大家有沒有想過一個問題：全世界每年花超過 2,000 億美元開發新藥，但有多少已經上市、救過無數條命的藥物，其實可以變得更好？不是更有效（它們已經被驗證有效了），而是更容易吃、更少副作用、讓病人更願意長期吃下去？答案是：非常多，而且幾乎沒有人在認真做這件事。
當量子物理學家決定不發明新藥，而是讓舊藥重生｜Allos AI 為何選擇一條 95% 的人都不走的路
大家有沒有想過一個問題：全世界每年花超過 2,000 億美元開發新藥，但有多少已經上市、救過無數條命的藥物，其實可以變得更好？不是更有效（它們已經被驗證有效了），而是更容易吃、更少副作用、讓病人更願意長期吃下去？答案是：非常多，而且幾乎沒有人在認真做這件事。
2026 年 1 月 12 日，一家名為 Allos AI 的英國牛津新創公司從 Stealth Mode 走出來，宣布完成由牛津科學企業（Oxford Science Enterprises，以下簡稱 OSE）領投的 500 萬美元種子輪融資；500 萬美元在今天的 AI 製藥領域裡，坦白說不算什麼大數字，隨便一家做蛋白質結構預測或靶點發現的公司，動不動就是幾千萬甚至上億美元的融資，但 Allos 引起注意的原因不是融資金額的多少，而是他們選擇的戰場：他們不做新藥發現，而是複雜藥物重新配方（Complex Drug Reformulation），拿已經被 FDA 批准、在市場上賣的藥，用 AI 重新設計它的配方、劑型或給藥方式，讓它變得更好用。
這聽起來好像不太 Sexy 對不對？跟那些宣稱要用 AI 從零開始設計全新分子、治療癌症和阿茲海默症的公司比起來，「把舊藥做得更好吃」似乎少了點革命感；但如果仔細想想，這可能才是未來 10 年 AI 製藥領域裡，最容易真正賺到錢的一條路。
一顆藥丸的故事：問題不在藥，在配方
從一顆藥丸開始說起。王婆婆去醫院看病，醫師開了一款治療類風濕性關節炎的口服藥，這顆藥在臨床試驗裡效果很好，能有效抑制發炎、減緩關節破壞，但問題來了：這顆藥一天要吃三次、每次兩顆，而且空腹吃會胃痛，飯後吃吸收率又下降 40%。她是一個 65 歲的阿嬤，每天還要吃降血壓、降血糖、降血脂的藥，加上這顆一天三次的 RA 藥，一天要吞十幾顆藥丸。三個月後回診，醫師問她有沒有按時吃藥，王婆婆說有，但其實她常常忘記中午那一次；醫師看她的發炎指數沒降下來，開始考慮要不要換更強的生物製劑，一針要幾萬塊。
這個場景每天在全世界的診間重複上演，問題不在藥物本身的療效，而在配方設計沒有為真實世界的病人優化過。如果有人能把這顆一天三次的藥，重新設計成一天一次的緩釋劑型（Extended-Release）、或者做成更好吸收的奈米微粒（Nanoparticle）配方，讓它不需要空腹也能達到相同的血中濃度，那會怎樣？病人服藥順從性提高、臨床效果改善、醫療體系省下大筆費用，而做出這個改良配方的公司，可以透過 FDA 的 505(b)(2) 途徑申請新藥核准，不需要從頭做完整的臨床試驗，開發時間從 10–15 年縮短到 3–5 年，成本從超過 10 億美元降到大約 2,000 到 5,000 萬美元。這就是 Allos AI 瞄準的市場。
搞懂 505(b)(2)，就搞懂了這門生意
在美國 FDA 的體系裡，新藥核准有三條主要途徑：505(b)(1) 是完整的新藥申請（NDA），要求申請者自己做所有的安全性和有效性研究，是最貴、最慢的路徑，通常用於全新的 New Chemical Entity（NCE）；505(j) 是簡化新藥申請（ANDA），用於學名藥，只需要證明產品跟原廠藥在生物等效性上一致就好，但限制是配方必須跟原廠藥「本質上相同」。505(b)(2) 則是一條介於兩者之間的混合途徑，允許申請者引用 FDA 已經認定的安全性和有效性數據（通常來自原廠藥的上市審查資料），但在此基礎上做出配方、劑型、給藥途徑或適應症的改變，不需要重做完整的臨床試驗，但要做額外的研究來橋接改變與原有數據之間的差異。
