admin
AI研發新藥真的能把10年縮成幾年？從台灣抗體兩週設計到自主實驗室，看懂人工智慧製藥真正瓶頸
AI新藥研發正在從蛋白質結構預測、候選分子生成，逐步進入自動化實驗室與臨床試驗模擬。台灣近期已有團隊公開AI把特定抗體結構設計從傳統可能需一、兩年的反覆流程縮短到約兩週；國際企業也開始打造讓AI提出分子、自動化設備實驗、結果再回饋模型的自主研究平台。但「找候選藥變快」不等於「一顆藥上市快10年」。人體安全性、臨床療效、製造品質與主管機關審查仍需要可驗證的科學證據。
台灣最新AI新藥進展到底快在哪？10月7日出現兩個很值得看的訊號
第一個訊號來自台灣製藥產業。
工研院10月7日宣布，在經濟部產業技術司支持下，整合22家國內醫藥業者前往義大利米蘭參加CPHI Worldwide，展出範圍從AI藥物開發、臨床前研究，一路涵蓋API、CDMO、創新藥、改良型新藥及高門檻學名藥。
其中，工研院特別提到源華智醫的AI藥物研發平台，以及多家台灣業者的臨床前、製程與量產能力。
第二個訊號來自中國醫藥大學附設醫院。
院長周德陽10月7日在2026生技論壇表示，傳統抗體研發透過反覆試驗與修正，可能耗費一至兩年仍未找到理想設計；團隊透過AI進行蛋白質三維結構預測、抗體設計與親和力最佳化，曾在約兩週完成特定奈米抗體設計。
這裡的「一、兩年變兩週」指的是特定抗體設計與優化階段，不是把臨床前研究、一期、二期、三期人體試驗、藥證審查全部壓縮成兩週。
新藥為什麼本來就需要這麼久？因為「找到分子」只是整條路的前半段
NIH對新藥生命週期的整理顯示，非臨床研究本身可能需要約2至5年，臨床研究可能再需要2至10年，之後仍有上市申請與審查程序。
這些時間不是全部都浪費在「研究人員算得不夠快」。
很多步驟本質上就是需要等待生物反應、累積患者資料、觀察副作用並建立足夠統計證據。
| 研發階段 | 主要要回答什麼 | AI目前較可能幫上什麼 |
|---|---|---|
| 標的／分子發現 | 要打哪個生物標的？哪些分子值得做？ | 資料分析、結構預測、虛擬篩選、生成分子 |
| 臨床前研究 | 藥理、毒性、ADME、製造可行性如何？ | 預測優先順序、自動化實驗、資料整合 |
| Phase I | 人體安全性、劑量與副作用 | 患者選擇、資料分析、風險預測輔助 |
| Phase II／III | 到底有沒有療效？風險效益是否合理？ | 試驗設計、族群分層、失敗風險評估 |
| 製造／法規 | 能否穩定製造？證據是否足以核准？ | 製程分析、品質預測、資料審閱輔助 |
AI最可能先縮短哪一段？答案通常是「搜索、設計、篩選與決策」
AI目前最明顯的優勢，是面對人力難以逐一處理的大量候選組合。
例如一個蛋白質有數千種可能序列或結構時，研究人員不一定要真的把每一個都做出來。
AI可以先依據既有資料與模型預測，從數千、數萬甚至更大的化學或蛋白質空間中，把實驗資源集中在比較有機會的候選者。
AI真正先省下的
往往不是「等待病人追蹤的時間」
而是「不必要的搜尋與失敗實驗」
「抗體兩年變兩週」到底代表什麼？它證明AI能縮小搜索空間，不代表藥已經完成
中醫大附醫公開的案例非常適合用來理解AI新藥研發的真正價值。
以團隊開發的三特異性T細胞銜接抗體為例，不同抗體、排列順序與連接方式可形成多達5,400種候選組合。
如果每一種都先在實驗室做出來，再逐一測親和力與細胞效果，成本與時間都非常高。
團隊的做法是先利用AI從5,400種組合縮小到10種，再進入親和力、腫瘤細胞毒殺與T細胞活化等實驗驗證。
這就是AI最實際的角色：不是替實驗室「宣布答案」，而是讓實驗室更早知道哪些答案值得優先測。
2026年的下一步：AI不只算分子，開始自己安排實驗再把結果餵回模型
Danaher在10月7日宣布，首座AI驅動的自主研究實驗室預計2027年初開始規模化運作。
這套架構會把AI、機器人與多項生命科學實驗設備放進同一個工作流程。
AI設計候選分子
↓
自動化設備製作與測試
↓
蒐集實驗結果
↓
回饋模型
↓
再設計下一輪候選
Danaher預估，這套實驗室可讓分子發現流程加快約8倍，並讓每年可產生的標的結合分子增加約10倍。
但這些數字是公司對特定研究流程效率的預估，不應直接轉換成「新藥上市速度加快8倍」。
AI製藥真正缺的可能不是GPU，而是「可以信任、能重複的生物資料」
語言模型之所以能快速進步，很大原因是網路上存在極大量數位文字。
生物學完全不同。
一個細胞在不同基因背景、疾病狀態、藥物濃度、時間點與周邊環境下，可能出現完全不同的反應，而且很多資料必須真的透過實驗產生。
