藥物研發中的 AI 代理，離獨立判斷還有一段距離

AI 走進藥物研發，最吸引人的承諾不只是更快搜尋分子，而是能否在複雜實驗資料之間協助研究團隊下判斷：某個化合物是否真的打中目標、藥效訊號是否足以推進、早期安全性是否出現警訊。最新一篇 arXiv 預印本提醒，這樣的能力仍不能只靠流暢回答來衡量。

這篇由 LatchBio 團隊提出的研究介紹 TxBench-PP，一套針對小分子臨床前藥理學的 AI 代理基準測試。研究者設計了 100 項可驗證任務，讓代理在近似真實研發工作的環境中檢視檔案、解讀實驗資料，並輸出結構化答案，再由確定性規則評分。

TxBench-PP 聚焦的不是教科書式知識問答，而是更接近藥物計畫會遇到的資料推理。任務涵蓋作用機制與藥效學判讀、化合物與靶點結合、因果性的靶點驗證、成藥性與安全性，以及轉譯藥效等面向。換言之，它測的是代理能否從工作流片段中復原合理結論，而非背出文獻中的既有答案。

結果相當克制。研究在 16 種模型與測試框架組合中，累計分析 4,800 條執行軌跡；表現最好的組合 Claude Opus 4.8 / Pi，在端點嘗試中的通過率為 59.3%，信賴區間為 51.1% 至 67.6%。其次為 GPT-5.5 / Pi，通過率 55.3%。即使是最高分，也未達到能讓人放心交付關鍵研發決策的程度。

這個落差的實際意義，在臨床前藥理尤其清楚。早期藥物研發經常要在不完整、雜訊高且彼此牽連的資料中做取捨；錯判靶點參與、過度解讀藥效，或漏看安全性訊號，都可能讓資源流向錯誤方向。AI 代理若要進入這一層工作，問題就不只是「能不能回答」，而是它在不同資料形態與任務結構下是否穩定、可追溯、可稽核。

不過，這項研究目前仍是預印本，尚未經同儕審查；公開摘要也未提供所有任務細節、資料來源分布與失敗型態的完整脈絡。因此，這些數字較適合作為部署風險的早期警訊，而不是對所有生醫 AI 系統能力的總判決。

更務實的結論或許是：AI 代理在藥物發現中可能有用，但短期內更適合放在受限、可檢查的工作環節，例如資料整理、初步比對、假說生成或輔助分析。當任務進入能影響候選藥物去留的臨床前判斷時，基準測試、人工覆核、錯誤分析與合規紀錄，仍會比漂亮的示範影片更重要。