Ai4
阿斯利康拒绝大规模跨系统Agent直连并直言成熟期至少需五年,主张以认知行为学重塑科研团队并由自主Agent接管跨国合规。
AI-assisted summary of Scaling Enterprise AI: A Fireside Chat with AstraZeneca’s Chief Architect With Dapple And AstaZeneca — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本期内容由 Ai4 于 2025 年 8 月 24 日发布在 YouTube 平台上。视频记录了 Dapple 联合创始人兼首席执行官 Tricia Martinez-Saab 与阿斯利康(AstraZeneca)首席企业架构师 Wayne Filin-Matthews 的炉边对话,深入探讨了阿斯利康如何设计下一代 AI 与智能体基础设施,以支持大规模科学发现、跨国监管治理及可持续发展目标。
## TL;DR 阿斯利康首席企业架构师 Wayne Filin-Matthews 阐释了公司如何依托 Agent 架构应对激进增长挑战,计划在不盲目扩充人力的情况下实现 4 年内营收翻倍并在 5 年内推出 20 款新药。他指出当前应警惕过早开放大规模跨平台 Agent-to-Agent(A2A)通信,需优先解决可组合层缺失与多跳 Token 成本预测难题;同时主张跳出线性自动化思维,将认知行为学引入多 Agent 科研协作体系。此外,他强调应以自动化合规 Agent 替代传统问答 Chatbot 处理跨国数据主权问题,并基于历史技术周期预判智能体生态需经历约 5 年沉淀与组织重塑方能真正成熟。
## Atmosphere & style 整场对话沉稳、理性且极具工业实战底蕴,充盈着资深架构师面对技术狂热时的清醒与定力。Wayne 结合其 38 年横跨微软、汇丰与戴尔的工程经验,以极富洞察力的历史镜像(如早期云计算发展路径)从容解构当前的 AGI 炒作与 Agent 落地误区。主持人的精准引导与 Wayne 坦率务实的行业真知相互交织,使整场对话在展现制药巨头宏伟科技蓝图的同时,透露出对企业级护栏、成本治理与人机协同深思熟虑的严谨底色。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=4s) 阿斯利康计划在4年内实现营收翻倍(500亿至1000亿美元)并在5年内推出20款新药,在1万名IT人员的规模限制下,Agent架构是实现非线性生产力跨越的核心路径。 - [00:04](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=4s) 制药研发面临比汽车制造业更严峻的碳足迹挑战,阿斯利康将AI提速与患者生命挽救及2030年净零排放(Net Zero)承诺紧密绑定。 - [06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) 企业无需试图构建单一统一的Agent平台,而应允许各业务部门在SAP Joule、ServiceNow、Azure、AWS等原生平台中实现Agent民主化落地。 - [06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) 现阶段坚决管控大规模跨平台Agent-to-Agent(A2A)通信,核心瓶颈在于企业级可组合层(统一Agent目录、委托授权、可追溯性)尚未成熟。 - [06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) 多Agent在复杂推理链路中涉及搜索、LLM与API的多跳调用,Token与会话成本叠加使得跨Agent预算极难预测,易导致IT成本失控。 - [11:25](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=685s) 落地Agent不能停留在RPA的线性流程延伸思维,必须将认知行为学融入架构,设计具备不同认知特性的Agent协作团队。 - [11:25](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=685s) 在科学探索团队中特意配置“审慎质疑/拖延者 Agent”(Procrastinator Agent),通过放慢节奏和审视前置假设,提升科研成果的严谨性与质量。 - [13:42](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=822s) 告别让人类向Chatbot问答查询规则的低效模式,转向由后台治理Agent团队自主执行合规审计、数据主权核查与人机协同把关。 - [16:10](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=970s) 针对严格的属地化监管(如中国PIPL与跨境数据流动规则),必须依托底层的Agentic架构自动化、规范化地执行安全流转策略。 - [16:22](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=982s) 未来2到3年坚定加倍押注Agent生态,但参照以往云计算基础设施的演进规律,Agent达到真正的企业级成熟与治理至少需要5年试错周期。 - [16:22](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=982s) 企业级AI成功的关键不仅在算法与模型本身,更在于配合Agentic系统对企业内部组织架构与底层运营模型(Operating Model)进行深层重塑。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=4s) 嘉宾介绍与阿斯利康的宏大 AI 战略愿景
对谈在 Ai4 大会开场,Dapple 联合创始人兼首席执行官 Tricia Martinez-Saab 向观众介绍了阿斯利康(AstraZeneca)首席企业架构师 Wayne Filin-Matthews。Wayne 在基础设施与企业级架构领域深耕多年,此前曾担任戴尔(Dell)首席企业架构师、汇丰银行(HSBC)全球数字架构负责人、埃森哲(Accenture)技术咨询资深总监,并在微软(Microsoft)拥有 11 年的企业服务工程与技术转型领导经验。作为福布斯技术委员会与 Gartner 研究委员会成员,他负责掌舵这家全球制药巨头横跨 126 个市场的全球技术与架构战略。
