生物科技 · global
AI製藥資金再升溫,速度承諾正走向臨床證據考場
逾20億美元資金湧入,讓AI藥物發現從演算法敘事轉向研發效率賭局;但縮短時程的說法,仍必須接受人體試驗與監管資料的逐層檢驗。
AI製藥再度成為資本市場的熱門關鍵字,原因不只是模型能在螢幕上生成新分子,而是它開始被放進藥物研發最昂貴、最漫長的環節中衡量。據AI Magazine報導,相關投資已升至逾20億美元,部分技術宣稱可把開發時程縮短多達70%,並由臨床成功率改善的訊號推動新一波資金進場。
這類技術的核心用途,通常不是讓電腦憑空「發明藥物」,而是把疾病靶點選擇、蛋白質結構預測、候選分子篩選、毒性與藥物動力學評估等步驟連成更快的實驗循環。若模型能先排除大量低機率分子,實驗室便可把資源集中在較有生物學根據的候選物上,理論上能減少反覆試錯的時間與成本。
不過,報導摘要並未交代投資統計的涵蓋範圍、臨床成功率的定義,也未列出具體候選藥、適應症或試驗階段。因此,「70%縮短時程」更適合被理解為特定流程或個案中的產業主張,而不是整個新藥開發周期已普遍改寫的證據。從靶點發現到上市核准,真正拖慢速度的常是人體生物學的不確定性、長期安全性,以及臨床試驗招募與終點設計。
資金仍然願意押注,反映藥廠正面臨研發生產力壓力。傳統新藥開發動輒耗時十年以上,且多數進入人體試驗的候選藥最終失敗;如果AI能在早期提高靶點可信度、找出更合適的病人族群,或讓臨床試驗設計更精準,即使只改善部分環節,也可能對投資報酬與病患等待時間產生實質影響。
背景脈絡 近來AI製藥新聞已從單一模型表現,轉向能否在大型藥廠、臨床資料與監管流程中留下可重複證據。這與近期多起AI藥物發現融資、神經退化疾病研發工具展示,以及以「臨床試驗」包裝的非典型AI醫療主張形成對照:市場需要的不只是速度敘事,而是可核對的試驗設計、病人分層、療效終點與安全性資料。
監管面也會決定這股投資能走多遠。AI模型若參與候選分子選擇或病人篩選,主管機關勢必追問訓練資料來源、偏差風險、模型更新紀錄,以及預測結果如何被實驗與臨床證據支持。對藥廠而言,模型輸出的分數不能取代藥理學、毒理學與人體試驗,只能成為更早做出取捨的工具。
因此,逾20億美元投資代表的是產業正在加速試驗一套新研發方法,而不是AI已經解決新藥開發的根本風險。接下來更有意義的指標,將是AI設計或AI輔助的候選藥能否在多個疾病領域跨過二期、三期試驗,並以公開、可審查的臨床結果證明:縮短時間並沒有以降低證據品質為代價。