舉個例子，假設有一款已經上市的口服錠劑，想把它改成經皮貼片（Transdermal Patch），透過 505(b)(2) 途徑，可以引用原廠口服錠劑的安全性數據（因為活性成分是一樣的），但需要做額外的藥物動力學研究，證明貼片能達到跟口服劑型類似的血中濃度曲線，而且皮膚給藥的局部安全性也沒問題。整個開發過程可能只需要 3 到 5 年、2,000 到 5,000 萬美元，而不是 10 到 15 年和超過 10 億美元，這個成本和時間的差異，就是 505(b)(2) 途徑的核心吸引力。
2,000 億美元的專利懸崖，和一顆 ADHD 老藥的啟示
讓我們再次看看專利懸崖（Patent Cliff）這個詞，2025 到 2030 年之間，全球將有超過 200 種藥物失去專利保護，對應的年營收總額估計在 2,000 億到 4,000 億美元之間，是 2016 年上一次大規模專利懸崖的三倍。光是默克（Merck）的 Keytruda 一款藥，2024 年銷售額就達到 295 億美元，專利即將在 2028 年前後到期，默克目前正投入 5 到 10 億美元開發 Keytruda 的皮下注射重新配方，希望延長產品生命週期，業界估計這個投資的年報酬率可能超過 1,000%。一款藥的配方改良，就可以創造出數十億美元的商業價值。
Concerta 是一款治療注意力不足過動症（ADHD）的藥物，活性成分 Methylphenidate 早在 1955 年就被合成出來了，簡直是老到不能再老的藥。但嬌生（Johnson & Johnson）透過研發獨特的滲透壓控釋系統（OROS，Osmotic-Controlled Release Oral Delivery System），把原本一天需要吃兩到三次的即釋劑型改成一天一次的緩釋配方，不只大幅提升了兒童和青少年病人的服藥順從性，還因為這個配方創新取得了新的專利保護和市場獨佔權；Concerta 在巔峰時期的年銷售額超過 20 億美元，而它的活性成分是個已經存在超過半世紀的老分子。類似的故事還有 AbbVie 的 Mavyret（治療 C 型肝炎）和 Gilead 的 Biktarvy（治療 HIV），這些產品的商業成功，很大程度上不是因為發現了全新的分子，而是因為把已知有效的成分重新組合，重新包裝成更方便、更安全、更容易堅持服用的劑型。
在台灣，我們對這個問題其實應該更有感，健保制度下，學名藥佔了門診處方的絕大多數，但很多學名藥的品質和原廠藥之間到底有沒有差異，一直是臨床醫師和病人心中的疑慮。複雜仿製藥（例如緩釋劑型、經皮貼片、吸入劑 ）的開發門檻特別高，因為不只要證明活性成分一樣，還要證明整個藥物動力學曲線都跟原廠藥一致，這需要極其精密的配方設計。如果有一個 AI 平台能大幅降低這種複雜配方開發的成本和時間，對台灣的學名藥產業（不管是東洋 TTY、中化 CCPC 還是健喬 Synmosa）都可能產生重大影響。
為什麼沒人做？因為配方設計比想像難太多
但這裡有一個矛盾，明明配方改良這麼有價值，為什麼大多數製藥公司不積極去做？原因很現實，傳統的藥物配方開發是一個極度依賴經驗和反覆實驗的過程，要找到對的賦形劑（Excipient）組合、粒徑分布（Particle Size Distribution）、壓錠力道、包衣材料，每一個變數的改變都可能影響藥物的溶離速率（Dissolution Rate）、生體可用率（Bioavailability）和穩定性（Stability），這些變數之間的交互作用極其複雜，傳統做法是靠資深配方科學家的經驗和直覺，加上大量的 Trial and Error，一個複雜的配方優化專案，光是實驗室階段就可能花兩到三年，燒掉幾百萬美元，而且成功率難以預測。