谈及阿斯利康的 AI 成熟度与宏观趋势,Wayne 直言,如果有人说在大型企业落地 AI 很简单,"那绝对不是真的"("if anybody ever tells you this is easy... it's not")。AI 本身并不是新鲜事物,但今年 1 月初他在西海岸与 AWS、微软会晤时深刻感受到范式转移——整个行业的对话重心已经全面从传统模型转向了 Agent 经济(Agent Economy)与代理能力(Agency)。对阿斯利康而言,这正切中其激进的发展目标:作为中国市场排名第一的跨国药企,阿斯利康近期宣布在弗吉尼亚州投资 50 亿美元建设美国制造基地,并计划在未来 4 年内将公司营收从 500 亿美元翻倍至 1000 亿美元。传统上研发一款新药通常需要 10 年,而阿斯利康计划在未来 5 年内推出 20 款全新药物。
在庞大的业务扩张压力下,阿斯利康目前拥有约 10,000 名 IT 员工。Wayne 强调,公司不可能通过再雇佣 10,000 名 IT 人员或简单翻倍业务人手来实现规模扩张,Agent 架构是实现这种非线性生产力飞跃的唯一路径。制药行业长期面临着比汽车制造业还要沉重的碳足迹挑战,阿斯利康将核心价值观锚定在"患者至上"与"可持续发展"(目标在 2030 年实现净零排放)之上。Wayne 动情地提到,在研发和药物上市过程中,"分秒必争"("every moment matters"),新疗法上市越快,在亚洲、非洲等全球各地就能挽救越多患者的生命。
- **业务增长目标**:在 4 年内将企业营收从 500 亿美元翻倍至 1000 亿美元。 - **药物上市提速**:打破传统 10 年一款新药的研发周期,计划在未来 5 年内推出 20 款新药。 - **规模限制与挑战**:IT 团队维持在 10,000 人左右,通过 Agent 架构和 AI 规模化赋能研发与运营,杜绝人力线性扩张。 - **ESG 承诺**:推动制药全流程脱碳,确保在 2030 年达成 Net Zero 净零碳排放目标。
---
[06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) 破解 Agent 架构难题:拒绝过早跨平台 A2A,聚焦可组合性与成本治理
面对快速演进的 Agent 生态,拥有 38 年 IT 架构经验的 Wayne 提出了深刻的反思。他分享了自己最喜欢的箴言——"一切都在变,但一切又都没变"("everything changes but nothing changes"),底层技术的本质逻辑仍在延续,但技术迭代的速度已被极大压缩。在阿斯利康这样崇尚科研探索、业务技术团队高度自治的企业中,今年初许多高管经常问他:"阿斯利康构建 Agent 的统一平台是什么?" Wayne 的回答是,这是一个错误的问题,因为所有核心平台都在原生嵌入 Agent 能力,包括 ServiceNow 的工作流、SAP Joule 的财务优化、微软 Azure AI Foundry、AWS AgentCore / Strands 等。
Wayne 采取的架构原则是:**在核心平台内推进 Agent 民主化,但现阶段坚决对大规模跨平台的 Agent-to-Agent(A2A)通信说"不"**。即使相关方案支持 MCP(Model Context Protocol)等协议,跨平台直接互通在当下企业级场景中依然风险巨大。这背后的核心瓶颈在于企业级**可组合层(Composability Layer)**极度缺失:统一的 Agent 目录(Catalog)、委托访问控制(Delegated Access)、可追溯性以及监管合规层尚未成熟。
更为严峻的挑战是**成本预测与控制**。在多 Agent 复杂推理链路中,一个请求可能从 Microsoft Agent Builder 发起,经由 AI Foundry 调度,调用必应检索,再访问大型语言模型,最后触发 MuleSoft 的 API。这一过程中交织着会话成本、Token 成本和 API 费用,导致企业财务和架构团队几乎无法精准预测跨 Agent 交互的预算,极易导致 IT 预算失控。此外,Agent 长期记忆(Long-term Memory)与短期记忆的保存周期亦牵涉严格的数据生命周期合规,必须建立严密的技术护栏。
```mermaid flowchart TD accTitle: AstraZeneca Agent Governance Strategy accDescription: Architectural diagram showing AstraZeneca enabling domain agents within native SaaS/PaaS platforms while managing the composability bottleneck and preventing unmanaged cross-platform A2A communication.
