Recursion把AI製藥推向臨床讀數期，平台故事開始接受藥物考驗

當AI製藥從投影片走進臨床，真正的問題便不再是模型能看見多少資料，而是它能否把生物學訊號轉成可重複、可審查、可治療病人的候選藥物。Recursion Pharmaceuticals近日再度被置於這條賽道的焦點：公司一方面強調以AI與自動化平台加速藥物發現，另一方面也把市場注意力拉回臨床管線的讀數進度。

可取得的公開細節顯示，這一敘事並非只有口號。美國證券交易委員會文件記錄，Recursion曾在2024年6月24日以Form 8-K提交其「Download Day」投資人活動相關新聞稿與更新版簡報，內容涵蓋管線、合作與平台進展。該簡報當時提出，未來約18個月內預期有7項臨床試驗讀數，意味著公司正從早期平台展示轉向以臨床結果檢驗研發決策。

Recursion的核心主張，是用大規模生物資料、機器學習與自動化實驗，把疾病模型、靶點搜尋、化合物設計與候選藥物優先排序串成一個迭代系統。簡報中提到內部項目已開始由大型語言模型參與啟動，並稱Bayer將成為LOWE平台在藥物發現與開發上的首批測試使用者之一。這類工具若要產生實際價值，重點不在於能否生成更多假說，而在於能否把假說導向更好的濕實驗命中率與更少的無效臨床押注。

平台能力方面，Recursion曾描述BioHive-2運算基礎設施使用504顆NVIDIA H100，並宣稱相較BioHive-1有4倍提升；簡報也提到基因體尺度轉錄體地圖、ADME測試通量，以及靶點與化學探索流程。這些資訊有助於理解公司如何把AI放進藥物研發的具體環節：不是單純聊天式生成答案，而是把細胞影像、多體學、化學結構與藥代安全性資料連接起來，協助決定下一批實驗該做什麼。

不過，生物醫學AI的限制也正在這裡浮現。早期平台指標、算力規模與合作夥伴，不能直接等同於療效；轉錄體圖譜或ADME通量能提高篩選效率，卻無法替代人體試驗中的安全性、劑量、疾病異質性與臨床終點。尤其當大型語言模型被納入研發流程時，企業需要說清楚模型輸出的依據、人工審核機制、資料偏差與可追溯性，否則很難滿足藥物開發對證據鏈的要求。

背景脈絡

近來AI製藥新聞常把焦點放在模型能力本身，但Recursion的案例提醒人們，產業正在進入較嚴格的第二階段：平台公司必須用臨床結果和可驗證合作來支撐估值。與近期多個AI生物醫學故事相似，問題已從「AI能不能提出候選分子」推進到「這些候選分子是否能被製造、被監管接受，並在人體中顯示足夠的效益與安全性」。

由於目前來源摘要對最新事件的細節有限，較可靠的具體內容主要來自Recursion先前提交SEC的投資人文件。這使得此次消息更像是公司既有AI製藥路線的延續，而不是單一臨床突破。接下來能改變敘事的，將不是更大的模型名稱或更快的硬體數字，而是臨床讀數是否證明這套平台確實選對了疾病、靶點與分子。