再把這個問題拆解得更細一點，因為很多人可能不太了解「配方設計」到底在做什麼；一顆藥錠裡面，活性成分通常只佔很小的比例（可能只有 5% 到 20% ），剩下的 80% 以上都是所謂的賦形劑。賦形劑不是隨便加的填充物，每一種都有特定的功能：黏合劑（Binder）讓粉末能被壓成錠劑、崩解劑（Disintegrant）讓錠劑在腸胃道中快速崩散、潤滑劑（Lubricant）防止粉末黏在壓錠機上、包衣劑（Coating Agent）控制藥物在消化道中的釋放位置和速度。不同的賦形劑組合會產生完全不同的藥物動力學特性，而且這些交互作用往往是非線性的，例如把崩解劑的量從 3% 提高到 5% 可能效果很好，但從 5% 提高到 7% 反而會讓藥錠變得太脆而在運輸過程中碎裂。
更複雜的是，同一個配方在實驗室的小批次製造中表現良好，放大到商業化量產時可能完全不一樣，這就是所謂的放大效應（Scale-Up Effect），是製藥產業裡最令人頭痛的問題之一。在實驗室用 100 克的原料做出的完美配方，放到工廠裡用 100 公斤的原料來做，混合均勻度、壓錠壓力分布、乾燥溫度曲線全部都可能會改變，導致最終產品的品質天差地遠。對大藥廠來說，與其花這些資源去改良一款即將過專利期的老藥，不如把錢投在開發全新的重磅藥物上；對中小型學名藥廠來說，他們有興趣做複雜仿製藥（Complex Generics），但往往缺乏進行大量配方實驗所需的研發能力和資本，於是就形成了一個巨大的配方缺口（Formulation Gap），明明有臨床需求、商業價值、法規路徑，但沒有足夠的人和工具去高效完成這件事。
從 CERN 到製藥：一個量子物理學家的因果 AI
Allos AI 宣稱，他們的 Glass-Box Causal AI Platform 就是為了填補這個缺口而設計的。Allos 的 CEO 兼 Co-Founder 叫 Aditya V. Iyer，是一個量子物理學家，Iyer 博士在牛津大學拿的是量子資訊理論（Quantum Information Theory）的博士學位，之前在 CERN（歐洲核子研究中心，就是發現希格斯玻色子的那個地方）和加拿大麥吉爾大學做高能物理研究，是量子資訊理論領域的早期研究者，在 2022 年加入了倫敦知名的創業加速器 Entrepreneur First 的 Polaris Fellow 計畫之後，決定把量子物理裡面的因果推理（Causal Inference）方法論帶進製藥領域。
這聽起來很跳 Tone，但其實因果推理是統計學和機器學習裡一個非常重要但經常被忽略的分支，大部分我們熟悉的 AI 模型（不管是深度學習、隨機森林還是 GPT ）本質上都是在找相關性（Correlation）：A 和 B 經常一起出現，所以當 A 出現時，我預測 B 也會出現；但相關性不等於因果性，這是統計學第一天就教的事情，冰淇淋銷量和溺水事故率高度正相關，但不是因為吃冰淇淋會讓人溺水，而是因為兩者都跟夏天高溫有關。
