AI 製藥確實能讓新藥研發的前段更快，尚未證明可以把完整上市流程從十多年壓成幾個月。 它最擅長從龐大資料找靶點、預測分子互動、提出候選結構與協助分析試驗；候選藥進入人體後，安全性、療效、製造品質與監管審查照樣要逐步驗證。
2026 年判斷一則 AI 新藥新聞，先看它目前走到哪一層證據：電腦預測、實驗室驗證、動物研究、第一期、第二期、第三期，或已獲主管機關核准。AI 技術再新穎，少掉任何一層，結論都不能往後跳。
AI 製藥是什麼？用在哪些環節？
AI 製藥是把機器學習、生成模型與結構預測放進藥物生命週期。它不會從一個 Prompt 直接吐出可以上市的藥，實際流程仍是多個團隊反覆預測、合成、測試與修正。
| 研發階段 | AI 可協助的工作 | 仍要取得的證據 |
|---|---|---|
| 疾病與靶點研究 | 從基因、蛋白質、文獻與臨床資料排序假說 | 靶點和疾病是否真的有因果與可干預關係 |
| 分子設計 | 產生與篩選可能的化合物或抗體 | 實際合成、純度、活性與選擇性 |
| 結構與性質預測 | 預測蛋白質互動、結合方式與藥物性質 | 實驗結構、細胞與動物資料 |
| 臨床前開發 | 協助預測毒性、代謝與劑型方向 | 合規的毒理、藥理與製造資料 |
| 臨床試驗 | 病人篩選、終點設計、資料清理與監測 | 依計畫收集的人體安全與療效結果 |
| 上市後監測 | 從通報與真實世界資料找安全訊號 | 可追溯資料、專家判讀與後續調查 |
這張表也說明了 AI 最能壓縮的部分：縮小要做哪些實驗的搜尋空間。模型預測再準，仍要用現實世界的生物學與臨床結果檢查。想先建立整體醫療應用地圖，可看 AI 醫療 2026 指南；文獻查證方法則整理在 AI 醫學研究工具。
AlphaFold 3 帶來什麼，做不到什麼？
AlphaFold 3 的 Nature 論文顯示，模型能預測包含蛋白質、核酸、小分子、離子與修飾殘基的複合體結構，在多項基準上優於當時的專用方法。對藥物研究來說，它能更快提出「分子可能怎麼互動」的結構假說，讓團隊優先測試較有希望的方向。
它仍是預測工具。論文本身指出，不同互動類型的準確度仍有挑戰，生成式架構也可能產生看似合理的錯誤結構。研究者需要閱讀模型信心、比較不同方法，並以生化、細胞或結構實驗驗證。
AlphaFold 3 也不能單獨回答候選藥是否會被人體吸收、產生毒性、和其他藥物交互作用，或能否改善病人的臨床結果。把「蛋白質結構預測成功」寫成「新藥已找到」，中間至少漏掉候選優化、臨床前研究與多期人體試驗。
Rentosertib：目前最值得讀的臨床案例
2025 年 6 月，《Nature Medicine》發表 Rentosertib 的隨機第二期 a 試驗。研究團隊使用生成式 AI 找出特發性肺纖維化的 TNIK 靶點並設計小分子，之後把候選藥推進人體研究。這比「AI 在電腦中找到分子」前進了好幾步，也是理解 2026 年 AI 製藥進度的好案例。
試驗在中國 21 個中心進行，71 名成人分成三個 Rentosertib 劑量組與安慰劑組，治療 12 週。最高劑量組出現肺活量改善訊號，研究的主要安全指標在各組相近；同時，71 人中有 16 人提早停藥，部分停藥與肝臟毒性相關。
這份結果可稱為「值得進一步研究的早期臨床訊號」，還不能稱為療效確認。作者列出的限制包括每組人數少、受試者地理與族群較單一、追蹤時間短；生活品質等部分結果也沒有清楚差異。研究由開發商 Insilico Medicine 贊助，多名作者為公司員工，閱讀時也應一併納入判斷。
下一步要看更大、更多元、時間更長的第二期或第三期試驗，能否重現安全與療效。病人不能依這項研究自行停藥、換藥或尋找未核准產品；治療決定應和原本的專科醫師討論。
為何 AI 找到候選藥，臨床仍可能失敗？
人體疾病會受年齡、共病、用藥、免疫反應與生活環境影響，遠比訓練資料裡的分子關係複雜。臨床失敗常見原因包括：
- 選中的靶點在人體並沒有足夠療效。
- 分子能作用於靶點，卻無法安全到達需要的位置。
- 動物或細胞結果無法在人類重現。
- 有效劑量同時帶來不可接受的副作用。
- 試驗族群、終點或追蹤時間無法回答真正的臨床問題。
- 訓練資料不具代表性，模型在新族群或新實驗條件下失準。
AI 可以減少較差候選進入試驗的機率，現階段沒有證據保證它能消除這些失敗。更完整的瓶頸可看 AI 生技為何卡在臨床試驗。
監管機關怎麼看 AI 製藥？
監管機關會依模型輸出被拿來做什麼決定，以及出錯會造成多大風險，設定相應的證據要求。
美國 FDA 2025 年發布的草案指引針對用 AI 資料支持藥品安全、有效性或品質的監管決策，提出依「特定使用情境」評估模型可信度的框架。這份文件截至本文查證時仍標示為草案與非約束性建議，不能寫成已生效的最終規則。
