史丹佛醫學院（Stanford Medicine）研究團隊建構了一家完全由AI代理人（AI Agents）運作的「虛擬生技公司」，最高部署達 37,000個專責AI代理人，橫跨標靶辨識、臨床試驗分析到候選藥物設計的完整新藥開發流程。該系統由生物醫學資料科學副教授 James Zou 與研究生 Harrison Zhang 領銜，並於9月17日發表於權威期刊《Science》（科學）。
研究團隊將個別代理人分配至專屬臨床試驗任務，於不到一週內完成對 約5萬項臨床試驗 的安全性、有效性與分子資料分析與彙整。AI群體歸納出兩項關鍵藥物標靶特徵——「細胞類型特異性」（cell-type specificity）與「雙峰性」（bimodality），並以歷史資料驗證：具備高特異性與「開關型」基因表現的標靶，從一期推進至二期的機率高出40%、上市機率提升48%、不良事件減少32%。
更具突破意義的是，系統進一步以肺癌相關蛋白 B7-H3 為標的，自主設計出抗體藥物複合體（ADC）策略。由於該提案僅使用2025年1月前的公開資料，當2025年8月某國際藥廠獨立發表相同B7-H3 ADC策略並獲美國FDA突破性療法認定時，AI的預測獲得實質上的獨立驗證。此案例被視為AI從「研究助理」進化為「自主科研團隊」的重要典範轉移訊號。
本事件本質為前沿科學突破與AI運算典範的驗證，並非典型意義上的多方利益博弈或地緣衝突，因此不宜強行套用政商陰謀或壟斷角力框架。更值得深入剖析的是其歷史演進脈絡、技術原理突破與深層結構性意涵。
從技術演進脈絡來看，AI在新藥研發的應用歷經三個明確階段：
從結構性意涵來看，此突破折射出新藥研發長期的結構性痛點：一款新藥平均開發成本超過25億美元、耗時10至15年、臨床試驗失敗率高達90%。AI代理人若能將早期標靶篩選與試驗設計的時間從「數年」壓縮至「一週」，將從根本上重塑製藥業的成本曲線與競爭格局。然而，技術驗證仍有其邊界——本次B7-H3 ADC策略雖在標靶選擇與策略方向上獲得獨立驗證，但具體分子設計、劑量優化、安全性評估仍須透過實體實驗室與人體臨床試驗完成。AI能壓縮的是「決策前期」的認知成本，而非取代「實證科學」的最終驗證環節。
更深層的結構性訊號在於：當AI代理人能自主提出與跨國藥廠不謀而合的療法策略時，「先發優勢」的定義正從「誰擁有更好實驗室」轉向「誰擁有更好的AI科研組織能力」，這對全球製藥業的研發分工與智財布局將產生長遠外溢效應。
對比1990年代人類基因組計畫（耗時13年、耗資30億美元繪製首張基因圖譜）與今日AI代理人一週分析5萬項臨床試驗的能力差距，可清楚預見AI for Drug Discovery 將進入指數級加速期。以下預測三種未來情境：
面對AI代理人生技的典範轉移，各利害關係人應採取分層行動策略：
01 起因觸發：史丹佛醫學院發表3.7萬AI代理人虛擬生技系統於《Science》期刊
02 一階傳導：AI自主設計的B7-H3抗體藥物複合體策略與跨國藥廠不謀而合並獲FDA突破性療法認定
03 二階擴散：全球大型製藥企業重新評估AI代理人作為研發基礎設施的導入時程與資本支出優先序
04 三階重塑：製藥業「先發優勢」從「更好實驗室」轉向「更好AI科研組織能力」的典範轉移
05 宏觀終局：新藥開發成本曲線與地緣分工被徹底改寫，全球生技供應鏈迎來AI原生新秩序
因果網路圖譜 3 節點
可拖曳節點 · 點兩下開啟文章