過去 60 年，臺灣人最熟悉的科技故事是這樣的：晶片上的電晶體數量每兩年翻一倍，效能越來越強。這就是摩爾定律（Moore&#8217;s Law）。
&nbsp;
但同一段時間，另一個產業走的是完全相反的路。從 1950 年到 2010 年，製藥業每投入 10 億美元研發經費，所換來的 FDA 核准新藥數量，大約每 9 年減少一半；60 年間，新藥研發的生產力下降了將近 80 倍。
&nbsp;
有人把這條一路下探的曲線稱為「愛隆定律」（Eroom&#8217;s Law）——刻意把 Moore 倒過來拼成 Eroom，因為兩個產業的生產力，正朝著相反的方向前進。
&nbsp;
面對如此高風險、高成本，而且生產力持續下滑的產業，科技大廠仍紛紛帶著 AI 進場。Alphabet 成立 Isomorphic Labs，試圖利用 AI 重新設計新藥研發流程；NVIDIA 也推出 BioNeMo，投入蛋白質結構預測、分子設計與藥物篩選。這些公司押注的，正是 AI 能夠改寫那條下滑的曲線。
&nbsp;
但開發新藥為什麼這麼困難？AI 進入製藥產業後，真的能扭轉愛隆定律嗎？
&nbsp;
為什麼開發一顆新藥這麼難？
國立臺灣大學資訊工程學系曾宇鳳教授認為，把半導體與製藥放在一起比較，其實並不完全恰當。半導體主要建立在已知的物理定律上；但藥物面對的，是人類至今仍未完全理解的身體與疾病。開發新藥，就像在一個沒有完整地圖的地方駕駛。
&nbsp;
藥物與半導體的另一項根本差異，是安全性。 一顆藥在動物身上沒問題，進入人體後卻不一定安全；對某個族群有效，換到另一個族群，效果也可能不同；即使能夠治療疾病，也可能同時傷害心臟、肝臟、腎臟或神經。
&nbsp;
為了確認藥物真的有效並且安全，新藥研發就像一列每站都必須停靠的區間車：研究人員要先找出疾病標靶與候選藥物，再透過細胞和動物實驗確認療效與毒性，接著依序進入三期的人體試驗，最後交由主管機關審查。任何一站出現問題，藥物就無法繼續前進；而且失敗得越晚，損失的時間與金錢就越多。
&nbsp;
這條路有多長、多貴？根據由美國塔夫茲大學藥物開發研究中心、杜克大學經濟學系，以及羅徹斯特大學西蒙商學院共同在 2016 年的研究，一款新藥從實驗室走到藥局架上，平均要花上 10.5 年。從化合物合成到進入人體試驗就耗掉約 2.5 年，之後的臨床試驗與法規審查再花掉 8 年。
&nbsp;
成本的落差更驚人，臨床前的探索與開發平均要燒掉 11 億美元，臨床試驗再花 14.6 億美元，合計約 25.6 億美元，相當於新臺幣 820 億元。因此，如何在不省略安全與療效驗證的前提下，加快篩選、減少試錯，便成為 AI 介入製藥的核心任務。
&nbsp;
從疾病標靶到人體試驗，AI如何介入製藥流程？
曾宇鳳教授認為，目前AI已經進入製藥的每一個環節。在研發最前端，研究人員首先要找出疾病標靶，確認藥物要作用於哪個關鍵基因或蛋白質。AI透過學習基因體、蛋白質體、代謝體與疾病之間的關聯，從大量資料中篩出最可能影響疾病的候選標靶，幫助研究人員縮小搜尋範圍。
&nbsp;
找到疾病標靶後，還要了解蛋白質的三維結構，才能判斷藥物可以結合在哪個位置。過去，光靠結晶實驗解出蛋白質結構，往往就要耗上一個博士學位的時間；如今，獲得 2024 年諾貝爾化學獎肯定的AlphaFold，透過學習已知蛋白質的胺基酸序列與立體結構，就能快速預測可能的形狀。
&nbsp;
