1913 年，Henry Ford 在美國密西根 Highland Park 工廠裝上第一條移動式生產線。
在那之前，一輛 Ford Model T 的組裝大約需要 12.5 小時；流水線導入後，時間被壓縮到約 93 分鐘。當時汽車業的反應很分裂：一批人拆掉舊工坊，重新設計工廠；另一批人則認為，這種標準化、快速化、看似粗糙的生產方式，怎麼可能取代手工打造的精密工藝？
結果不用太久就出來了。那些堅守舊工坊邏輯的汽車公司，大多消失在歷史裡。
流水線改變的不只是汽車製造速度，而是整個製造業的底層邏輯。在流水線之前，製造能力長在工匠手上；在流水線之後，製造能力長在系統裡。
一百多年後，類似的邏輯切換，正在新藥研發產業發生。
這次的流水線，不是金屬零件、皮帶與輸送帶，而是 人工智慧、蛋白質結構模型、科學資料庫、藥物設計模型與自動化實驗系統。真正值得注意的，不是 AI 會不會讓藥廠「效率提升一點」，而是 AI 正在把新藥研發從「人類科學家手工試錯」推向「系統化、模型化、資料化、可重複迭代」的新型研發工廠。
這會改變藥廠的定義。
未來的藥廠，不只要有化學家、生物學家、臨床團隊、法規團隊和銷售隊伍，還必須有 AI 能力。
沒有 AI 能力的藥廠，未來可能就像沒有電力的工廠。不是不能存在，而是會越來越不像現代工廠。
01｜Google I/O 真正重要的，不是產品秀，而是科學研發的作業系統
2026 年 Google I/O 大會上，有很多讓科技圈興奮的產品更新。
Google DeepMind 執行長 Demis Hassabis 對科學研究的野心展露無遺。他把 AI 描述成推動科學發現的放大器，並提出一個非常大膽的方向：用 AI 重新構想藥物發現流程，甚至長期目標是幫助人類解決疾病問題。Google 在 I/O 期間也推出 Gemini for Science，把它定位成一組用來擴大科學探索規模與精準度的工具。這句話聽起來很大，甚至有一點矽谷式的誇張。但如果把行銷語言拿掉，真正值得看的，是 Google 正在把三個能力接在一起。
- 第一，是 AlphaFold。
AlphaFold 早已不是單純的蛋白質折疊工具。Google DeepMind 對 AlphaFold 3 的描述，是它可以幫助理解生命分子如何交互作用，包括蛋白質、DNA、RNA、小分子與離子等。這對新藥開發非常關鍵，因為藥物之所以有效，最後仍要回到分子如何結合、如何改變蛋白功能、如何影響疾病路徑。過去要看清楚一個蛋白質結構，常常需要 X 光晶體學、冷凍電子顯微鏡或其他實驗方法，耗時數月甚至更久，也不一定成功。AI 不是讓結構生物學消失，但它讓「先看見結構、再設計實驗」變得更容易。這就像過去造車要靠老師傅一步一步量測零件，現在先有數位模型，再進入製造驗證。
- 第二，是 Gemini for Science。
這套工具的方向，不只是幫科學家寫文字，而是協助研究者整理文獻、產生假說、連結資料庫、把研究問題轉成可執行分析。公開資料顯示，相關科學工具可結合 UniProt、AlphaFold Database、AlphaGenome API、InterPro 等生命科學資料來源與工具。這件事很重要，因為新藥研發真正痛苦的地方，不只是「做實驗」，更痛苦的是文獻太多、資料庫太碎、疾病路徑太複雜、靶點證據太分散，實驗設計又太依賴個別團隊經驗。Gemini for Science 的意義，在於把科學研究裡大量重複、分散、耗時的知識整理工作，變成更接近半自動化的研究流程。
- 第三，是 Isomorphic Labs 的 AI 藥物設計引擎。
Isomorphic Labs 是從 Google DeepMind 孕育出來的 AI 製藥公司，2026 年 5 月宣布完成 21 億美元 B 輪融資，用於推動其 AI 藥物設計引擎、全球業務擴張與候選藥物管線。公司也把自己的使命描述為用前沿 AI 重新設計藥物發現。
把這三件事放在一起看，邏輯就很清楚。
AlphaFold 讓人類更快「看見」生命分子的結構與交互作用；Gemini for Science 協助科學家「提出假說、整合資料、設計分析」；Isomorphic Labs 則把這些能力推向「設計藥物分子」。這不是在某個環節加一個 AI 小工具。這是在打造一條新的藥物研發流水線。