在藥物配方開發裡，相關性陷阱（Correlation Trap）特別危險。假設一位配方科學家在分析歷史數據時發現，在所有使用了某種特定崩解劑（Disintegrant，幫助藥錠在腸胃道中快速崩散的賦形劑）的配方中，藥物的生物體可用率都比較高，傳統的機器學習模型會直接告訴我們：「多加這種崩解劑，生體可用率就會提高。」於是我們照做了，花了三個月和 50 萬美元做了一批新配方，結果生物體可用率完全沒有改善。為什麼？因為在那些歷史數據裡，使用那種特定崩解劑的配方剛好也都用了一種特殊的濕式造粒製程（Wet Granulation Process），而真正影響生物體可用率的，是那個製程改變了藥物粒子的微結構，讓活性成分在腸道中溶解得更均勻，跟崩解劑本身根本沒有因果關係。
這種錯誤在傳統配方開發中其實非常常見，只是通常不會被公開報導，因為它們發生在實驗室裡，不像臨床試驗失敗那樣受到媒體關注；資深的配方科學家靠幾十年的經驗和直覺來避免這類陷阱，但經驗是無法快速規模化的資源，全球有經驗的複雜配方科學家可能只有幾百人，而需要被重新設計的藥物配方卻有數千甚至上萬種。因果 AI 的核心概念就是要解決這個問題，它不只是問「A 和 B 有沒有關係」，而是問「如果我改變 A，B 會不會跟著改變？」這是一個反事實（Counterfactual）推理的過程，在量子物理裡，這種思維方式其實非常自然，因為量子力學的本質就是在處理「如果我對這個粒子做了不同的測量，結果會怎樣」這類問題，Iyer 博士把這套方法論從理論物理搬到了藥物配方設計上，就是 Allos 技術的核心邏輯。
根據公司的公開資訊，Allos 的平台結合了大型語言模型（LLM）和最先進的因果發現演算法（Causal Discovery Algorithm），形成了他們所謂的物理啟發式因果智能（Physics-Informed Causal Intelligence）。這個平台宣稱具備三大能力：第一是藥物重新配方引擎，能夠透過因果建模找出哪些配方變數的改變會真正導致更好的臨床結果；第二是臨床試驗設計工具，利用真實世界證據（Real-World Evidence，RWE）來設計更小、更精準的臨床研究；第三是假設情境（What-If）反事實推理能力，讓研究者可以在電腦上模擬「如果我把劑型從膠囊改成錠劑、把給藥頻率從一天三次改成一天一次，預期的藥物動力學曲線會長什麼樣子」這類問題，而不需要每一個假設都跑一輪昂貴的 Wet Lab 實驗。
這裡需要特別強調的是透明盒（Glass-Box）這個設計理念，因為它在法規層面具有非常重要的戰略意義，我們都知道 FDA 對 AI 在藥物開發中的應用態度一直在演進，2025 年 1 月 FDA 發布了首份關於 AI 用於藥物和生物製品法規決策的指引草案，建立了一個七步驟的風險基礎可信度評估框架，其中「模型的可解釋性」（Interpretability）和「可審計性」（Auditability）是核心要求；2026 年 1 月 16 日（就在 Allos 宣布融資後四天）FDA 和歐洲藥品管理局（EMA）聯合發布了「藥物開發中良好 AI 實踐指導原則」，進一步強化了對可解釋 AI 的要求。
傳統的深度學習模型是所謂的黑盒子（Black Box），我們餵給它數據，它給我們一個預測結果，但我們不知道它為什麼得出這個結論。在影像辨識或自然語言處理領域，黑盒子模型或許可以接受，因為最壞情況就是推薦了一部不好看的電影；但在製藥領域，要拿這個模型的輸出去跟 FDA 說「我們的新配方是安全有效的」，審查人員第一個問題就是「你怎麼知道？模型為什麼這樣預測？」如果我們回答「呃，我也不知道，但數據就是這樣跑出來的」，這個申請大概會直接被退件。
