AI大廠進軍醫藥，但資本市場等不了十年

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巨頭不約而同將生命科學提升至戰略核心。Anthropic在6月底推出Claude Science，這是一個專為科學家設計的AI工作臺，能夠連接科研資料庫、執行程式碼、分析數據、生成圖表，甚至查看3D蛋白質結構與化學分子圖，並將研究過程保存為可審計、可重現的紀錄。幾乎同一時間，OpenAI發布GeneBench-Pro，專門測試AI Agent在基因體學與定量生物學中處理模糊數據與多階段判斷的能力。而更早投入的Google，則從AlphaFold走到Isomorphic Labs，正推動首批候選藥物進入臨床試驗。 AI公司的戰場正從辦公室轉向實驗室。過去，程式碼與數學是AI大廠最喜歡的能力驗證場，因為結果可以快速驗證。但醫藥卻有完全不同的時間表：AI可以加速靶點發現、分子篩選與早期研發，但之後的實驗、臨床試驗與監管審批無法跳過。模型幾個月就能更新一代，藥物卻可能需要十年才能證明自己。《華爾街日報》7月12日因此提出一個耐人尋味的觀點：如果AI最終真的改變藥物研發，最大贏家可能不是OpenAI、Anthropic或Google，而是擁有專有數據、實驗能力與全球臨床體系的大型製藥公司。 三家大廠選擇了不同的切入點。Anthropic的路線是將Claude Code的產品邏輯複製到科研場景，打造一個整合數據庫、程式碼、運算資源與科學渲染器的工作臺。Claude Science可以讀取並改寫Python、R腳本，支援持久化內核，也能透過SSH提交高效能運算任務，內部API與電子實驗筆記本都可接入。它還內建科學渲染器，直接查看蛋白質結構、基因組軌道與化學結構，生成的圖表會附帶產生時使用的程式碼與對話歷史，便於追溯。Anthropic甚至計劃自行開發藥物，鎖定傳統藥企商業興趣不足的疾病，並已開始招聘生物學家與建立濕實驗室。 OpenAI則走另一條路，強調通用推理模型在生命科學的潛力。今年4月推出GPT-Rosalind，定位為生命科學研究的前沿推理模型，針對化學、蛋白工程、基因體學等領域最佳化。隨後又將GPT-5.5的agentic coding能力接進此模型，強化藥物化學與濕實驗排錯等任務。同時，OpenAI也補上評估體系，推出LifeSciBench與GeneBench-Pro，測試模型在真實科研工作流中的表現。這很符合OpenAI的風格：先端出模型，再搭建專業的benchmark來定義能力邊界。 Google則以AlphaFold系列建立科學突破基礎，從蛋白質結構預測延伸到分子相互作用，再透過Isomorphic Labs朝藥物設計引擎邁進。路透社5月報導，Isomorphic Labs完成21億美元融資，預計2026年底前啟動首批臨床試驗。Google的路線是先解決結構生物學的基本問題，再往藥物設計與臨床前管線推進，企圖從科學基礎打造製藥壁壘。 這三條路線各自反映公司的核心氣質。Google DeepMind擁有最深厚的AI for Science積累，孕育出AlphaFold這類基礎設施級成果；OpenAI最強的是通用推理，所以先推生命科學專用模型；Anthropic則在程式輔助領域驗證過產品邏輯，自然將其搬進科研流程。值得注意的是，亞馬遜也以不同角色切入，今年4月推出Amazon Bio Discovery，專攻早期藥物發現的基礎設施，全球前20大藥企已有19家使用其雲端服務。 然而，製藥的現實遠比模型迭代殘酷。製藥產業長期存在「Eroom定律」：儘管工具不斷進步，新藥研發的時間與成本並未同步下降。AI可以壓縮尋找候選分子的時間，卻無法壓縮候選藥物在人體中證明安全與有效的時間。模型迭代以月為單位，AI公司的營收與估值以季計算，但一款藥物從早期發現到臨床結果往往需要多年。今天由AI找到的候選分子，可能要數年後才能確定是否成功。 這種時間錯位也反映在交易結構上。許多AI製藥合作案雖然標示數十億美元的潛在總額，首付款卻往往只有一小部分。例如2025年6月阿斯利康與石藥集團的合作，潛在總額53.3億美元，首付款僅1.1億美元；今年1月法國施維雅與Insilico合作，最高8.88億美元，首付款與近期研發付款最高3200萬美元；3月禮來擴大與Insilico合作，潛在總額27.5億美元，首付款僅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買單全部想像。 如果AI最終改變藥物研發，最大贏家很可能不是模型公司，而是大型製藥企業。原因是製藥後半程的價值門檻難以複製：專有的內部實驗數據、失敗記錄、濕實驗驗證能力、全球臨床試驗網絡、監管申報經驗與商業化體系。模型公司提供的工具，大藥企可以同時採購與組合使用：用AlphaFold預測結構，調用通用模型處理文獻，購買AI製藥公司的候選分子，再接入自己的數據與臨床體系。當模型能力逐漸變成可採購的工具，真正稀缺的反而是生物數據、濕實驗反饋與臨床執行能力。 當然，大型藥企同樣存在數據分散、系統老舊與部門壁壘等問題。擁有大量數據不代表能有效利用，購買最先進模型也不等於真正改變研發流程。最終受益最大的，可能是那些最能把模型、專有數據、濕實驗與臨床開發串成閉環的藥企。 從這個角度看，Google、OpenAI與Anthropic選擇的三條路線，也決定了它們未來可能佔據的位置。Google試圖透過Isomorphic Labs深入藥物管線，不只提供模型，還想親自推進候選藥物；OpenAI正在建立生命科學推理模型與評估體系，更接近科研能力供應商；Anthropic則從工作臺與企業部署切入，嘗試成為科研組織與藥企內部的流程基礎設施。AI製藥最終比的，可能從來不只有誰的模型最強，而是誰掌握別人不掌握的數據，誰能讓預測進入實驗，誰又有能力把結果一路推進到臨床與上市。AI讓尋找答案變得更快，但這些答案能否變成真正上市的藥物，仍需要按照生物學自己的時間來證明。