FDA 與歐洲藥品管理局之後共同提出藥物開發良好 AI 實務十項原則，涵蓋以人為本、風險導向、明確用途、資料治理、文件紀錄、效能評估與模型生命週期。歐洲的 AI 藥品生命週期反思文件也把原則延伸到發現、臨床、製造與上市後階段。
換句話說，藥廠不能只提交一個漂亮準確率。它要能交代資料來源、偏差、模型版本、適用族群、失效方式、人工監督，以及結果如何被實驗證據確認。生物資料的雙重用途與存取控制也日益重要，可延伸閱讀 高能力生物 AI 的可信存取與 AI 倫理實務。
台灣 2026 年有哪些實際機會？
國科會已公告「人工智慧賦能加速藥物開發計畫」，預計執行期程從 2026 年 6 月到 2030 年 5 月，方向是結合 AI、跨領域與跨產業資源，並強化國內 AI 藥物開發工具的自主研發。台灣的切入點涵蓋算力、資料治理、模型驗證、濕實驗、臨床、製程與法規能力。
對研究團隊與生技公司，較務實的起點有三個：
- 選一個有高品質資料與實驗回饋的窄問題，先建立可重複基準。
- 讓計算、化學、生物、臨床與法規人員共同定義模型用途，避免後段才發現證據不能送審。
- 從第一天保留資料版本、模型版本、實驗失敗與人工修改紀錄，讓結果可追溯。
一般讀者無法從一項合作金額或一張分子圖判斷公司會不會成功。若從投資角度閱讀，請把本文當產業知識，並非個股或買賣建議；應另查公司財務、授權條款、現金消耗、試驗登錄與完整結果。
看懂 AI 新藥新聞的六步檢查
- AI 做了哪一步？ 找靶點、設計分子、分析資料，還是控制試驗決策？
- 證據在哪一層？ 電腦、細胞、動物、人體試驗或主管機關核准？
- 研究有對照組嗎？ 單一案例與隨機對照試驗的可信度差很大。
- 樣本與時間夠嗎？ 短期小型試驗適合找訊號，難以證明長期安全與療效。
- 誰出資、誰分析？ 公司研究有價值，利益衝突仍要揭露並等待外部重現。
- 原始文件怎麼寫？ 「值得進一步研究」不能翻成「療效已證實」，Phase 2 也不能寫成即將上市。
AI 製藥的進展已超過概念展示，但證明方式沒有被改寫。真正值得期待的，是它能否連續產出通過嚴格試驗的候選藥，而非某一次把分子生成速度縮到多快。
常見問題
AI 製藥是什麼？
AI 製藥是把機器學習與生成模型用在靶點研究、分子設計、性質預測、臨床試驗與上市後監測。AI 提供候選與分析，藥物仍需完成實驗、人體試驗、製造及監管審查。
AI 能把新藥研發縮短到幾個月嗎？
幾個月可能指靶點研究或候選分子設計，不能代表完整的新藥上市週期。臨床前毒理、多期人體試驗、製造驗證與審查都有各自需要的時間與證據。
目前有 AI 設計的新藥上市了嗎？
「用過 AI」的定義很寬，不能把資料分析、靶點發現與完整分子設計混為同一類。本文查證的代表性案例 Rentosertib 仍屬臨床開發階段，第二期 a 結果不等於主管機關核准。
AlphaFold 3 可以直接設計藥物嗎？
AlphaFold 3 可預測多種生物分子的結構與互動，適合提出和篩選結構假說。它不能單獨證明藥物在人體的吸收、毒性與療效，仍需其他計算方法及實驗驗證。
Rentosertib 已經證明有效嗎？
小型、短期的隨機第二期 a 試驗看到值得追蹤的肺功能訊號，也揭露停藥與肝臟毒性等問題。要確認療效與長期安全，仍需更大、更久且更多元的後續試驗。
參考來源
- Nature：Accurate structure prediction of biomolecular interactions with AlphaFold 3（2024-05-08）
- Nature Medicine：A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial（2025-06-03）
- U.S. FDA：Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products（2025-01-07，草案）
- U.S. FDA：Guiding Principles of Good AI Practice in Drug Development（2026-01，2026-08-12 查閱）
- European Medicines Agency：The use of Artificial Intelligence (AI) in the medicinal product lifecycle（2024-09-30）
- 國家科學及技術委員會：115 年度「人工智慧賦能加速藥物開發計畫」徵求公告（2025-12-11）