事後可解釋性工具（Post-Hoc Explainability），像是 SHAP（SHapley Additive exPlanations）或 LIME（Local Interpretable Model-agnostic Explanations），試圖在黑盒子外面加一層解釋，但這些工具本質上是在事後猜測模型的推理過程，不一定能提供足夠的機制性解釋來滿足法規標準。因果 AI 的優勢在於，它從設計上就是透明的，每一步推理都有明確的因果邏輯鏈，可以清楚地看到模型為什麼認為「改變變數 A 會導致結果 B 改變」，因為它是基於因果圖（Causal Graph）的結構來做推理，而不是靠暴力擬合大量數據中的統計模式。
一支物理學家團隊的戰略轉型
說完技術，讓我們來看看 Allos 的團隊組成，因為在種子階段的新創公司，團隊往往比技術更重要。除了 CEO Iyer 博士之外，公司的共同創辦人兼營運長 Isaac Z. To 參與了早期的類風濕性關節炎研究；首席科學家 Ivano Lodato 博士畢業於荷蘭烏得勒支大學，專長是理論物理、數論和複雜系統。到這裡你可能會覺得奇怪：一家製藥 AI 公司的核心團隊怎麼全是物理學家？
但這其實反映了 Allos 的策略演進，公司在 2024 年之前確實是一個偏向學術研究的團隊，早期（2021–2023 年）跟香港中文大學醫學院和香港醫院管理局合作，開發了一套用深度學習自動偵測 X 光影像中 SHARP 評分（一種量化關節破壞程度的指標）的演算法，並在 2023 年的美國風濕病學學會（ACR）會議上發表了研究，團隊也在 PubMed 上發表過一篇 COVID-19 預後模型的論文。關鍵的轉折發生在公司決定從單一疾病的影像辨識，轉型為廣泛適用的複雜藥物重新配方平台之後，揭示了 AI 製藥新創公司在早期經常面臨的定位困境，技術到底該聚焦在哪個應用場景上，才能最快地產生商業價值？
Allos 早期做類風濕性關節炎的影像辨識，技術上可能做得不錯，但這個賽道已經很擁擠了，Google DeepMind、微軟、以及一大堆專做醫學影像 AI 的公司都在做類似的事情，而且影像 AI 的商業化路徑（走 SaMD（Software as a Medical Device）的法規途徑）雖然相對清晰，但獲利模式通常是按次收費或訂閱制，客單價和利潤率都有限。反觀複雜藥物重新配方，一個成功的配方改良產品可以產生數億美元的營收，而且 Allos 可以選擇自己持有 Pipeline（拿 100% 的 Upside）或提供平台服務給製藥公司（走輕資產模式）。從商業邏輯上來看，轉型的方向是對的，但也意味著公司在 2024 年之前累積的影像 AI 技術和類風濕性關節炎領域的知識，在新的業務方向上能被複用多少，是個未知數。
為了補上製藥產業經驗的缺口，Allos 引進首席製藥官 Balu Iyer，是位在複雜仿製藥領域有深厚實務經驗的老將，熟悉 GMP 合規、技術轉移和 CDMO 營運；首席化學官 Rajiv Lochan 博士負責化學研發，首席商務官 Rich Myer 負責商業拓展。公司目前約有 17 名員工，在新創的世界裡，17 個人的團隊要同時推進 AI 平台開發、內部藥物管線、商業拓展和法規策略，挑戰可想而知，但反過來說，種子階段的公司本來就是要證明核心假設可行，不是要建立完整的商業機器。關鍵問題在於：在這 500 萬美元燒完之前（假設每個月 Burnrate 在 15 到 25 萬美元之間，大概能撐 20 到 33 個月），他們能不能展示出足夠的技術和商業里程碑來支撐下一輪融資？
顧問團隊中，Laura Hix Glickman 博士是知名的癌症免疫學家，曾主導 Aduro Biotech 的 STING 計畫，後來促成了跟諾華（Novartis）高達 7.5 億美元的合作開發協議，她擁有 13 項專利和超過 4,900 次學術 Citation；另一位顧問薛雪博士（Xue Snow G.）現任 BridgeBio 的臨床藥理學副總裁，兩位都是在 Allos 參加加州大學 Berkeley SkyDeck 第 17 期加速計畫時加入的。
