開場:別被行銷話術騙了,我們親眼看了 AI 的「斷腿」

老實講,過去兩三年,每當新聞稿喊出「AI 發現新分子」「AI 縮短藥物開發時間」,我總覺得哪裡怪怪的。數據很漂亮、故事很動人,但真正落地到臨床的成果卻少得可憐。直到今年(2026)夏天,東北大學(Northeastern University)教授 Anton Sinitskiy 帶著三屆研究生班級做了一場「拆台式」實測,我才終於看到 AI 在新藥開發領域最誠實的那張臉。

這不是什麼冷冰冰的市場報告,而是一群頂著碩士學位的年輕人,把市面上最紅的開源 AI 框架——包括 GPT Researcher、Agent Laboratory、AutoGen、BabyAGI、MOOSE-Chem2、SciAgents、SciMON 和 Virtual Lab——丟進真實的藥物設計任務裡,結果令人大跌眼鏡。東北大學官方新聞與bioRxiv 論文都證實了這點。

1. AI 究竟能不能「獨立」發現新藥?東北大學實測的第一手觀察

先說結論:答案是「暫時不能,而且離能還有段距離」。

東北大學的學生們挑選了兩篇近期論文裡的真實研究任務——分別是不確定性量化與蛋白質交互作用發現——作為考題。這些任務乍看不難,卻是藥物開發日常會碰到的硬骨頭。結果,學生們發現這些號稱「自主科研」的 AI 框架,沒有一個能完成完整的研究循環,也就是從讀懂論文、設計演算法、跑出結果到寫出科學正確的報告,全程走完。

最諷刺的是,這些 AI 模型「非常擅長產出看起來很專業的報告」——文句流暢、格式工整、引用齊全,但科學內容常常錯誤百出,而且無法複現論文裡已被驗證的結果。這就像一個學生考試時把答案寫得天花亂墜,但解題步驟全錯,只會「唬人」不會「做人」。

2. 173 個 AI 藥物進臨床、零核准——2026 年市場狂熱背後的落差

數字不會說謊,但數字的「包裝」會。攤開 2026 年的產業數據,你會看到一個強烈的矛盾:

• 據Science Reader 統計,目前有 173 個 AI 藥物開發專案正在臨床試驗階段,但至今連一個都沒獲得核准上市。
• 全球資金從 2022 到 2026 年,投入生命科學 AI 的金額已超過 1000 億美元(根據MDPI 藥學期刊分析)。
• 光是 2026 上半年,AI 與生技藥廠的研發合作「頭條價值」就達 459 億美元,但實際預付金額僅 19 億美元(據DealForma 統計)。

這個「頭條價值 vs 真實預付」的巨大落差,正是行銷與實務脫節的縮影。生技公司很樂意把 AI 掛在財報封面,但真要掏錢驗證時,大家都變得謹慎。

3. 千億美元砸下去,為什麼 AI 仍複現不了論文成果?

這大概是整場實測裡最扎心的問題。為什麼演算法明明在訓練時「成績單」很好看,一上真實考場就破功?學生們的觀察指向幾個層面:

第一,科學推理不是文字接龍。AI 語言模型本質上是在預測「下一句話該接什麼」,但藥物設計需要的是因果推理、實驗假設與物理化學的嚴謹約束,這是語言模型天生的短板。它能產出漂亮的報告框架,卻給不出「為什麼這個分子能結合這個蛋白質」的紮實物理證據。

第二,複現性(Reproducibility)是科學的命脈,也是 AI 的死穴。東北大學學生發現,這些框架連複現已發表論文裡的演算法結果都有困難。這意味著 AI 的輸出是不可靠、不可重現的——在藥物開發這種人命關天的領域,這是致命傷。

第三,「看似正確」比「明確錯誤」更危險。AI 生成的那些錯誤報告,如果沒有專家把關,很容易被當成可行方案推進,浪費後續昂貴的實驗經費。

4. 2026-2030 年 AI 藥物開發的真實成長曲線與分水嶺

儘管成果掛零,市場資金的流向卻毫不含糊。綜合多個權威機構的預測,AI 藥物開發市場在 2026 年左右的規模約落在 29 億至 51 億美元之間,且成長動能強勁:

• MarketsandMarkets:2026 年 50.9 億美元,2031 年達 175.6 億美元(CAGR 28.1%)。
• Global Market Insights:2026 年 40 億美元,2035 年達 439 億美元(CAGR 30.5%)。
• The Business Research Company:2026 年 29.3 億美元,2030 年達 74.2 億美元(CAGR 26.2%)。
• Grand View Research:2026 年 29 億美元,2033 年達 138 億美元(CAGR 24.8%)。

這些數字都指向同一個方向:市場願意為 AI 藥物開發掏錢,但「從實驗室到藥櫃」的兌現,才是決定這個產業能否走遠的真正分水嶺。AI 藥物開發目前僅佔全球藥廠 1940 億美元研發支出的 1.5% 左右,成長空間巨大,但同時也代表——真正的風口還沒到來,得等第一個 AI 藥物拿到核准證書。

5. 人機協作才是王道:藥企的務實落地策略與 FAQ

看完東北大學的實測,你可能會想:那 AI 到底還有沒有用?別急著全盤否定——學生們的發現不是「AI 沒用」,而是「AI 不能獨當一面」。務實的藥企,應該把 AI 放在對的位置:

• 文獻大掃描:讓 AI 快速梳理海量論文與專利,幫科學家節省 80% 的搜尋時間。
• 假設生成器:讓 AI 提出「值得嘗試」的分子候選與實驗方向,再由人類篩選驗證。
• 資料預處理:讓 AI 處理結構化資料、特徵萃取等重複性勞動。
• 人類終審制:所有 AI 輸出,都必須經過具博士級背景的科學家把關與實證。

一句話總結:AI 是研究員的「超級副駕」,不是「無人駕駛」。誰先把這個心態調整過來,誰就能在 2026 之後的市場裡搶得先機。

Q1:AI 什麼時候才能真正「獨立」發現新藥?

目前多數專家共識是,短期(1-3 年)內 AI 無法完全獨立完成藥物開發。東北大學實測已證明現有開源框架連複現論文成果都困難。樂觀估計,等到下一個十年,當 AI 能真正理解物理化學因果、且通過臨床驗證後,「獨立發現」才可能成真。

Q2:2026 年投入 AI 藥物開發值得嗎?市場是不是泡沫?

市場規模確實從 2022 年的幾億美元飆到 2026 年的數十億美元,資金動能真實存在。但要留意「頭條價值 vs 實際預付」的落差——2026 上半年 459 億美元的頭條合作價值,實際預付僅 19 億美元。這說明資本仍在觀望,泡沫風險集中在那些只喊口號、缺乏臨床驗證的公司。

Q3:藥廠或生技新創該如何避免被 AI 行銷話術誤導?

三個檢驗指標:一是要求 AI 產出結果「可複現」,二是看有沒有通過人類專家盲測,三是看合作案「預付金額」而非「頭條價值」。東北大學的實測就是最好的提醒——別被漂亮的報告嚇到,把每一份 AI 輸出當成「待驗證假設」,而非「既定結論」。

🚀 準備好讓你的研究團隊跟 AI 正確分工了嗎?

看完這篇實測剖析,你應該已經清楚——AI 是新藥開發的強大助手,但絕對不是萬靈丹。想在 2026 年的紅海裡殺出血路,關鍵不是「要不要用 AI」,而是「怎麼用對 AI」。

我們幫你盤點團隊當前的 AI 應用成熟度、設計人機協作的工作流程,並針對你的研究瓶頸提出落地優化方案。別再讓 AI 只停在「生成漂亮報告」的階段,讓它真正為你的研發效率與成本服務。

👉 立即預約免費 AI 藥研策略諮詢

📚 參考資料與延伸閱讀

• Northeastern University: Students find AI isn’t a cure all for drug discovery
• bioRxiv: Can AI Conduct Autonomous Scientific Research? Case Studies
• MDPI Pharmaceuticals: AI in Drug Discovery – Clinical Failures and Regulatory Reality
• Nature Reviews Drug Discovery: AI in drug discovery – what it is and what it isn’t
• Science Reader: 173 AI Drugs in Trials, Zero Approved
• MarketsandMarkets: AI in Drug Discovery Market Report 2026-2031
• Northeastern CPS: Evaluating Agentic AI Frameworks for Real-World Drug Design