Lilly把AI尋藥做成平台生意，資料共享成為新藥競賽的前哨

新藥研發最昂貴的部分，往往不是提出一個分子，而是證明它值得繼續走進動物實驗、人體試驗與監管審查。Lilly最新擴大AI尋藥布局，正是把這段早期探索變成一個更大規模的資料與模型市場：讓外部生技公司使用AI工具，同時回饋可用於訓練與改良模型的研發資料。

據Pulse 2.0引述的報導，Lilly將這套模式比作給生技科學家的「App Store」。核心概念不是單一公司閉門打造所有演算法，而是提供算力、模型與協作環境，讓多家小型生技公司在其中測試標靶、設計分子或分析實驗結果；平台再以去識別化或彙整方式吸收資料，強化後續模型表現。

這類平台若能運作，最直接的生物醫學用途會落在藥物發現前段：從疾病機制與靶點優先排序，到小分子或生物製劑候選物的生成、篩選與優化。對小公司而言，使用大型藥廠的AI基礎設施可能降低進入門檻；對Lilly而言，外部團隊帶來的實驗讀數、結構資訊與失敗案例，可能比公開文獻更接近真實研發決策。

報導提到，Lilly已建置搭載Nvidia先進晶片的資料中心，並與約百家較小型生技公司合作；其中包括臨床前與實驗服務網絡中的合作夥伴。這些細節顯示，Lilly追求的不是一個展示用AI介面，而是一個能把濕實驗、模型訓練與候選藥評估接在一起的研發基礎設施。

不過，AI尋藥仍不是縮短臨床風險的保證。模型可以提出分子，也可以在既有資料中找出可能的關聯，但候選藥仍需經過可重現的實驗驗證、毒理評估、製程放大與人體試驗。若平台資料來自不同公司、不同實驗設計與不同品質標準，如何校正偏差、追蹤資料來源、避免商業機密外洩，會比「模型能生成多少化合物」更決定其可靠性。

背景脈絡

Lilly近來已透過與AI藥物公司合作，把代謝疾病、口服候選藥與多適應症研發放進同一張投資藍圖；Insilico相關合作的總潛在金額曾被報導可達數十億美元規模。這次「App Store」式平台則更像是把單點授權往外推進一步：從購買某家公司的一套技術，轉向經營一個持續吸收資料與工具的研發生態系。

這也反映大型藥廠面對專利週期的長線盤算。減重與代謝藥物帶來龐大收入，但暢銷藥終將面臨競爭與專利到期壓力；提前把現金投入下一代研發引擎，是合理的產業選擇。只是對病人而言，平台是否成功，最後不會由「AI」二字決定，而要看它能否產生更清楚的機制假說、更少無效候選物，以及真正經得起臨床試驗檢驗的新療法。