subgraph NativePlatforms["业务原生 Agent 民主化层 (允许自治落地)"] MS["Microsoft 生态<br/>(Agent Builder / Foundry)"] SAP["SAP Joule<br/>(财务与流程优化)"] SNOW["ServiceNow<br/>(自主工单与运维决策)"] AWS["AWS 生态<br/>(Bedrock / AgentCore)"] end
subgraph Bottleneck["企业级可组合层 (Composability Layer) 核心挑战"] Identity["Agent 身份与委托授权<br/>(Identity & Delegated Access)"] Catalog["统一 Agent 资产目录<br/>(Agent Catalog & Traceability)"] CostControl["多跳成本与 Token 预测<br/>(Cost & Token Forecasting)"] MemoryGov["记忆生命周期合规<br/>(Long/Short-term Memory)"] end
subgraph Blocked["当前受控/限制环节"] A2A["大规模跨平台 A2A 通信<br/>(Agent-to-Agent at Scale)"] end
MS --> Bottleneck SAP --> Bottleneck SNOW --> Bottleneck AWS --> Bottleneck
Bottleneck -.->|"架构设卡:暂不开放直接互通"| A2A ```
- **架构选型策略**:不押注单一平台,允许各业务部门在 SAP Joule、ServiceNow、Azure、AWS 内利用原生 Agent 工具进行赋能。 - **架构护栏(Guardrails)**:现阶段严格管控跨系统 Agent-to-Agent 直接调度,优先解决身份认证与语义层治理。 - **成本治理盲区**:单次任务涉及多跳链路(搜索、LLM、中间件 API),Token 与会话调用成本叠加,预测难度极高。 - **合规与记忆周期**:明确区分短期上下文与长期记忆,对接企业数据生命周期管理(DLM)合规标准。
---
[11:25](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=685s) 超越 RPA 线性思维:引入认知行为学与 Agent 科学协作团队
Wayne 指出,当前许多企业在落地 Agent 时犯的最大错误,就是**以纯技术视角看待 Agent,把它们当作 RPA(机器人流程自动化)的线性延伸**——仅仅设计一个 Agent 去调用接口或执行单向自动化决策。他强调,企业必须跳出单纯的技术堆栈讨论,将**认知行为学(Cognitive Behavioral Science)**和组织行为学融入 Agent 架构中,研究如何组建由多个具备不同认知属性的 Agent 构成的"团队"(Teaming Structure)。
以阿斯利康与斯坦福大学(Stanford)的合作为例,研发部门的目标不是简单扩招人类科学家,而是构建由 Agent 组成的科研协作团队,协助进行深层次科学探索、分子预测与实验结果验证。在真实的顶尖科研团队中,成员并不是步调一致的执行机器;相反,团队中往往需要特定行为特征的角色。Wayne 举了一个生动的例子:在 Agent 科学团队中,他们特意配置了一个**"拖延者 / 审慎质疑 Agent"(Procrastinator Agent)**,因为行为科学证明,当团队中存在这种放慢节奏、审视假设的成员时,科学家反而能产出更严谨的高质量研究成果。
Wayne 呼吁架构师和企业领导者向埃森哲(已赋能 70 万名员工及 Agent 协作系统)等先行者学习,在设计多 Agent 系统时深入考量团队动态与行为交互机制。唯有将认知科学与技术架构紧密结合,才能真正释放 Agent 协同的高阶价值。
> "每个人都在谈技术、技术、技术。但你必须退后一步思考:什么样的 Agent 团队认知行为要素才能最终驱动最佳结果与最高价值?" > —— Wayne Filin-Matthews
---
[13:42](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=822s) 强监管与数据主权:从问答式 Chatbot 转向自治的合规与治理 Agent 团队
针对制药行业最为棘手的数据主权、合规性与监管治理挑战,Wayne 剖析了传统思维与 Agentic 思维的本质区别。他分享了一个内部真实场景:有团队利用 Amazon Q 构建了一套基于 RAG(检索增强生成)的知识库问答助手,用来回答"企业合规审批的下一步流程是什么?"之类的问题。虽然这被包装成高大上的"AI 流程导航器",但 Wayne 直截了当地指出,这种模式本质上依然停留在过去,是在浪费技术潜力。
真正的现代化思路,不应该是让人类员工一遍遍去向 Chatbot 提问以了解合规流程,而是**直接用 Agent 重构整个治理、风险管理、安全与数据主权架构**。在新的体系中,由专门的治理 Agent 团队在后台自主完成数据主权校验、合规审计与数据质量核查,并在关键决策节点引入"人机协同"机制(Human-in-the-loop / Human-on-the-loop)进行把关。