02｜舊的新藥研發流水線，已經貴到讓整個產業喘不過氣
新藥研發產業有一個著名自嘲：Eroom’s Law。
摩爾定律說，半導體性能大約每隔一段時間就會快速提升；Eroom’s Law 則是反過來，它描述的是，新藥研發效率多年來不升反降。藥廠投入越來越多錢，產出的新藥數量卻沒有同步增加。
這不是某一家藥廠管理不善，而是系統性困境。
傳統新藥研發大致要走過幾個關卡：找疾病機制、選靶點、做化合物篩選、優化分子、做細胞與動物實驗、做毒理與藥動學、進入人體臨床，再經歷一期、二期、三期試驗，最後才有機會上市。
每一步都可能失敗。
最痛苦的是，很多失敗不是在早期發生，而是在花了大量時間與資金後，才發現療效不夠、安全性不行、劑量不理想、族群選錯，或臨床終點無法成立。
所以傳統藥物研發本質上是一條又長、又貴、又高失敗率的流水線。這條流水線的問題，不只是速度慢；更大的問題是，很多錯誤發現得太晚。AI 製藥真正要改變的，不是把每個科學家變成十倍速，而是希望把錯誤提前暴露。
- 讓不合理的靶點早一點被排除。
- 讓低機率的分子早一點被淘汰。
- 讓更有可能成功的候選藥物更快進入臨床前階段。
- 讓臨床試驗設計更早結合病人分層與生物標記。
這才是 AI 對製藥產業真正有價值的地方，不是讓研發變得魔法化，而是讓研發變得更像工程系統。
03｜AI 製藥不是一個工具，而是製藥業的「集裝箱」
1940 年代末，集裝箱開始改變全球貿易。
在集裝箱之前，貨物從輪船卸到碼頭、從碼頭裝到卡車、再從卡車進倉庫，靠的是大量碼頭工人手搬肩扛。運輸成本裡，裝卸成本占了非常高的比例。集裝箱真正厲害的地方，不是它只讓海運便宜一點，而是它讓全球供應鏈重新組織。貨櫃標準化之後，工廠不一定要靠近消費市場；零組件可以跨國流動；生產可以分散到成本最低、效率最高的地區；豐田可以做準時制生產；Nike、Apple 可以把供應鏈拆到全球。
- 集裝箱不是一個鐵盒子，它是一種重新組織產業的標準，AI 對製藥業的意義，很可能也是如此。
如果 AI 只是幫藥廠快一點找文獻，那它只是工具。如果 AI 只是幫科學家多生成幾個分子，那它也只是工具。但當 AlphaFold、Gemini for Science、Isomorphic Labs 這類能力被接在一起，事情就不一樣了。靶點發現可以更快，蛋白結構可以更快，分子設計可以更快，文獻與資料庫整合可以更快，病人分層可以更快，實驗設計可以更快，臨床前資料分析也可以更快。
當這些環節都開始被 AI 重新連接，AI 就不再是工具，它會變成藥物研發的底層標準。就像集裝箱不是讓某一艘船更快，而是讓整個全球貿易系統重組。AI 製藥也不是讓某一位科學家更快，而是讓整個新藥研發流程重新排列。
04｜真正被衝擊的，是靠「人力試錯效率」賺錢的舊模式
每一次新技術降低產業成本，都不會溫柔。
大英百科全書不是被一本更厚的百科全書打敗的，它是被一種新的內容生產與分發方式打敗的。
報紙不是被另一份更漂亮的報紙打敗的，它是被搜尋引擎、分類廣告網站、社群平台與即時資訊流拆解的。同樣地，傳統製藥業過去沒有被網路真正顛覆，是因為它的核心資產不是資訊本身，而是分子、實驗、臨床、法規與製造，分子不會因為網路出現，就自動變成藥。
但 AI 不一樣，AI 處理的不只是資訊傳遞，AI 處理的是知識發現，而新藥研發本質上就是知識密集型勞動。
⚠️ 這代表一個很現實的問題：那些主要依靠大量人力、重複試錯、低成本實驗效率來建立競爭力的模式，會最先受到壓力。
CRO 不會消失，濕實驗不會消失，動物實驗不會消失，臨床試驗更不會消失。但傳統 CRO 若只提供「更多人、更多實驗、更多外包工時」，價值會被重新定義。未來藥廠會問的不只是：「你能不能幫我做實驗？」
而是會問：
- 你能不能結合 AI 模型，幫我更快決定哪些實驗值得做？
- 你能不能用資料平台降低重複試錯？
- 你能不能把實驗結果反饋回模型？
- 你能不能把濕實驗和乾實驗整合成閉環？
