AI 製藥工具地圖 2026：從蛋白質設計到臨床收案，八個工具各站在哪一格
AI 製藥的工具不是同一種東西，有的賣軟體給化學家、有的自己做新藥、有的根本是幫你找病人。這篇把它們按流程分格，說明各自解什麼問題、誰用得上、誰用不上。
有次跟一位生技創投朋友吃飯，他抱怨說現在講 AI 製藥的簡報看起來都一樣：都有分子在轉、都有神經網路圖、都說要加速新藥開發。「但你問他們到底站在流程的哪一格，一半答不出來。」
這篇就是想解決這個問題。我把幾個代表性的平台按照新藥開發的流程排開，一格一格說明它們在做什麼。要先講清楚的是：這些多數不是你註冊就能用的 SaaS，很多是有自家管線的生技公司，或是走企業洽詢的服務商。把它們當成理解產業結構的地圖，比當成採購清單實際。
第一格：生物資料與標靶發現
Bioptimus 做的是生物學的基礎模型。旗艦的病理模型 H-Optimus-1 在業界公開評測 PathBench 上排名第一，能從組織切片預測藥物標靶的空間分布、免疫微環境與基質結構。另一支 M-Optimus 把病理影像、空間轉錄體與基因體整合進單一架構。官網揭露前 20 大藥廠中有 16 家是客戶。
它值得單獨提的原因是：部分模型放在 Hugging Face 上可以取得。這對台灣的研究團隊意義很大——你能拿自己的病理資料去跑、去比，不用先簽一份企業合約才知道它到底行不行。
第二格：分子設計與最佳化
這一格分兩種路線。
賣工具給化學家的：Cresset。 英國老牌計算化學軟體商，產品線覆蓋分子設計全流程：Flare 做配體與結構導向設計、Spark 做骨架躍遷與生物電子等排替換、Flare FEP 用自由能微擾法預測結合親和力、Blaze 做虛擬篩選，另有 AI 驅動的 ADME 性質預測。這裡面 Spark 最有名，因為「繞開競爭對手專利」在業界是實打實的需求。
要提醒的是這個領域工具重疊度高，如果你的實驗室已經有 Schrödinger 或 MOE 的授權，先把手上的用熟再說，沒必要重複採購。
自己下場做藥的：Terray。 它的 EMMI 平台整合自研硬體、自建資料集與自研 AI，官網寫得很直白——我們發明自己的硬體、建自己的資料集、設計自己的 AI。這條路資本支出很重，但它握住了 AI 製藥最關鍵的瓶頸：訓練資料的品質與一致性。
生成蛋白質序列的：310 AI。 走 text-to-protein 路線，把功能描述直接變成胺基酸序列。這是蛋白質設計的「反向問題」，比 AlphaFold 那種給序列預測結構困難得多。我的態度是保留——官網對濕實驗成功率的揭露很少，值得關注但別當成已驗證的結論。
第三格：化合物來源
Enveda 從天然物下手。它用質譜掃描植物、真菌、微生物裡的化合物，再用機器學習把質譜訊號直接對應到分子結構，跳過大半純化流程。公司宣稱比產業平均快 4 倍找到候選藥物。
這格對台灣特別有意義，因為我們有中草藥與天然物的研究基礎。缺的通常不是樣本，是把館藏數位化成可訓練資料的工程。
第四格：合成與製造
Chemify 想把化學合成寫成程式碼。它的 Chemputation（可程式化化學）用一種描述合成步驟的程式語言，加上能照程式碼操作的機器人設備。解的是化學界的老問題：論文裡的合成步驟，換個實驗室常常做不出來。
門檻是能被程式化的反應類型仍有限，而且要專用設備。但即使不買機器人，它把合成流程結構化描述的思路，對實驗記錄標準化本身就有啟發。
第五格：模擬與合成資料
Duality AI 嚴格說不是製藥工具，但它示範的合成資料方法論值得放進來對照。它的 Falcon 平台建在 Unreal Engine 上，替機器人與自駕系統生成帶完美標註的訓練資料。放在生技脈絡下看，它提醒我們一件事：當真實資料稀少時，能不能用模擬補足，取決於模擬與現實的落差有多大——這在藥物領域同樣成立。
第六格：臨床試驗