知道標靶是誰、長什麼樣子後，研究人員就要找到能與它作用的藥物，可能是小分子、蛋白質、胜肽、抗體、DNA 或 RNA，每一種形式都有不同的優點與限制。傳統方法就像「神農嘗百草」，藥物化學家必須反覆設計、合成與測試，一輪可能耗時數月，失敗了又得從頭來過。但 AI 則是透過學習分子結構與藥效的關係，在龐大的化學空間中進行「有系統的暴力搜尋生成」，讓研究人員優先合成最有潛力、又能避開既有專利的結構。
&nbsp;
找到能與標靶作用的分子後，還要確認它能否被人體吸收（Absorption）、分布（Distribution）、代謝（Metabolism）與排泄（Excretion），這四項合稱ADME。簡單來說，一顆藥要能被人體吸收、安全地到達病灶，而且不能產生毒性。AI透過學習已知分子的結構、ADME與毒性試驗結果，預測候選分子進入人體後的表現，先淘汰明顯有問題的分子，再將少數較有潛力的候選者送入動物實驗。
&nbsp;
通過臨床前試驗後，藥物才會進入人體臨床試驗。曾宇鳳教授認為，即使到了這個階段，AI 仍有不少用武之地：AI 代理人（AI agents）可以從電子病歷中找出符合試驗條件的病人；也能整合病歷、檢驗值與醫學影像，建立數位孿生，模擬不同受試者、劑量與觀察指標可能產生的結果，協助研究人員調整試驗設計。
&nbsp;
試驗一旦展開，試驗委託者會從各國參與的醫院收到檢驗值、影像與醫師紀錄。即使有統一的試驗計畫書，不同國家的檢驗單位、參考值範圍與文字紀錄方式仍會有落差。AI 可以協助比對這些資料，找出缺漏與格式不一致之處，減少資料管理人員逐筆核對的負擔。
&nbsp;
另一項重要應用是「合成對照組」。臨床試驗通常要將病人分成藥物組與對照組，但對病人來說，被分入安慰劑組就是失去接受治療的機會；而罕見疾病的病人本來就少，再分出一批作為對照，也會使試驗更難進行。研究人員可以利用過去病歷與真實世界資料，用AI模擬沒有使用新藥時的自然病程，建立合成對照組，減少實際被分入安慰劑組的人數。
&nbsp;
從最前端的標靶探索，到最後端的試驗設計，AI 幾乎已經滲進新藥研發的每一站。既然每一站都變快了，那條下滑了 60 年的曲線，應該也跟著轉向了吧？
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/7-4.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">AI加速標靶、分子設計與臨床前研發，卻仍卡在臨床療效驗證。</div>
</div>
</div>
</div>
</div>
&nbsp;
AI真的扭轉愛隆定律？
所以，AI已經扭轉愛隆定律了嗎？國立清華大學生命科學暨醫學院楊立威教授並不這麼認為。他不否認AI帶來的優勢：從分子設計、細胞實驗到小型與大型動物實驗，已有報告顯示，AI能讓臨床前研發加快 2～3 倍；進入臨床一期後，由AI發現的候選藥物，成功率甚至可達 8～9 成，高於歷史平均。
&nbsp;
但到了臨床二期，現有資料尚未顯示AI藥物的成功率明顯優於傳統方法。截至2026年，也沒有公認由AI設計的新藥獲得主管機關核准上市。
&nbsp;
為什麼會這樣？楊立威教授提出一個更根本的問題：會不會是傳統製藥的觀念與篩選標準，從一開始就有問題？傳統製藥長期把「高親和力」視同為「高選擇性」，藥物與疾病標靶結合得越強，就被認為越有效，也越不容易作用於其他蛋白質。但「老藥新用」本身就戳破了這個等號：一顆原本針對 A 疾病、作用於 A 標靶的藥，後來卻能用來治療 B 疾病，代表它也會作用於 B 疾病相關的其他蛋白質。既然如此，將高親和力進一步解讀為高選擇性，甚至把它當成推估藥物療效與安全性的核心標準，真的合理嗎？
&nbsp;