錢從哪裡來？
領投方 OSE 是牛津大學生態系統中最重要的風險投資機構之一，管理超過 110 家投資組合公司，主導這筆交易的 Joel Schoppig 之前在以色列的 Pitango（管理超過 30 億美元的基金）專做早期健康科技投資，更早期曾經是 Healthy.io（一家做智慧手機尿液檢測的以色列新創）的第一位非技術員工，把公司從零建到全球商業化規模，代表 OSE 派出的不只是一張支票，而是一個懂得怎麼把早期健康科技新創帶到商業化階段的操盤手。
更有意思的是 Habico Invest 的參與，Habico 是丹麥製藥巨頭 Orifarm 集團創辦家族的家族辦公室，Orifarm 可能很多台灣的朋友不熟悉，但它是歐洲最大的藥品平行進口商、丹麥最大的藥品供應商，在 16 個國家有大約 2,300 名員工，年營收超過 15 億歐元，2020 年 Orifarm 還從武田（Takeda）手上收購了 110 多種產品和兩家生產設施。一個歐洲最大藥品供應商的創辦家族，願意投資一家才 17 個人的種子階段 AI 新創公司 ，背後的意義不只是財務投資，更可能代表潛在的策略合作通道。如果 Allos 的 AI 平台真的能加速複雜仿製藥的配方開發，Orifarm 這種擁有大量產品線和製造能力的公司，就是天然的商業化合作夥伴。Berkeley SkyDeck 的跟投則延續了加速器階段的關係，通常是約 20 萬美元的標準投資額度。
競爭格局：獨佔交叉路口，是福還是禍？
讓我們把鏡頭拉遠，來看看 Allos 所處的競爭格局。「AI 製藥」這四個字在 2025–2026 年已經被用到快爛掉了，幾乎每一家生技新創都宣稱自己是 AI-Native 的，但實際上做的事情千差萬別。在 AI 藥物配方這個相對窄的領域裡，最接近 Allos 的競爭者包括 Intrepid Labs（多倫多，已融資 1,100 萬美元）使用 AI 加機器人的 Valiant 平台，但他們聚焦的是新藥候選物的配方開發，不是已批准藥物的重新配方；Persist AI（沙加緬度，Y Combinator W23 Batch，已融資 1,600 萬美元，禮來 Eli Lilly 是投資方之一）採用 AI 驅動的機器人實驗室模式，也偏向新配方的高通量篩選；規模最大的是 METiS Pharmaceuticals（杭州和波士頓，融資超過 1.5 億美元，估值據報導超過 6 億美元，正在準備港股 IPO），但 METiS 的 AI 配方平台更側重奈米顆粒和核酸遞送系統（Nucleic Acid Delivery）等新技術領域。
在 Causal AI 這個方法論層面，BPGbio（大波士頓地區）繼承了 BERG 約 4 億美元投資打造的 NAi 平台，擁有超過 500 項專利，但他們專注的是新藥靶點發現而非配方優化；Causaly（倫敦，B 輪融資 6,000 萬美元）建立了很強的生物醫學知識圖譜，但定位是研究工具而非開發平台；biotx.ai 也在用因果和貝葉斯方法做藥物開發，但同樣聚焦在靶點發現和臨床試驗分析上。所以從競爭地圖上來看，Allos 確實佔據了一個獨特的交叉位置，Causal AI 方法論、複雜仿製藥重新配方、以及 RWE 驅動的臨床試驗設計，這三個維度的交叉點上，目前確實看不到其他公司。這是好消息，但也可能是壞消息，有時候一個市場沒有競爭者，不是因為天才先看到了機會，而是因為這個機會本身有某些別人已經看到、但他們可能還沒看到的結構性障礙。
