藥物研發最大的誤解，不是「AI 還不成熟」，而是把 AI 想成一台會自動發明新藥的黑盒子。真正改變產業 economics（經濟結構）的，不是單點模型準確率提升了幾個百分點，而是整條研發鏈從「大量盲試」轉向「更早淘汰、更快收斂、讓實驗資源集中在最有機會的分子」。換句話說，AI 在藥物發現的核心價值，不是神奇地提高成功率，而是更殘酷、更系統地降低失敗成本。
這一點對亞太企業尤其重要。美國大藥廠可以承受長週期與高燒錢模式，但香港、台灣、新加坡，甚至中國大陸多數 biotech（生技公司）與 CDMO（委託開發暨製造服務）現實上更在乎 runway（現金可支撐月數）、授權談判籌碼、以及能否更早拿到可驗證數據。今天討論 AI 藥物發現，如果還停留在「會不會取代科學家」，就抓錯重點了。真正該問的是：你的研發體系，在哪一段最值得用 AI 把 18 個月壓成 6 個月？
我傾向用一個更實戰的框架來看：AI 藥物發現的三層槓桿：找得更準、做得更少、決策更早。第一層是 target identification（靶點識別，找出值得作用的生物機制）；第二層是 hit-to-lead / lead optimization（先導化合物發現與優化，縮小候選分子搜尋空間）；第三層是 portfolio decision（投資組合決策，用數據更早停案或授權）。市場上大多數誇張敘事只談第一層，真正能改變財務報表的，往往是後兩層。
真正省下來的，不是化學家的薪水，而是失敗試驗的機會成本
根據 Deloitte 2024 年對大型 biopharma（生物製藥）研發回報研究，前 20 大製藥公司的預估 internal rate of return（內部報酬率）僅約 4% 左右，遠低於十多年前水準；而 Tufts Center for the Study of Drug Development 長期被廣泛引用的估算顯示，把一款新藥推進上市的總成本可達 20 億美元以上，時間常超過 10 年。不同研究對絕對數字有爭議，但產業共識沒有變：最貴的不是做 AI，而是把錯的案子做太久。
在實戰導入中，我們反覆見到，管理層誤把 AI ROI（投資回報率）理解為「少請幾個博士」。這是小數點後面的價值。真正大頭是：少做多少輪無效 high-throughput screening（高通量篩選）、少合成多少個低機率分子、少把多少本該在 preclinical（臨床前）就停掉的項目硬推到更後面。McKinsey 在 2023 年多篇生命科學分析中指出，AI 與 advanced analytics（進階分析）可在早期研發帶來 20% 至 30% 的生產力提升，對候選分子篩選、試驗設計與失敗率控制尤其明顯。這不是保證每家都能拿到的成績，而是說：流程如果夠標準化，AI 的槓桿是成立的。
對亞太中型公司而言，這代表策略要改。與其追求一個「全能平台」，更務實的做法是鎖定最燒錢、最重複、最容易形成數據閉環（模型預測→實驗驗證→再訓練）的環節。通常不是整條鏈一起改，而是先從 ADMET（吸收、分佈、代謝、排泄、毒性）預測、de novo design（從零生成分子）、或虛擬篩選開始。
AI 到底把時間縮在哪裡？不是每一段都一樣有感
很多簡報說 AI 可把藥物發現從 5 年縮到 1 年，這種說法太粗。AI 對不同階段的作用完全不對稱。
第一，靶點識別。像 BenevolentAI、Recursion 這類公司擅長把公開文獻、omics（基因體、蛋白體等大規模生物數據）與病理影像整合，幫研究團隊更快提出「哪個機制值得打」的假設。這對罕病、腫瘤、免疫疾病特別有價值，但其本質仍是 hypothesis generation（假設生成），最後仍需濕實驗驗證。
第二，hit discovery 與 lead optimization。這是目前最能看到時間壓縮的區段。Exscientia、Insilico Medicine、Schrödinger 等案例被市場反覆引用，不是因為它們保證成功，而是它們展示了 AI 如何縮小化學空間（chemical space，可能分子組合幾乎無限大），把原本要合成與測試的數千到數萬個分子，降到更可控的幾百個。Insilico Medicine 曾公開表示，其部分候選藥從靶點到 preclinical candidate nomination（臨床前候選確認）可壓縮至約 18 個月；對照傳統流程常見的 3 至 5 年，這是有意義的縮短，但不是整體上市時程都同步縮短。
第三，臨床與投組決策。這裡常被低估。Gartner 在 2024 年對生成式 AI（generative AI）在生命科學應用的觀察強調，短期最可靠的回報往往出現在知識管理、protocol design（試驗方案設計）、patient stratification（病患分層）與 regulatory writing（法規文件撰寫），而不是直接「AI 發明新藥」。對 CFO（財務主管）而言，能更早終止錯誤路線，通常比多找到一個 hit（命中分子）更值錢。
平台很多，差別不在「有沒有 AI」，而在資料與工作流 ownership（掌控權）
市場上常見方案可分成三類：自建、採購垂直平台、與 CRO/CDMO 合作導入。關鍵不是哪個名字最紅，而是誰掌握核心數據、模型可否回訓、以及跨境合規能否落地。