這會讓 CRO 的競爭從「人力密度」走向「資料密度、模型能力與實驗閉環」。同樣地，傳統藥廠也會被迫回答：AI 是你的外包工具，還是你的內部能力？是研發部門的附加軟體，還是公司整個研發流程的作業系統？差別會非常大。
05｜Big Pharma 不會等 AI 公司成熟才進場，它們已經在搶入口
大型藥廠其實很清楚，AI 製藥不是單純的科技題材。它是未來研發效率與管線競爭力的核心能力。Isomorphic Labs 已經和 Novartis、Eli Lilly 建立藥物研發合作，總潛在交易價值達數十億美元等級。Eli Lilly 也持續擴大與 Insilico Medicine 的合作。Reuters 報導指出，雙方 2026 年合作最高潛在金額可達 27.5 億美元，Lilly 將利用 Insilico 的 AI 引擎，取得特定口服候選藥物的全球開發與商業化權利。這些交易反映一件事：大型藥廠不是把 AI 當成行銷話題，它們是在買能力。
- 買模型。
- 買資料。
- 買演算法。
- 買早期管線。
- 買未來不被淘汰的選擇權。
這和當年電力進入工廠很像。一開始，很多工廠只是把蒸汽機換成電動機，產線布局沒有改，所以效率提升有限。真正的變革，是後來每台機器都可以有自己的獨立動力，工廠不再圍著中央傳動軸設計，流水線才真正爆發。今天很多藥廠使用 AI，也還停留在「把舊流程加上 AI」的階段。
找文獻快一點，篩分子快一點，寫報告快一點，做臨床招募快一點。這些都有價值，但還不是最終形態。
真正的下一階段，是整個研發流程圍繞 AI 重新設計。
從疾病假說、靶點優先排序、分子設計、實驗設計、臨床前資料、病人分層，到臨床試驗設計，都在同一套資料與模型系統裡互相回饋，這才是 AI-native pharma。
06｜沒有 AI 能力的藥廠，不是明天會倒，而是估值邏輯會慢慢改變
「沒有 AI 能力的藥廠，將不再被稱作藥廠」這句話，聽起來很激烈。
但它不是說所有沒有 AI 團隊的藥廠明天就會倒閉，真正的意思是：未來市場會用不同標準評價藥廠。過去評價一家藥廠，市場看幾件事：管線有多強、專利還有多久、銷售能力如何、臨床成功率如何、併購能力如何、製造與供應鏈是否穩定。
未來還要加上一個問題：這家公司有沒有 AI 研發能力？
這裡的 AI 能力，不是開一個 AI 部門，不是官網寫「AI-powered」，也不是把 ChatGPT 放進辦公室。真正的 AI 能力，至少包括幾件事：
- 是否有可用的高品質資料資產？
- 是否能把內部實驗資料標準化？
- 是否能把模型預測和實驗驗證接成閉環？
- 是否能用 AI 做靶點優先排序？
- 是否能用 AI 設計分子、抗體、蛋白或 RNA？
- 是否能用 AI 做病人分層與臨床試驗設計？
- 是否能讓 AI 參與商業化、醫學事務、藥物警戒與生命週期管理？
如果一家藥廠只是買幾個 AI 工具，卻沒有資料、流程、人才與決策制度，它仍然不是 AI 藥廠。
就像把電燈裝進馬車裡，不會讓馬車變成汽車。
07｜這不是 AI 取代藥廠，而是 AI 重新分層藥廠
很多人討論 AI 製藥時，容易走向兩個極端。
一派認為 AI 會顛覆一切，科學家和藥廠都會被取代。另一派則認為 AI 只是泡沫，真正做藥還是要靠濕實驗、臨床與 FDA。這兩種看法都太簡化。更合理的看法是：AI 不會取代藥廠，但 AI 會重新分層藥廠。
- 第一層，是 AI-native biotech。
這些公司從第一天就把資料、模型、實驗閉環放進研發流程。代表性公司包括 Isomorphic Labs、Recursion、Insilico Medicine、XtalPi、Exscientia 等。它們的挑戰是：AI 能不能真正產出臨床成功的藥，而不只是產出漂亮的早期分子。
- 第二層，是 Big Pharma 的 AI 內化。
例如 Eli Lilly、Novartis、Merck、Roche、AstraZeneca、Sanofi 等大型藥廠，會透過合作、投資、併購與內部平台，把 AI 能力變成研發與商業化的一部分。它們不一定自己從零打造全部模型，但一定會把 AI 納入核心競爭力。
- 第三層，是 AI-enabled CRO／CDMO。
