡੇਸ਼ਨ (Validation) ਅਜੇ ਵੀ ਇੱਕ ਰੁਕਾਵਟ ਹੈ; AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਕੰਪਾਊਂਡ ਨੂੰ ਅਜੇ ਵੀ ਸਿੰਥੇਸਾਈਜ਼ ਕਰਨਾ, in vitro ਟੈਸਟ ਕਰਨਾ, ਅਤੇ ਜ਼ਹਿਰੀਲੇਪਣ (toxicity) ਲਈ ਮੁਲਾਂਕਣ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਆਲੋਚਕਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ AI ਸਿਸਟਮ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਤੋਂ ਪੱਖਪਾਤ (biases) ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਨਵੇਂ ਤਰੀਕਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਇਤਿਹਾਸਕ ਪੈਟਰਨਾਂ ਤੋਂ ਬਾਹਰ ਹਨ। ਰੈਗੂਲੇਟਰਾਂ ਨੇ ਅਜੇ ਤੱਕ AI-ਨਿਰਮਿਤ ਡਰੱਗ ਉਮੀਦਵਾਰਾਂ ਲਈ ਸਪੱਸ਼ਟ ਦਿਸ਼ਾ

  • ਪ੍ਰਦਰਸ਼ਨ ਬੈਂਚਮਾਰਕ – ਲੰਡਨ ਹੱਬ ਦੇ ਸ਼ੁਰੂਆਤੀ ਅਧਿਐਨ ਇਹ ਖੁਲਾਸਾ ਕਰਨਗੇ ਕਿ ਏਜੰਟ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਟਾਰਗੇਟ ਚੋਣ ਤੋਂ ਲੈ ਕੇ ਰਸਾਇਣਕ ਤੌਰ 'ਤੇ ਵਿਵਹਾਰਕ ਲੀਡ (chemically viable lead) ਤੱਕ ਪਹੁੰਚ ਸਕਦੇ ਹਨ, ਅਤੇ ਇਹ ਰਵਾਇਤੀ ਪਾਈਪਲਾਈਨਾਂ ਨਾਲ ਕਿਵੇਂ ਤੁਲਨਾ ਕਰਦਾ ਹੈ।
  • ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਤੀਕਿਰਿਆ – ਜਿਵੇਂ ਹੀ AI-ਨਿਰਮਿਤ ਉਮੀਦਵਾਰ ਕਲੀਨਿਕਲ ਟਰਾਇਲਜ਼ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦੇ ਹਨ, ਰੈਗੂਲੇਟਰਾਂ ਨੂੰ ਇਹ ਫੈਸਲਾ ਲੈਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ ਅੰਡਰਲਾਈਂਗ AI ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕੀਤਾ ਜਾਵੇ। ਕੋਈ ਵੀ ਮਾਰਗਦਰਸ਼ਨ ਪੂਰੀ ਉਦਯੋਗ ਲਈ ਨਵੀਆਂ ਮਿਸਾਲਾਂ ਸਥਾਪਿਤ ਕਰ ਸਕਦਾ ਹੈ।
  • ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦੇ ਪ੍ਰਭਾਵ – ਹੋਰ ਵੱਡੀਆਂ ਫਾਰਮਾ ਕੰਪਨੀਆਂ ਨੇ ਅਜਿਹੀਆਂ ਹੀ AI-ਪਹਿਲ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਖੋਜ ਕਰਨ ਦੇ ਇਸ਼ਾਰੇ ਦਿੱਤੇ ਹਨ। ਜੇਕਰ Novo Nordisk ਮਾਪਣਯੋਗ ਰਫਤਾਰ ਜਾਂ ਲਾਗਤ ਵਿੱਚ ਫਾਇਦੇ ਦਿਖਾਉਂਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਬਾਇਓਟੈਕ ਅਤੇ ਪ੍ਰਮੁੱਖ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਵਿਚਕਾਰ ਭਾਈਵਾਲੀ ਦੀ ਇੱਕ ਲਹਿਰ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹਾਂ।
  • ਟੈਲੇਂਟ ਦਾ ਪ੍ਰਵਾਹ – ਇਹ ਸਹਿਯੋਗ ਬਾਇਓਲੋਜੀ 'ਤੇ ਕੇਂਦਰਿਤ AI ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਭਰਤੀ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਮੁੜ ਸੁਰਜੀਤ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਅਕਾਦਮਿਕ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ “agentic AI for life sciences” 'ਤੇ ਜ਼ੋਰ ਦੇਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦਾ ਹੈ।

ਨਿਚੋੜ

AWS ਨਾਲ Novo Nordisk ਦੀ ਸਾਂਝ ਡਰੱਗ ਡਿਸਕਵਰੀ ਦੀ ਗੱਲਬਾਤ ਨੂੰ “AI ਸਾਨੂੰ ਕੀ ਦੱਸ ਸਕਦਾ ਹੈ?” ਤੋਂ ਬਦਲ ਕੇ “AI ਸਾਡੇ ਲਈ ਕੀ ਕਰ ਸਕਦਾ ਹੈ?” ਤੱਕ ਲੈ ਜਾਂਦੀ ਹੈ। ਕਾਰਜਕਾਰੀ ਜ਼ਿੰਮੇਵਾਰੀ ਆਟੋਨੋਮਸ ਏਜੰਟਾਂ ਨੂੰ ਸੌਂਪ ਕੇ, ਇਸ ਭਾਈਵਾਲੀ ਦਾ ਉਦੇਸ਼ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਲੰਬੀ ਅਤੇ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇੱਕ ਵਧੇਰੇ ਕੁਸ਼ਲ ਅਤੇ ਵਾਰ-ਵਾਰ ਦੁਹਰਾਈ ਵਾਲੇ ਚੱਕਰ (iterative cycle) ਵਿੱਚ ਬਦਲਣਾ ਹੈ। ਸਫਲਤਾ ਇਸ ਗੱਲ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ ਕਿ ਨਵੀਆਂ ਥੈਰੇਪੀਆਂ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਮਰੀਜ਼ਾਂ ਤੱਕ ਪਹੁੰਚਦੀਆਂ ਹਨ, ਪਰ ਇਹ ਮਜ਼ਬੂਤ ਵੈਲੀਡੇਸ਼ਨ, ਰੈਗੂਲੇਟਰੀ ਸਪੱਸ਼ਟਤਾ, ਅਤੇ ਮੌਜੂਦਾ ਲੈਬ ਵਰਕਫਲੋ ਵਿੱਚ AI ਏਜੰਟਾਂ ਨੂੰ ਜੋੜਨ ਦੀ ਯੋਗਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਉਦਯੋਗ ਲੰਡਨ ਹੱਬ ਦੇ ਪਹਿਲੇ ਨਤੀਜਿਆਂ ਨੂੰ ਬੜੀ ਨਜ਼ਦੀਕੀ ਨਾਲ ਦੇਖੇਗਾ; ਉਹ AI-ਡਰਾਈਵਨ ਦਵਾਈਆਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਲਈ ਬੈਂਚਮਾਰਕ ਬਣ ਸਕਦੇ ਹਨ।