| 方案/供應商 | 定位 | 大致價格帶 | 優勢 | 主要限制 |
|---|---|---|---|---|
| Schrödinger | 結構生物學與分子模擬平台 | 企業級授權，通常高六位至七位美元/年起 | 物理模擬能力強，適合結構導向設計；被多家大藥廠採用 | 成本高，需成熟計算化學團隊；不適合資料基礎薄弱公司 |
| Exscientia（合作模式） | AI 驅動候選藥設計合作 | 多為里程碑與分潤模式，非標準定價 | 有完整藥物設計流程經驗，適合共同開發 | 較依賴合作模式，資料與 IP（智慧財產）邊界需談清楚 |
| Insilico Medicine | 生成式 AI 藥物發現平台與自研管線 | 多為合作案定價，公開標準價有限 | 在生成模型與速度敘事上領先，亞太溝通與布局較積極 | 不同疾病與靶點泛化能力仍需個案驗證 |
| Benchling + 自建模型 | 實驗資料管理（ELN/LIMS）結合內部 AI | SaaS（雲端訂閱）加內部開發成本 | 最有機會沉澱自家數據資產，長期壁壘高 | 前期整合慢，沒有數據治理能力容易失敗 |
| 與 CRO/CDMO 共建 | 把 AI 嵌入外包研發流程 | 依專案計價 | 對中小 biotech 最現實，可快速上手、降低固定成本 | 容易形成供應商依賴，模型與資料未必留在自己手上 |
如果你是台灣新創、香港投資型 biotech、或新加坡區域研發中心，我的建議通常不是一開始就自建全堆疊平台。先問三件事：你是否有可用且標準化的 assay data（實驗測試數據）？你是否真的有足夠的 medicinal chemistry（藥物化學）人才把模型建議變成分子？你所在市場是否允許資料跨境使用？沒有這三件，買再多 AI 也只是把混亂數位化。
最大瓶頸不是演算法，而是「濕實驗速度跟不上乾模型」
AI 藥物發現最常見的失敗，不是模型不夠聰明，而是組織沒有把 dry lab（計算團隊）和 wet lab（濕實驗團隊）接起來。模型一天可生成上千個候選分子，但如果合成、純化、活性測試要排隊 6 週，整個迭代節奏就會崩掉。
BCG 與多家生命科學顧問在 2023-2024 年都反覆指出，真正拉開差距的是 closed-loop lab（閉環實驗室）：AI 提議、機器人自動化實驗、結果回流模型、再做下一輪設計。這也是為何 Recursion、Generate:Biomedicines、以及部分大型藥廠近年大量投資 lab automation（實驗室自動化）。沒有這個閉環，AI 很容易停留在漂亮 demo（展示）而非 production（真正成為穩定研發流程）。
對大中華與東南亞公司，問題更現實：許多實驗仍分散在學研合作、醫院、生技園區與外包夥伴之間，資料格式不一、權限分散、GLP/GMP（優良實驗/製造規範）流程不一致。這不是反對 AI，而是提醒管理層：若不先整頓資料主權、樣本追蹤與 SOP（標準作業流程），AI 只能優化局部，不能改寫整體週期。
這不是說 AI 神話都錯了，而是價值會先落在「半革命」場景
我們也要講清楚反方觀點。第一，今天 AI 參與設計的候選藥分子已進入臨床，這證明它不是純概念；但截至目前，AI 並未讓整個產業的 late-stage attrition（後期失敗率）出現戲劇性逆轉。生物學本身仍高度複雜，模型再強，也無法完全替代機制理解與臨床驗證。
第二，生成式 AI 很擅長提出新分子，不代表它懂 developability（可開發性，包括可製造、穩定性、毒理風險）。在不少專案裡，我們看到模型能生成「看起來新穎」的分子，但化學合成難度高、專利空間差、CMC（化學製造與管制）不友善，最後商業價值有限。
第三，資料合規在亞太不是小事。中國大陸的人類遺傳資源管理、香港與新加坡對醫療數據與跨境傳輸的規範、台灣個資法與醫療法的實務限制，都會影響模型訓練與合作方式。很多公司以為買的是 AI 專案，最後真正卡住的是法務、IRB（倫理審查）與資料授權。
所以我更傾向說：未來 3 到 5 年，AI 在藥物發現最可信的劇本，不是「全面顛覆」，而是「半革命」——把早期探索、分子優化、文件整理與決策節點重做一遍，讓資本效率顯著改善。
重點帶走：先把 AI 用在最容易形成閉環、最能早停案的地方
如果你是企業主或研發負責人，我建議用以下次序做決策。第一，找高成本重複環節：例如虛擬篩選、ADMET、蛋白結構預測、文獻/專利挖掘。第二，確認資料可回流：沒有結構化數據與驗證結果，就沒有模型複利。第三，把成功指標改成週期與淘汰率：不要只看命中率，要看從 hit 到 lead 花多久、每輪實驗減少多少、多少期專案提早終止。第四，先做合作式導入，再決定是否自建：對多數亞太中型企業，先與平台商、CRO 或學研單位做 6 至 12 個月試點，比一次砸大錢更合理。
更直白地說：AI 藥物發現不是「買一套系統」的事，而是重設研發 operating model（營運模式）的事。誰能把模型、實驗、自動化、法規與商務授權串起來，誰才真的在縮時間、降成本；其餘多半只是把 PPT 做得更像未來。
自我檢查
- 我們目前最昂貴的失敗，發生在靶點判斷、分子優化，還是專案停損太慢？
- 我們是否擁有可持續回訓的實驗數據資產，還是只擁有零散報告與外包結果？
- 如果明年只能投一筆 AI 預算，哪一個環節最有機會把 12 個月縮成 6 個月？
