AI找藥砸下重金，為何還等不到第一張藥證？

當人工智慧被寄望改寫製藥業時，最誘人的承諾一直是速度：更快找到靶點、更快設計分子、更快把一個想法推向病人。但真正決定一款藥能否走到市場的，從來不只是早期發現，而是漫長、昂貴且容易失敗的人體試驗。這也是Clinical Trial Vanguard最新文章所提出的刺點：產業已把約70億美元投入AI藥物發現，迄今卻尚未有AI發現或AI設計藥物獲准上市。

這個數字的計算口徑，因目前缺乏可交叉核對的同事件外部來源，仍應保留審慎空間；但文章所指向的結構性問題並不陌生。AI可以在龐大化合物空間中篩選可能分子，預測蛋白質交互作用，或協助尋找疾病相關路徑。然而，一個漂亮的候選分子仍必須證明它能被人體吸收、到達正確組織、產生足夠療效，且不帶來不可接受的毒性。

近年確有AI藥物管線進入人體試驗，例如用於特發性肺纖維化等疾病的候選藥，曾被視為生成式AI找靶點與設計小分子的代表案例。這類進展說明AI不只是文宣口號，已能把部分早期研發工作推進到臨床階段；但進入臨床不等於抵達終點。從一期安全性、二期初步療效，到三期大規模驗證，每一關都可能因療效不足、劑量問題、族群選擇或安全訊號而停下。

文章標題所說的「錯誤競賽」，核心在於資金與注意力可能過度集中於發現端。對藥廠與投資人來說，演算法找到新靶點或新分子容易形成可展示的成果，也較適合包裝為平台能力；相較之下，臨床試驗設計、病人招募、終點選擇、真實世界資料品質與監管溝通，聽起來不如生成分子炫目，卻往往更接近失敗發生的地方。

背景脈絡

製藥業本就不是單純的工程問題。許多疾病牽涉免疫、代謝、發炎、纖維化或神經退化等多層生物網絡，動物模型與細胞實驗也未必能準確預測人體反應。AI若只在不完整、偏倚或彼此難以整合的資料上學習，可能加速產出候選答案，卻不一定提高答案在臨床中的成功率。

這並不意味AI在新藥開發中沒有位置。較務實的用法，可能是把AI放進具體環節：改善試驗納入條件、尋找更可能受益的病人亞群、分析影像與生物標記、監測安全訊號，或讓研究中心更快辨識合適受試者。這些工作不一定帶來「第一款AI藥物」的標籤，卻可能實際縮短試驗時間、降低錯誤配置，並讓臨床證據更清楚。

因此，70億美元與零核准藥物之間的落差，與其說是AI製藥的終局判決，不如說是一次產業校準。若AI只能讓候選藥變多，卻沒有同步改善驗證、監管與臨床執行，製藥業得到的可能是更擁擠的管線，而不是更多真正可用的治療選項。