Wayne 特别强调了全球本地化合规的复杂性。例如,阿斯利康是中国制药市场的领头羊,如果盲目放开 Agent 自主交互而缺乏内置的合规与主权控制机制,极有可能触碰中国在过去 18 个月内强化实施的跨境数据传输安全评估以及《个人信息保护法》(PIPL)监管红线。因此,架构团队正在建立智能治理团队结构,确保 Agent 在合规的前提下自主运转,保护过往在监管治理上积累的全部资产。
- **去 Chatbot 化思维**:告别依靠人工向问答机器人查询规则的低效模式,转向 Agent 全自动执行合规流水线。 - **人机协同架构**:在关键风险节点保留 Human-in-the-loop 审批机制,平衡系统自主性与监管审慎性。 - **严格遵守属地法规**:特别针对中国《个人信息保护法》(PIPL)与跨境数据流动规则设立 Agent 专属控制层,规避合规风险。
[16:10](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=970s) Agentic 架构在跨境合规与复杂场景中的作用
在探讨企业级 AI 的治理落地时,Wayne Filin-Matthews 强调了智能体架构(Agentic Framework)在解决实际合规与数据流转挑战中的核心价值。以跨国企业涉及中国等地区的跨境数据传输(cross-border data transfer)为例,这种高度复杂且敏感的任务绝不应该依赖人工操作去逐一处理,而必须交由底层的 Agentic 架构自动化、规范化地执行与把控。
```mermaid flowchart LR accTitle: Agentic 架构驱动的合规数据流转流程 subgraph Governance["Agentic 治理架构"] A["跨境数据传输请求"] --> B["Agentic 智能体框架"] B --> C["合规策略与数据流转控制"] end C --> D["安全跨国交付 (如中国跨境场景)"] ```
[16:22](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=982s) 企业级 AI 的未来下注:智能体成熟度、历史镜像与组织架构重塑
当主持人 Tricia Martinez 询问如果作为“下注者”,在未来两到三年内最看好并会加倍押注(double down)哪些能给企业级 AI 带来颠覆性变革的领域时,Wayne 明确指出了“智能体(Agency and Agents)”。他认为智能体及其周边的解决方案将在企业中大规模激增并逐步走向成熟。然而,谈及通用人工智能(AGI)的具体落地时,他抱持着冷静而务实的态度,认为两到三年内不可能真正实现。
为了说明这种技术演进的周期规律,Wayne 分享了自己在微软时期的亲身经历。他早在微软 BPOS(Business Productivity Online Suite,即 Azure 和 Microsoft 365 的早期前身)时代就开启了云原生旅程。他回忆道,15年前业内就充斥着“传统基础设施将在5年内消亡”、“混合云只是一个存活5年的过渡形态”的激进论调,但时至今日,现场依然几乎没有任何一家企业能够做到完全脱离混合架构而纯粹跑在云端。基于自己长达 38 年的技术从业经验,Wayne 直言智能体要达到真正的成熟水平至少还需要 5 年时间。如果 5 年后大家再次坐在一起复盘,必然会看到行业经历大量的经验教训与试错失败,而且在智能体的治理(governance)与控制权交接方面,届时也依然处于攻坚阶段。
除了技术本身,Wayne 强调当下正在发生的更深层变革是企业组织结构的重组。为了真正释放并赋能 AI 与智能体的生产力,各大企业正在对其底层的运营模型(operating model)进行全面重塑。Tricia 对此总结并确认了“加倍押注智能体未来”这一核心方向,随后宣布讨论结束并号召全场为 Wayne 的精彩分享鼓掌致谢。
- **智能体演进周期**:从当前的爆发式涌现到真正具备企业级成熟度与可靠治理,预计需要大约 5 年的迭代与试错周期。 - **历史技术镜像**:15 年前 BPOS 时代关于“5 年消灭基础设施”的预言与当下的 AGI 狂热形成对比,证明技术成熟与架构转型需要更长期的沉淀。 - **组织运营重构**:企业级 AI 成功的关键不仅在算法,更在于配合 Agentic 系统对企业内部组织架构与运营模式进行系统性重塑。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=4s) if anybody ever tells you this is easy... it's not — Wayne Filin-Matthews
> [00:04](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=4s) every moment matters — Wayne Filin-Matthews