這也是Biohub最新18億美元Virtual Biology Initiative真正值得看的地方。
計畫結合Biohub、Meta、Google DeepMind、Isomorphic Labs、美國能源部及NIH等資源，希望大量量測細胞在不同條件下的反應，建立更適合訓練生物AI的資料。
Biohub的目標是約一年內產出第一批資料，並在五年尺度內建立更可靠的預測模型。這代表產業開始認知到：AI生醫真正的瓶頸，不只是模型夠不夠大，而是模型到底看過多少高品質的真實生物世界。
「虛擬細胞」是不是未來不用做人體試驗？目前距離這一步還很遠
虛擬細胞的概念，是希望模型能夠根據基因、蛋白質與細胞狀態，預測細胞受到某種擾動後會發生什麼變化。
如果準確度足夠高，未來確實可能更早排除不適合的藥物標的或候選分子。
但細胞不是人體。
- 人體有多器官交互作用
- 有免疫系統
- 有荷爾蒙與神經調節
- 有吸收、分布、代謝與排泄
- 不同患者具有不同基因與疾病背景
- 長期毒性可能需要時間才會出現
因此目前更合理的定位，是用虛擬細胞改善研究決策，而不是把它寫成已能完整替代人體。
AI虛擬臨床試驗到底在模擬什麼？它現在更像「失敗風險雷達」
AI臨床試驗模擬目前另一個快速成長的方向，是建立虛擬患者或病患反應模型。
研究團隊可以利用真實世界資料、基因資料、疾病特徵與過往試驗結果，模擬某種藥物放進特定試驗設計後，可能出現什麼結果。
Reuters今年10月7日報導，BioinvestGPT曾在結果公布前對多項大型臨床試驗進行預測，目前公開追蹤的6項中預測對5項。
但它也曾判斷錯誤，顯示這類模型仍不能當成確定答案。
台灣近期也出現相同方向的實際合作。9月底，御華生醫宣布導入QuantHealth的AI臨床試驗模擬平台，用來輔助腫瘤藥臨床開發策略評估。重點仍是「補充決策」，而不是取消真實人體試驗。
AI預測很準，藥為什麼仍可能失敗？因為分子漂亮不等於病人真的變好
藥物失敗可能發生在非常多地方。
- 真正的疾病標的選錯
- 分子進不到需要作用的器官
- 人體代謝太快
- 有效劑量同時產生不可接受毒性
- 動物模型不能充分代表人類疾病
- 患者族群異質性太高
- 臨床終點設計不適當
- 療效比既有標準治療不夠好
- 製造與品質無法穩定控制
2026年8月《Nature Reviews Drug Discovery》的一篇大型評論就提醒，目前AI藥物發現雖然在分子設計等工作已累積大量成果，但真正能證明它提升臨床成功率、讓更安全有效藥物更快進入病人的證據仍然有限。
為什麼人體臨床不能直接跳過？因為安全與療效最後必須在人身上被證明
Phase I主要回答安全性、劑量及副作用問題。
Phase II開始更直接觀察治療效果，同時持續確認安全。
Phase III則通常需要更多受試者，確認療效、監測副作用，並與標準治療或對照組比較。
有些疾病需要追蹤數月，有些需要幾年才能回答真正重要的醫療問題。
AI可以幫你更快找到值得測的答案
但不能因為模型說「應該有效」
就跳過證明它真的有效
FDA與EMA開始建立共同規則：監管重點不是「能不能用AI」，而是這個AI在這個用途上可不可信
FDA在2025年發布藥品與生物製劑AI監管決策草案，提出以風險為基礎的模型可信度評估架構。
一個很重要的概念叫Context of Use，也就是「使用情境」。
AI如果只是協助研究團隊內部排序100個候選分子，模型判錯可能只是多做一些實驗。
但如果模型產生的資料要直接支持藥品安全性、有效性或品質的正式監管決策，驗證要求自然會更高。
到了2026年1月，FDA與EMA進一步共同提出10項Good AI Practice原則，涵蓋：
- 以人為中心
- 風險導向
- 明確使用情境
- 跨領域專業
- 資料治理與可追溯文件
- 模型設計與開發品質
- 風險導向的效能驗證
- 模型生命週期管理
- 清楚揭露限制與必要資訊
AI讓研究成本下降，新藥售價就一定比較便宜？兩件事不能直接畫等號
如果AI讓藥廠更早淘汰不適合候選物、少做低成功率實驗，確實有機會降低部分研發成本。
但患者最後看到的藥價還會受到專利、市場競爭、適應症人口、製造成本、醫療支付、保險與各國定價制度影響。
AI本身也不是免費。
建立高品質生物資料、自動化實驗室、機器人設備、模型、運算資源與跨領域人才，都需要大量投資。因此「研發更有效率」和「藥價一定下降」不能直接畫上等號。
