AI 大廠進軍醫藥，但資本市場等不了十年

過去幾個月，三家AI巨頭不約而同地將生命科學提升至戰略核心位置，試圖在醫藥領域開闢新戰場。六月底，Anthropic推出Claude Science，這是一個專為科學家設計的AI工作臺，能夠接入科研數據庫、執行代碼、分析數據、生成圖表，甚至查看蛋白質結構，並將整個研究過程保存為可審計、可複現的記錄。幾乎在同一時間，OpenAI發布GeneBench-Pro，專門用來測試AI Agent在基因組學、定量生物學等真實科研任務中的表現，特別是處理模糊數據與多階段判斷的能力。

而更早布局的Google，則已從AlphaFold更進一步走向藥物設計，旗下Isomorphic Labs正在全力打造AI藥物設計引擎，並計劃在今年底前推動首批候選藥物進入臨床試驗。這三家公司的路徑鮮明反映了各自的基因。Google DeepMind憑藉深厚的AI for Science積累，先以AlphaFold在蛋白質結構預測上取得突破，隨後將能力延伸到Isomorphic Labs，直接切入藥物研發產業鏈。Isomorphic Labs今年五月完成21億美元融資，創辦人Demis Hassabis表示將用於大規模建設藥物設計引擎，目標是「解決所有疾病」。

OpenAI則選擇從通用推理模型著手，推出GPT-Rosalind作為生命科學專用的推理中樞，並搭配LifeSciBench與GeneBench-Pro等評估體系，試圖證明其模型能勝任複雜的科學工作流。相較之下，Anthropic走的是產品整合與工作流嵌入的路線：從Claude for Life Sciences階段開始串接Benchling、BioRender、PubMed等工具，到Claude Science將數據庫、代碼、計算資源與科學渲染器整合成單一工作臺，甚至計劃建立自己的濕實驗室並開發藥物，專注於被大型藥企忽視的疾病領域。

然而，醫藥研發的漫長週期與AI產業的快節奏之間存在根本性矛盾。模型可以幾個月迭代一次，AI公司的估值與收入按季度計算，但一款藥物從早期發現到通過臨床試驗、獲得監管批准，往往需要十年以上的時間。AI能夠加速靶點發現、分子篩選與早期研發，卻無法壓縮人體臨床驗證所需的時間。這也是為什麼許多大型藥企與AI公司的合作雖然標榜數十億美元的潛在總額，實際首付款往往僅佔極小比例。例如阿斯利康與石藥集團的53.3億美元合作，首付款僅1.1億美元；禮來擴大與Insilico Medicine的合作，潛在總額27.5億美元，首付款也只有1.15億美元。

藥企願意為更快的發現能力付費，但不會在臨床結果出現前為全部想像提前買單。這種時間錯位引發了一個值得深思的判斷：《華爾街日報》指出，如果AI最終真的改變藥物研發，最大的贏家未必是OpenAI、Anthropic或Google，更可能是擁有專有數據、實驗能力與全球臨床體系的大型製藥公司。因為在AI參與的藥物研發中，模型能力只是其中一個環節。真正決定候選藥物能否走到患者面前的，還包括多年累積的內部實驗數據、毒性數據與失敗記錄（尤其是那些從未發表的失敗經驗），以及濕實驗驗證能力、全球臨床試驗運營經驗、監管申報與商業化網絡。

大型藥企不需要在AI公司之間選邊站，它們可以同時使用AlphaFold進行結構預測，調用OpenAI的模型處理文獻與數據分析，並採購Anthropic的工作臺來整合內部流程。儘管如此，這三條路線各自展現了不同的戰略意圖。Google透過Isomorphic Labs試圖從結構預測一路深入到藥物管線，不只提供模型，更想親自推進候選藥物上市。OpenAI則致力於建立生命科學領域的通用推理模型與評估標準，更像是在提供科研能力基礎設施。

Anthropic則從工作臺與企業級部署切入，先後與Novo Nordisk、Genmab、Bristol Myers Squibb等藥廠合作，將Claude嵌入日常研究、臨床開發與監管文檔生成流程，甚至計劃親自驗證藥物發現的早期階段。三家公司雖然路徑不同，但都在搶奪同一個命題：讓AI成為醫藥研發中不可或缺的一環。值得注意的是，除了這三家模型公司，雲端巨頭亞馬遜也以基礎設施提供者角色切入。今年四月推出的Amazon Bio Discovery，讓研究人員在雲端調用生物基礎模型進行分子生成與評估，並整合外部實驗室進行合成與測試。

全球前20大藥企中已有19家使用AWS雲服務，顯示這條「賣水人」路線同樣具有吸引力。但無論是模型公司還是雲端平台，最終都必須面對一個現實：在生命科學領域，模型給出的答案只是假設，必須經過濕實驗驗證，再將結果回流模型，形成「假設—實驗—數據—優化」的閉環。沒有實驗反饋，再強的模型也只能在既有數據上做越來越精細的預測。醫藥研發長期存在一個被稱為「Eroom定律」的現象：儘管計算、生物技術與實驗工具不斷進步，新藥研發所需的時間與成本卻沒有同步下降。AI或許能壓縮尋找候選分子的時間，卻無法壓縮一個分子在人體內證明自己的過程。

今天由AI找到的候選藥物，可能要到數年後市場才能確定它究竟是有效藥物，還是又一個在臨床階段失敗的項目。這種不確定性使得資本市場保持謹慎，也讓AI醫藥故事在亮眼標題之外，必須面對生物學自身步調的考驗。最終，AI製藥競爭的勝負可能不取決於誰擁有最強的模型，而是誰能掌握別人拿不到的數據，誰能讓模型的預測進入實驗閉環，誰又有能力將實驗結果一路推進到臨床與上市。大型藥企若能把內部數據、濕實驗與臨床開發能力，與外部AI工具高效整合，就有機會成為這場變革的最大受益者。

而對於Google、OpenAI與Anthropic來說，它們現在建立的技術壁壘，究竟是讓自己成為未來的製藥巨頭，還是僅僅變成大藥企可以採購與組合的新工具，答案恐怕要等數年後，第一批由AI深度參與研發的藥物進入臨床結果時，才能真正揭曉。