AI 不是藥神，是分子實驗室的新學徒：RNA 新藥與 AI for Science 的下一場硬仗

AI 進入醫療領域後，最容易被媒體寫成神話：模型找到新藥、演算法打敗疾病、分子設計從幾年縮短成幾天。標題看起來很像人類終於找到永生入口，只差一個投資人按下匯款鍵。

但新藥不是海報。分子不是 prompt。人體也不是可以按重新生成的圖片。

這幾年，AI for Science 的確正在快速推進。從蛋白質結構預測、蛋白質語言模型、RNA 藥物設計，到自動化實驗室與分子篩選，人工智慧開始進入過去極度昂貴、緩慢且失敗率極高的新藥開發流程。這不是小事。傳統藥物研發常常要花費多年，經過大量候選分子、細胞實驗、動物實驗、臨床試驗與監管審查，最後真正成功上市的比例很低。AI 若能在早期幫忙排除不適合的方向，或提出更有希望的分子設計，確實可能改變整個產業。

尤其 RNA 藥物值得注意。mRNA、siRNA、基因沉默、RNA 編輯等技術，讓醫療不再只是「找到一個小分子去堵住某個蛋白質」，而是更接近生命訊息的調控。RNA 藥物像是把治療帶到細胞訊息層級：不要只修水管，而是改變施工圖。這也是為什麼大型藥廠與 AI 生技公司會投入 RNA 新藥設計，因為 AI 擅長在龐大的序列、結構與功能空間中搜尋可能性。

可是，越是看起來神奇的技術，越需要冷靜。

AI 可以生成候選分子，但不能保證它在人體內安全。AI 可以預測結構，但不能自動解決免疫反應、毒性、遞送系統、劑量、代謝、製造穩定性與長期副作用。很多分子在電腦裡很漂亮，進入細胞就開始尷尬；在小鼠身上很有希望，到了人體就變成一場昂貴的失戀。生物學最殘酷的地方，就是它不太尊重投影片上的直線箭頭。

所以，把 AI 稱為「藥神」是危險的。比較準確的說法是：AI 是分子實驗室的新學徒。它很會讀文獻，很會搜尋模式，很會提出假設，很會幫科學家縮小範圍；但它仍需要老師，也就是實驗、臨床、監管與倫理。沒有這四位老師，AI 很容易成為一個過度自信的實習生，拿著幾張漂亮分子圖，就以為自己治好了世界。

這裡也可以跟傳統醫療做一個有趣的 Two-Eyed Seeing 對照。西方分子醫學擅長把身體拆到細胞、蛋白質、RNA、受體與訊號路徑；原住民傳統醫療則常把身體放回土地、季節、禁忌、家族、精神與社群關係。兩者看起來距離很遠，但其實都在問同一件事：病從哪裡來？治療要如何回到秩序？

差別在於，分子醫學的秩序常在細胞裡；傳統醫療的秩序常在關係裡。真正成熟的公共醫療，不應該用一邊消滅另一邊，而是知道不同問題需要不同尺度。感染、癌症、罕病與基因疾病，需要嚴格臨床證據；但疼痛、焦慮、慢性病、社群健康與土地失落，也常需要文化脈絡與生活方式的理解。AI 醫療如果只看分子，可能會變得精準卻狹窄；傳統醫療如果拒絕現代證據，也可能讓病人承受不必要風險。

因此，原傳媒 AI 未來談新藥，不應只追「某公司估值暴衝」或「AI 發現神奇分子」。我們應該問更好的問題：這項技術處理的是哪一種疾病？它離臨床還有多遠？它的證據等級是什麼？它是否會加劇醫療不平等？昂貴的 AI 新藥，誰用得起？原住民、偏鄉、低收入者，會不會只在新聞裡看見未來，卻在醫院裡等不到治療？

AI 新藥真正值得期待的地方，不是它可以讓資本市場又多一個故事，而是它可能讓科學家更快排除錯誤、更快找到方向、更快為罕病與難治疾病開出新路。但這條路必須穿過實驗室、醫院、監管機關與社會倫理，而不是直接從新聞稿通往奇蹟。

分子世界很小，但責任很大。AI 可以進入藥櫃，但不能把自己當成醫師。它可以幫人類尋找治療線索，但不能替人類承擔病人的痛苦。

真正的醫療革命，不是模型會生成多少分子，而是它能不能讓更多人安全、可負擔、有尊嚴地得到治療。否則，再聰明的 AI，也只是穿著白袍的行銷文案。