美國布朗大學（Brown University）團隊做了一件對配方工程師很有感的事：把 Fick 擴散定律直接寫進神經網路，用少量實驗數據就預測出藥物貼片、敷料的完整釋放曲線。根據 布朗大學官方新聞稿，這套「物理知情神經網路」（Physics-Informed Neural Networks，PINN）在平面材料上，只需前約 6% 的實驗數據就能給出準確預測、把該做的實驗時間省下約 94%；遇到有皺褶、皺縮的複雜材料，則需要約 33% 的數據、省約 67%。研究刊在 2026 年的《Journal of Drug Delivery Science and Technology》。
先把最重要的判斷放前面：這則新聞真正的意義，不是「AI 又更強」，而是它走的是「小數據＋物理定律」這條路——對缺資料、缺經費的台灣中小型生醫廠，這反而比動輒吃幾萬筆資料的大模型更用得起。
這篇研究到底做了什麼
傳統上，要知道一片貼片會怎麼慢慢把藥放出來，得把整條釋放曲線一路量到底，動輒數天到數週。布朗團隊的做法是：不讓 AI 從零硬學，而是先告訴它「藥物分子本來就會從高濃度往低濃度擴散」這條 Fick 定律，再讓神經網路去補上材料、幾何形狀帶來的差異。
結果在對照三種結構——平面、單向皺褶（1D-wrinkled）、雙向皺縮（2D-crumpled）薄膜——時，平面薄膜只用前約 6% 的釋放時間數據，誤差就壓到很低，複雜皺縮薄膜則要到約 33% 才達到同樣精度（數字見 arXiv 預印本）。團隊還加上貝氏統計（Bayesian PINN），一併量化預測的不確定性。換句話說，結構越平整、越單純，物理定律能「腦補」的越多、要做的實驗越少；結構越皺、越難用一條乾淨的擴散方程描述，AI 能省的比例就下降——這個遞減關係本身就很誠實，沒有把話說滿。
為什麼「小數據」這件事，對台灣特別關鍵
這幾年 AI 的主流敘事是「誰的資料多誰贏」。但物理知情 AI 反過來說：如果你的問題本來就受一條清楚的物理定律支配，那你需要的資料可以少很多——因為模型不必從數據裡「重新發現」擴散定律，那條定律是免費送進去的先驗知識。這跟 NVIDIA 把整條科學工作流搬上 GPU 管線 的「大算力路線」是兩種互補思路：一邊靠硬體堆規模，一邊靠物理知識省數據。
對台灣，值得講白的一點是：我們的生醫產業結構，本來就更適合「省數據」這條路。 台灣有一批做透皮製劑（TDDS）、學名藥、醫材敷料與貼片代工的中小廠，它們最痛的環節之一就是配方試錯——換一個賦形劑、改一次膜厚，就得重跑一輪釋放試驗。這類廠商通常沒有巨量歷史資料、也養不起大規模資料標註團隊，正好是「大數據路線」照顧不到的一群。而 PINN 這種「用少量批次數據＋一條擴散定律」就能把後半段曲線外推出來的方法，等於把最貴的實驗時間砍在刀口上。
別誤讀：這是研究進展，不是臨床產品
要澆一盆必要的冷水。這篇是方法學研究，示範的是「用 AI 預測體外釋放曲線」，壓縮的是配方開發階段的實驗週期，不是「AI 能設計新藥」或「AI 能決定臨床劑量」。 真正上到人體，還有皮膚滲透、個體差異、法規查驗登記與生體相等性（BE）試驗等一長串關卡，這些都不在這套模型的射程內。把它理解成「研發端的實驗加速器」比較準確，跟 Google AMIE 那種面向臨床決策的 AI 是完全不同層級的東西。
對台廠務實的下一步，不是等別人做出商用軟體，而是拿自家既有的釋放試驗數據，先小規模驗證：同樣的配方，用前 10% 到 30% 的數據去外推，跟實測全曲線差多少？這種試點花的是一個工程師兩三週，不是一筆採購。要把這類研究流程整理成可重跑、留得下紀錄的工作流，可參考 Anthropic 的 Claude 科研工作台；想長期往這個交叉領域走的人，也可以看 AI × 醫學研究的職涯路徑。
常見問題
物理知情神經網路（PINN）跟一般 AI 差在哪？
一般神經網路是純從資料裡找規律，資料不夠就學不準。PINN 則是在訓練時多加一個限制：預測結果必須同時滿足一條已知的物理方程（這裡是 Fick 擴散定律）。等於先把物理知識送進模型，讓它不用從零學起，所以需要的資料量可以大幅下降。
「省 94% 實驗時間」是怎麼算出來的？可信嗎？
依 布朗大學新聞稿，指的是平面材料只需前約 6% 的釋放時間數據就能準確預測後續曲線，等於省下約 94% 該做的量測時間；複雜皺褶材料需約 33% 數據、省約 67%。這是在特定薄膜、體外實驗條件下的結果，可回原始 arXiv 預印本 查證。它是研究環境的數字，不代表換到任何配方、任何產線都會一樣省，該拿來當「值得試」的訊號，別當保證。
台灣的透皮製劑、醫材敷料廠現在能用嗎？
能開始評估、但不是買了就能用。目前這是學術方法，還沒有現成商用軟體。務實做法是拿自家既有的釋放試驗數據做小型驗證：用前段數據外推、比對實測全曲線的誤差。缺資料、缺經費的中小廠反而是這條「小數據＋物理定律」路線最該試的一群，因為它把最貴的實驗時間省在刀口上。
這代表「AI 能開藥」了嗎？
不是。這套模型做的是預測體外藥物釋放曲線、加速配方開發的實驗階段，不涉及新藥設計，也不決定臨床劑量。從研發到上人體，中間還有皮膚滲透、個體差異、生體相等性試驗與法規查驗登記等關卡，都不在它的範圍內。請把它理解成研發端的實驗加速工具。
參考來源
- Brown University 官方新聞稿：AI cuts drug delivery testing time（6%／94%、33%／67% 原始數字）
- Phys.org：Physics-informed AI predicts drug release from patches and bandages
- arXiv 預印本：Drug Release Modeling using Physics-Informed Neural Networks（平面 6%、皺縮 33% 的 RMSE 佐證）
- Journal of Drug Delivery Science and Technology（2026）論文 DOI
- 3M 台灣：第三大給藥系統——經皮藥物傳輸系統 TDDS（台灣產業脈絡）