AI製藥成了投資清單，科學問題不能被股價排序

藥物研發最昂貴的部分，從來不只是找到一個看似漂亮的分子，而是證明它能在複雜的人體生物學中產生可重複、可解釋、也足夠安全的效果。Insider Monkey近日以避險基金持股為線索，整理出一批被歸入AI藥物發現題材的上市公司，顯示資本市場仍相信演算法能改變新藥開發的時間表與成本結構。

這類名單的訊號相當直接：投資人正在尋找能把機器學習、結構生物學、基因體資料、臨床資料庫或自動化實驗平台轉化為商業價值的公司。它們可能是直接設計候選藥物的生技公司，也可能是提供資料、分析平台或研發基礎設施的企業；同樣被放進「AI製藥」框架，實際業務卻可能相差很遠。

對生物醫學而言，AI藥物發現的核心用例大致包括靶點辨識、分子生成、蛋白質結構與交互作用預測、候選物篩選、臨床試驗病人分層，以及從真實世界資料中尋找疾病亞型。這些工作確實能改善研發前段的搜尋效率，但它們不是臨床療效本身。模型提出的假設，仍要通過細胞、動物、人體試驗與監管審查，才可能成為病人可使用的藥物。

這也是市場排行容易模糊的地方。避險基金增持可以反映專業資金對產業敘事的偏好，卻不能說明某個靶點已被驗證、某個候選分子已展現療效，或某套平台已能穩定提高臨床成功率。尤其這次可取得的來源摘要相當有限，沒有提供各公司模型表現、資料集品質、臨床進度或同業比較細節，因此更不宜把投資名單解讀成科學排名。

**背景脈絡**

近來AI製藥常被放在同一個籃子裡討論，但其中至少有兩種不同生意：一種是自己推進管線、承擔臨床失敗風險的藥物開發公司；另一種則是把基因體、病歷、影像或實驗資料變成研發工具的資料平台公司。前者要用候選藥物說話，後者則要證明資料覆蓋率、分析品質與醫療工作流程能真正支撐研發或臨床決策。

真正需要被驗證的問題，並不會因為AI二字而消失。訓練資料是否偏向特定族群或癌種？模型是否能在外部資料集重現？預測結果是否能導向可測試的生物機制？若平台被用於臨床試驗設計或病人分層，責任邊界與監管要求又如何界定？這些問題比股市熱度慢，卻更接近藥物能否成功的底層條件。

因此，這份清單比較像是一張資本市場的溫度圖，而不是生物學答案。它提醒人們AI製藥的想像力尚未退潮；同時也提醒研究者、醫師與投資人，真正能讓產業站穩的，仍是可公開檢驗的資料、清楚的實驗設計，以及能在臨床情境中被證明有用的結果。