這一格常被忽略，卻是整條流程最貴的地方。
Trially 用大型語言模型讀電子病歷，自動比對試驗的收案與排除條件，把可能符合的病人撈出來做初篩。官網揭露已串接 16 種以上電子病歷系統，病人比對準確率約 95%，使用單位每月收案人數提升 2 到 6 倍。
為什麼重要？因為一個新藥試驗做不做得成、要拖多久，很大程度取決於收案速度。模型再強，找不到病人就是動不了。想深入這一塊，可以看 AI 與臨床試驗收案。
第七格：研究與文獻
PapersFlow 是研究工作台，索引超過 4.74 億篇學術論文，提供文獻回顧自動化、系統性回顧工作流與 LaTeX 寫作助手。對做藥物研發的人，它的價值在於快速掌握某個標靶或機轉的研究現況。
但我必須把話說重：AI 產的文獻回顧一定要逐條回頭核對原文。引用錯誤、曲解原意都發生過，而在學術寫作裡那叫學術不實，責任是你的。
怎麼判斷你需要哪一格
一個簡單的判斷法：
- 你有資料但不知道能做什麼 → 第一格（基礎模型）
- 你有標靶要設計分子 → 第二格（分子設計）
- 你有樣本館藏沒被開發 → 第三格（天然物）
- 你有分子但做不出來或做不穩 → 第四格（合成）
- 你有候選藥物要進臨床 → 第六格（收案）
多數台灣單位的實際位置在第一格與第三格——我們有資料、有館藏，缺的是把它們變成可運算資產的工程投入。
TheAI學院 總結與評語
整理完這張地圖，我最大的感想是：AI 製藥不是一個市場，是六七個不同的生意被裝進同一個詞裡。 賣軟體給化學家的 Cresset、自己蓋硬體做藥的 Terray、幫醫院找病人的 Trially，商業模式跟風險結構完全不同，用同一套標準去評估它們沒有意義。
另外一個觀察：這些工具裡，可以讓外部研究者自行驗證的少之又少。Bioptimus 把模型放上 Hugging Face 是少數例外，也因此它的宣稱最讓我信服——你能自己跑、自己比，信任就是這樣建立的。
評語：看 AI 製藥的簡報時，先問一句「你站在流程的哪一格」。答不出來的，通常是把整條流程的願景拿來包裝單一環節的能力。
給台灣讀者的具體建議：如果你在研究單位，從能自行驗證的工具開始——Bioptimus 在 Hugging Face 上的模型可以拿你的資料直接測，成本近乎零，比聽十場簡報有用。如果你在評估投資，把「這家公司站在哪一格、那一格的失敗率多高」搞清楚再談估值。想先建立整體概念，建議回頭讀 AI 新藥研發完整解析。
資料來源
本文依各工具官方網站公開資訊整理，功能與價格以官方公告為準。
常見問題
這些 AI 製藥工具我可以自己註冊試用嗎？
多數不行。像 Enveda、Terray 是有自家新藥管線的生技公司，不是對外開放的 SaaS；Cresset、Trially、Bioptimus 走企業授權或洽詢模式。少數例外是 Bioptimus 有把部分模型釋出到 Hugging Face 供研究使用，以及 PapersFlow 提供 7 天免費試用。
台灣的研究單位最適合從哪個工具開始？
建議從能自行驗證的開始，也就是 Bioptimus 在 Hugging Face 上的病理模型。你可以拿自己院內的切片資料（完成去識別化與 IRB 程序後）直接測試模型表現，成本極低，而且得到的是針對本地資料的真實結果，比看任何簡報都準。
為什麼臨床試驗收案工具也算 AI 製藥？
因為收案速度直接決定一個新藥試驗做不做得成、要拖多久，而這往往是整條流程最貴的一段。分子設計得再漂亮，找不到足夠的合格病人就無法驗證療效。Trially 這類用 LLM 讀病歷做初篩的工具，解的正是這個瓶頸。
用 AI 做文獻回顧安全嗎？
可以用來加速篩選與初步整理，但每一條引用都必須回頭核對原始論文。AI 引用錯誤、曲解原文甚至產生不存在的引用都曾發生，而在學術寫作中這會構成學術不實，責任在作者身上，「是 AI 寫的」不會被接受為理由。
