走過網路泡沫年歲的中堅世代，對於新興技術的執念多半源於過往經驗，它們是否能走入千家萬戶，關鍵應用是否證實有效，都是投資信心構築的一部分，近年來人工智慧（AI）方興未艾，是否能確切穩妥地用於新藥開發，一直是產業與投資人關心的議題，而 2024 年諾貝爾化學獎更可說是頒給計算生物學（Computational Biology）對藥物研發流程的影響。基因線上走訪 BIO 2025 於美國時間 16 日舉行的「 AI Summit: What is Working? What is Next?」論壇，選粹關鍵內容，帶您一探生技領域的 AI 應用最前線。
AI 改寫生技製藥的遊戲規則，但數據牆橫亙於此
本論壇由安永會計師事務所（Ernst & Young, LLP）人工智慧與智慧自動化部門合夥人 Ricardo Vilanova 主持，攜手 Lila Sciences 聯合創辦人暨總裁 Molly Gibson 博士、PureTech Health 常駐顧問暨 Gallop Oncology 執行長 Luba Greenwood、默沙東副總裁暨數據、人工智慧與基因體科學部門負責人 Iya Khalil 博士與 insitro 財務長暨品牌總監 Mary Rozenman 博士，為與會者帶來整合數據、學習循環、跨領域合作及將 AI 成果轉化為實際應用（尤其是在臨床試驗中）的經驗。
「曾經我們都在討論『數位健康』是不是真的，現在我們卻在談論 AI 如何導入生技產業！」談笑間，講者們這句話點出當代生技產業的快速演進。
講者們不約而同指出，AI 的突出表現，源於它能以驚人的效率處理海量數據。當擁有十年以上精心整理的「蛋白質資料庫」，佐以穩健可靠的「反饋循環」（Feedback Loops）與演算法時，AI 就能展現出壓倒性的優勢。最具代表性的莫過於「AlphaFold」在蛋白質結構預測上的突破，這是一個經典案例，證明數據的關鍵價值。
然而挑戰也隨之而來，講者坦言 AI 領域正面臨一堵巨大的「數據牆」（Data Wall）。無論是大型語言模型（LLM）的訓練，還是生物學研究相關應用，在獲取高品質且足夠數量的數據方面都舉步維艱。尤其在關鍵的臨床試驗，「好數據」稀缺成為 AI 向前走的一大瓶頸。這迫使產業必須在獲取數據層面另闢蹊徑，或開發新的方法來彌補數據量。
用效率突破不可能，重塑人類科學家定位
值得注意的是，AI 不僅算得快，過往可能主要處理人類不擅長或需要大量重複勞動的任務，例如分析複雜的蛋白質結構，但現在，AI 已然踏入以往人類所歌頌的智慧疆界。講者們指出「推理」（Reasoning）、「批判性思維」（Critical Thinking）和「假設生成」（Hypothesis Generation）是過去半年來，AI 在新藥開發領域才剛邁入的全新階段。這種演變正在重塑科學家角色，讓他們能將精力投入到整體戰略或更具創造性的工作中。
此外，AI 為生技領域與新藥開發帶來兩大優勢。首先是「效率提升」，講者以騎乘一匹「更快的馬」為喻，指出 AI 讓原本人類可以做到的事情，做得更快、更有效率。雖然這看似不夠創新，但卻能為產業創造巨大的價值，因為過往製藥流程普遍效率低下。
第二則是挑戰與突破「不可能」（Fundamentally Impossible）完成的任務。透過對海量生物數據進行訓練，使 AI 能夠預測出連人類科學家都無法依靠直覺判斷的生物學現象。
AI 迭代起飛，仰賴足夠的數據
講者強調 AI 開發新藥過程中，「AI 主動學習循環」（AI Active Learning Loop）是關鍵之一。它是一種動態的過程：首先建立模型，接著收集數據，然後利用模型進行預測，最後再將這些預測結果和學習到的「知識」回饋到模型中，形成一個不斷自我改進的「飛輪」（Flywheel）。這種模式在疾病生物學領域已初見成效，例如運用人類基因體學和分子數據作為起始數據，而後建立疾病生物學模型。
另一關鍵則聚焦於「臨床試驗數據」。誠然如前文所述，臨床試驗數據相對缺乏一直是產業當前一大挑戰，但透過匯集數萬名患者的基因學和基因體學數據，藥廠或開發者也才能夠建立預測模型，並將早期臨床試驗的數據快速回饋至模型迭代，裨利調整和改善後續試驗。這正呼應了本次 BIO 2025 的那句口號「The world can’t wait.」，更快速的反饋與修正開發架構，這正是 AI 在這眾多病患蒙受苦難等不起的時代，所能做的最大貢獻之一。