> [06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) everything changes but nothing changes — Wayne Filin-Matthews
> [06:06](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=366s) 阿斯利康构建 Agent 的统一平台是什么? — 企业高管
> [11:25](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=685s) 每个人都在谈技术、技术、技术。但你必须退后一步思考:什么样的 Agent 团队认知行为要素才能最终驱动最佳结果与最高价值? — Wayne Filin-Matthews
> [13:42](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=822s) 企业合规审批的下一步流程是什么? — 员工
> [16:22](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=982s) 传统基础设施将在5年内消亡 — 行业舆论
> [16:22](https://www.youtube.com/watch?v=1sSVXHi_aVU&t=982s) 混合云只是一个存活5年的过渡形态 — 行业舆论
## Mentioned AstraZeneca (阿斯利康), Wayne Filin-Matthews, Tricia Martinez-Saab, Dapple, Ai4, Dell (戴尔), HSBC (汇丰银行), Accenture (埃森哲), Microsoft (微软), AWS, Forbes Technology Council (福布斯技术委员会), Gartner, Stanford University (斯坦福大学), ServiceNow, SAP Joule, Azure AI Foundry, AWS AgentCore / Bedrock / Strands, Amazon Q, MuleSoft, Microsoft Agent Builder, Model Context Protocol (MCP), BPOS (Business Productivity Online Suite), Microsoft 365, PIPL (个人信息保护法)
## Video description Tricia Martinez-Saab, CoFounder & CEO, Dapple Wayne Filin-Matthews, Chief Enterprise Architect, AstraZeneca
Abstracts
AstraZeneca is leading the charge in applying AI to accelerate scientific discovery, operational excellence, and global collaboration. But enabling AI at enterprise scale requires more than just models—it demands a new approach to infrastructure.
In this fireside chat, Wayne Filin-Matthews (Chief Enterprise Architect, AstraZeneca) joins Tricia Martinez (Founder & CEO, Dapple) for an inside look at how AstraZeneca is designing the next generation of AI infrastructure to support complex, high-impact workloads across the organization.
They’ll dive into:
AstraZeneca’s vision for scaling AI across R&D and beyond
Infrastructure choices that support both performance and governance
How global enterprises are approaching sustainability, security, and control
What it takes to build a future-proof AI stack
This is a rare opportunity to hear directly from a global enterprise shaping the future of AI—from strategy to execution.
[Source](https://www.youtube.com/watch?v=1sSVXHi_aVU)