未來 CRO 不能只靠人力實驗，CDMO 也不能只靠產能。誰能把 AI 用於實驗設計、製程開發、品質控制、產能排程、法規文件與供應鏈管理，誰就會更有價值。
- 第四層，是沒有 AI 能力、也沒有資料壁壘的傳統藥廠。
這類公司不會立刻消失，但估值會被壓縮。因為它們的研發效率會落後、BD 能力會落後、臨床設計會落後、成本結構會落後，最終會像沒有電力化的工廠，在新時代裡慢慢變成低效率資產。
08｜AI 製藥不是泡沫，但也不是魔法
這裡也要保持冷靜，AI 製藥不是魔法，AlphaFold 不能直接讓藥物自動上市，Gemini for Science 不能替代臨床試驗，Isomorphic Labs 即使拿到 21 億美元融資，也還要用臨床資料證明自己的藥物設計引擎真的能提高成功率。
- AI 可以加速早期研發，但不能取消毒理試驗。
- AI 可以幫助分子設計，但不能保證人體安全。
- AI 可以協助病人分層，但不能取代隨機對照試驗。
- AI 可以提高假說生成速度，但不能讓錯誤假說自動變成真理。
所以，AI 製藥最正確的理解，不是「AI 會治好所有疾病」，而是 AI 會讓新藥研發從手工試錯，走向更高密度、更高頻率、更可迭代的知識工程。
這已經足夠顛覆，因為製藥業不需要 AI 百分之百成功。只要 AI 能把錯誤提前，把成功機率提高一點，把時間縮短一點，把臨床前決策做得更好一點，整個產業價值鏈就會重新分配。
參考資料：
[0]: 各公司官網＆公開資料
[1]:
New AI Tools for the Future of Science
Gemini for Science is a new collection of science tools and experiments to expand the scale and precision of scientific exploration.
blog.google
[2]:
AlphaFold — Google DeepMind
AlphaFold has revealed millions of intricate 3D protein structures, and is helping scientists understand how all of life’s molecules interact.
deepmind.google
[3]:
www.hpcwire.com
https://www.hpcwire.com/2026/05/20/google-advances-ai-for-science-with-new-tools-and-tech/
www.hpcwire.com
[4]:
Isomorphic Labs announces Series B investment round - Isomorphic Labs
https://www.isomorphiclabs.com/articles/isomorphic-labs-announces-series-b-investment-round
www.isomorphiclabs.com
[5]:
Alphabet's AI biotech Isomorphic Labs bags $2.1B series B
If any proof was needed that big money is still available for AI drug development, look no further than the 10-figure series B hauled in by Isomorphic.
www.fiercebiotech.com
[6]:
reuters.com
https://www.reuters.com/business/healthcare-pharmaceuticals/eli-lilly-extends-partnership-with-insilico-medicine-ai-powered-drug-discovery-2026-03-30/
www.reuters.com