台灣真正的AI製藥機會不只做模型，而是把AI接上CRO、CDMO、臨床與製造
工研院這次帶22家業者前進CPHI，最值得看的正是「AI新藥」沒有被單獨擺在產業鏈之外。
它和臨床前研究、CRO、API、CDMO、品質管理與商業化被放在同一個台灣醫藥供應鏈裡。
這其實更接近人工智慧製藥真正需要的能力：
- AI與生物資訊人才
- 高品質疾病與實驗資料
- 蛋白質與小分子設計
- 濕實驗驗證
- 動物與臨床前研究
- 臨床試驗執行
- CMC與GMP製造
- 分析檢驗
- 國際法規與授權能力
所以台灣真正的機會可能不是打造另一個單純聊天式AI，而是把既有ICT、醫療、生技研發與製造能力接成一條可以把AI候選物一路送到臨床的產業鏈。
「AI縮短10年新藥流程」為什麼容易誤導？因為它把不同計時器混成一個
判斷一則AI製藥新聞時，可以先問它到底縮短了哪個時間。
- 分子設計時間：從幾個月、幾年縮短到幾週
- 候選藥確認時間：從大量實驗縮小為少數高潛力候選
- 完整上市時間：從靶點、臨床前、人體試驗一路到核准上市
第一項目前已經有很多真實案例。
第二項正在快速進步。
第三項則仍缺乏足夠證據證明整個產業已經把傳統十年以上的完整研發生命週期普遍壓縮成幾年。
已知事實、延伸分析與目前不能直接下結論的地方
目前可以確認
- 工研院10月7日帶領22家台灣醫藥業者參加CPHI Worldwide，供應鏈範圍包含AI藥物開發
- 中醫大附醫院長周德陽表示，團隊曾把特定抗體設計流程壓縮至約兩週
- 該團隊仍需進行親和力、細胞與後續實驗驗證
- Danaher預計2027年初讓首座AI自主研究實驗室規模化運作
- Danaher公布的8倍與10倍數字屬特定分子發現及生成流程效率預估
- Biohub Virtual Biology Initiative總投入達18億美元，目標建立大型生物資料與預測模型
- BioinvestGPT目前公開追蹤的部分試驗預測有成功也有錯誤
- QuantHealth等企業已將AI用於臨床試驗模擬
- FDA與EMA在2026年共同提出10項藥物研發Good AI Practice原則
- 目前主流AI製藥成果仍較集中在分子設計、早期發現與決策支援
目前不能直接推論
- 不能把抗體設計兩週寫成整顆藥兩週完成
- 不能把分子發現快8倍寫成新藥上市快8倍
- 不能把AI模型預測成功案例當成人體臨床已可取消
- 不能把虛擬細胞當成完整人體數位替身
- 不能因AI找到候選藥就稱該藥「研發成功」
- 不能因導入AI就推論臨床成功率一定提高
- 不能因研發成本下降就推論上市藥價一定降低
- 目前沒有足夠產業證據證明AI已普遍把完整十多年新藥流程壓縮成幾年
結論：AI可以加快「找到答案」，但不能跳過「證明答案是對的」
2026年的AI製藥，已經不是只有把幾個分子丟進電腦算一算。
從台灣團隊的AI抗體設計，到Danaher的自主研究實驗室，再到Biohub的大型生物資料計畫與AI虛擬臨床試驗，整個產業正在試著把AI接進更完整的藥物研發工作流程。
但真正的價值不是「一天生成多少分子」。
找得更快
↓
驗證得更準
↓
更早淘汰失敗候選
↓
把更好的藥送進臨床
↓
最後真正改善患者結果
如果AI只把早期候選分子增加10倍，卻沒有提高後續臨床成功率，那只是把更多分子更快送進失敗流程。
所以AI新藥研發真正要證明的，從來不是模型跑得多快，而是能不能讓製藥公司少做錯誤決策、減少失敗人體試驗，並讓真正安全有效的藥更快走到病人面前。這才是「人工智慧製藥」最後必須交出的成績單。
AI新藥研發、人工智慧製藥與臨床試驗常見問題 FAQ
資料來源與查核基礎
- 工業技術研究院，2026年10月7日臺灣醫藥業者前進CPHI Worldwide新聞資料
- 經濟日報，2026年10月7日中醫大附醫AI抗體設計與新藥研發論壇報導
- Reuters，2026年10月7日Danaher AI自主研究實驗室報導
- Reuters，2026年10月7日Biohub Virtual Biology Initiative報導
- Reuters，2026年10月7日AI虛擬臨床試驗專題
- National Institutes of Health，新藥研發與臨床試驗階段資料
- Nature Reviews Drug Discovery，2026年AI藥物發現進展與限制評論
- U.S. FDA，AI支援藥品監管決策草案
- FDA／EMA，2026年Good AI Practice in Drug Development共同原則
