AI製藥熱潮遇上冷靜資本：一位老牌生技投資人的煞車訊號

人工智慧進入新藥研發後，最動人的承諾一直是「更快找到藥」。但在生技產業裡，快並不等於成功；從靶點、分子設計、動物試驗到人體臨床，每一道關卡都可能讓看似漂亮的候選物停下來。據《華爾街日報》報導，Sofinnova Investments管理合夥人Jim Healy對AI藥物發現保持保留態度，這番話之所以有分量，不在於否定AI，而是提醒市場：演算法若不能提高核准機率，速度本身可能只是更快抵達不確定性。

Sofinnova是生技創投的老牌機構，1970年代即參與Genentech等早期生技公司的投資。Healy並非排斥人工智慧；報導指出，Sofinnova投資組合中的診斷與臨床開發場景已使用AI，例如協助解析分子診斷資料，或在臨床試驗中找出合適受試者、檢查納入與排除條件。這些用途的共同點，是它們貼近資料判讀與流程管理，成效比較容易以準確性、效率或招募品質來檢驗。

爭議較大的，是AI驅動的藥物發現本身。這類公司通常宣稱可用模型預測蛋白結構、篩選靶點、生成或優化化合物，讓研究團隊在更短時間內得到更多候選分子。Healy的疑慮在於，產出更多分子或縮短早期探索時間，尚未等同於提高臨床成功率；若候選藥物仍在毒性、療效不足或患者分層錯誤上失敗，投資報酬與病人受益都未必改善。

這種懷疑並非新技術恐懼，而是來自生技產業反覆見過的週期。過去組合化學與蛋白質體學也曾被寄望大幅提升新藥研發效率，確實帶來重要科學工具，卻未能簡單改寫藥物開發的整體成功率。AI可能比那些技術更強大，但目前公開可比較的長期證據仍有限；許多AI設計藥物仍在早期臨床或臨床前階段，距離能證明「更常成功核准」還有時間差。

背景脈絡

近年的藥物研發正在同時受多種工具推動：器官晶片試圖讓臨床前模型更接近人體尺度，分子診斷與生物資訊學協助患者分層，生成式模型則被放進影像、文本與分子設計流程。這些技術並不互相取代，而是各自試圖補上研發鏈條中的不同破口。對AI藥物發現而言，最嚴格的問題仍是：模型所預測的生物學，能否在真實患者身上成立。

報導也提到，Healy把投資重心放在清楚生物學、可衡量病人利益與強管理團隊上；他同時認為創新來源愈來愈全球化，中國不只提供追隨型產品，也開始成為更具原創性的資產來源。這使美國生技公司在評估管線時，必須更仔細看待全球競爭與授權機會。

因此，這次訊號不是AI製藥退潮的判決，而是一種投資紀律的重申。AI若能在患者選擇、試驗設計或分子優化中留下可驗證的成績，仍可能成為重要工具；但對嚴肅的新藥開發來說，最終衡量標準不會是模型多新、化合物多快生成，而是能否以更可靠的證據把有效藥物送到病人面前。