而等號不成立，還只是問題的前半。追求選擇性的初衷，是為了避免藥物作用在非預期的蛋白質上，也就是脫靶效應，進而產生副作用。但脫靶效應並不等於副作用，對人體有害的那部分才是。
&nbsp;
以 JAK 抑制劑（Janus kinase inhibitor）為例，同一類藥能橫跨類風濕性關節炎、異位性皮膚炎以及骨髓纖維化這類血液腫瘤，這正是脫靶效應帶來的療效。但若拿「高選擇性才是好藥」的尺去量，它們根本不合格，等於在篩選階段就淘汰掉一款好藥。
&nbsp;
所以如果連「什麼樣的藥才是好藥」這個前提都可能站不住腳，那麼 AI 帶來的加速，就像一輛開錯路的保時捷，跑得越快，只會離目的地越來越遠。
&nbsp;
但反過來說，一旦重新定義了什麼是好藥，AI 就有機會找出更多像 JAK 抑制劑這樣的藥，同時避開真正有害的那些脫靶作用。
&nbsp;
楊立威教授認為，AI只是協助製藥的橋樑，真正的關鍵是先建立正確的藥物設計觀念。在設計分子的最初期，就要同時把幾件事納入考量：
&nbsp;
* 親和力——與疾病標靶結合的強度 
* 有益的脫靶效應——像 JAK 抑制劑那樣，能帶來額外療效的作用 
* 初步的療效證據 
* ADMET——吸收、分布、代謝、排泄，再加上毒性；毒性正是有害的那部分脫靶效應
&nbsp;
AI生成候選分子後，再利用模擬工具、ADME與毒性預測器逐關檢查；只要其中一項不符合要求，就將結果回饋給模型，重新生成分子。直到每一項條件都通過，才挑出最有潛力的少數分子進行合成與實驗，這樣才有機會真正提高 AI 製藥的成功率。
&nbsp;
臺灣的製藥機會
觀念與方法之外，還有一個更現實的問題：這場競賽裡，臺灣站在哪個位置？AI 降低了新藥研發的門檻，但也重新分配了各國的機會。曾宇鳳教授認為，臺灣的優勢主要在「製造」與「基礎人才」兩方面。
&nbsp;
在製造上，臺灣有能力依需求合成候選藥物，卻較難負擔創新藥物所需的龐大資金與完整產業鏈，而 AI 有望降低這道門檻。對她而言，製藥不只是產業，更是一種國防——正如 COVID-19 期間的疫苗，一旦國際供應中斷，臺灣能否為自己的病人製造藥物，就顯得格外關鍵。
&nbsp;
在人才方面，臺灣幾乎在各類藥物題材上都有研究團隊投入，這樣一個廣大的「選題基礎池」正是重要的根基；關鍵在於國家的支持，能否把這些基礎人才從生醫研究一路帶向生醫轉譯。在國科會支持的 Spark Taiwan計畫十多年耕耘下，生醫新藥與醫材的新創與技轉確實日益蓬勃。楊立威教授認為，臺灣最大的優勢是人才，最大的問題也是人才。臺灣有優秀的工程師、醫師與生命科學研究者，但工程人才多半投入半導體，醫師則以診斷與治療為主，真正參與藥物設計的人並不多。這樣的人才流向短時間內很難改變，但臺灣不一定要複製國外大型藥廠的模式：工程師與生命科學研究者可以合作設計候選藥物，而把大型動物試驗、毒性測試與製程放大交給專業公司，最後再由研究型醫院執行臨床試驗。只要把原本分散的人才與資源串聯起來，臺灣仍有機會開發出自己的新藥。
&nbsp;
回到最初的問題：AI 能扭轉愛隆定律嗎？
從目前的證據看，答案還沒揭曉——臨床前的速度確實快了 2～3 倍，但真正決定成敗的臨床二期，AI 還沒交出更好的成績單。兩位受訪者指向同一件事：AI 是一座橋，橋通往哪裡，取決於我們對「好藥」的定義是否正確。對臺灣而言，這或許反而是機會——當整個產業都還在重新校準方向時，後進者不必先走完別人走過的彎路。
&nbsp;
（客座總編輯｜衛生福利部資訊處李建璋處長；研究顧問團隊｜國立臺灣大學資訊工程學系曾宇鳳教授、國立清華大學生命科學暨醫學院楊立威教授；責任編輯｜王喆宣、洪孟樊）