在 AI 製藥領域，我們常常看到「演算法公司」和「Pipeline 公司」這兩種截然不同的商業模式。演算法公司把自己定位成平台供應商（Platform-as-a-Service），賣 AI 工具給製藥公司使用，靠軟體授權費和服務費賺錢，資本需求較低但天花板可能也較低；Pipeline 公司則是自己用 AI 開發藥物管線，靠賣藥或授權交易賺錢，報酬可能巨大但風險也高得多。目前從 Allos 的公開資訊來看，他們似乎試圖走一條兩者兼具的路線，一方面建立 AI 平台能力，另一方面自己也有 Hadros 和 Balaena 兩個內部管線項目，平台 + 管線的雙軌模式在 AI 製藥界其實相當常見，Recursion Pharmaceuticals 和 Insilico Medicine 都是這樣做的，好處是可以用自己的管線來驗證平台的效能，壞處是兩條線都需要大量資源，對一家只有 500 萬美元和 17 個人的種子階段公司來說，能不能兼顧得過來是個很實際的問題。
值得一提的是 Recursion 的案例，Recursion 是 AI 製藥賽道上融資最多的公司之一，累計融資超過 10 億美元，2021 年在納斯達克上市，但到了 2025 年 5 月，他們宣布終止最核心的 AI Discovery 候選藥物 REC-994 的開發，因為 Phase II 臨床試驗數據不理想，消息一出股價重挫，提醒我們 AI 可以加速藥物開發的某些環節，但不能消除臨床試驗中固有的不確定性。對 Allos 來說，因為他們做的是已批准藥物的配方改良而不是全新藥物，臨床風險確實比 Recursion 這種模式低很多，已經知道藥有效，只是在優化「怎麼把藥送進身體裡」的問題，但風險低不等於沒有風險，生物等效性研究失敗的案例在製藥產業裡也不少見。
另一個值得注意的角度是那些已經在 505(b)(2) 途徑上建立了成功商業模式的公司（比如 Jazz Pharmaceuticals、Supernus Pharmaceuticals 這些透過配方改良累積了數億美元營收的特殊藥企），他們到目前為止都不是用 AI 來做配方開發的，這些公司靠的是資深配方科學家團隊的經驗和專利策略，他們既是 Allos 的潛在競爭者（如果他們決定自己導入 AI 工具）、也是潛在客戶（如果他們決定外購 AI 平台來加速自己的配方開發流程）。
投資三問
Allos 目前是未上市的私人公司，剛完成種子輪，所以不存在股價或估值隱含的投資人預期這種公開市場的分析框架，但這是不是一個好的創業題目？我認為答案是相當有吸引力，配方改良的商業邏輯非常清晰 ，505(b)(2) 途徑已經被驗證是一條可行的法規路徑，開發成本遠低於全新藥物，成功率也更高（因為活性成分的安全性和有效性已經有歷史數據支持），而且 2025–2030 年的專利懸崖創造了前所未有的市場時機，全球特殊仿製藥市場規模可能從 2023 年的 770 億美元成長到 2030 年的 1,487 億美元（保守估計）或 2032 年的 2,750 億美元（樂觀估計），就算只取中位數，這也是一個千億美元級別的市場。
Allos 的技術護城河有多深？這部分目前還很難下定論，因果 AI 在製藥領域的應用確實是一個有學術根基的方向，Judea Pearl 在因果推理理論上的開創性工作已經在學術界獲得廣泛認可（他拿了圖靈獎），而且因果 AI 在可解釋性上的結構性優勢，確實與 FDA 的法規趨勢高度一致。但從公開資訊來看，Allos 尚未公布任何具體的配方重新開發成功案例、尚未簽署任何公開的製藥合作夥伴、也尚未揭露他們內部管線項目（他們在官網上列出了兩個代號：Hadros 和 Balaena）的具體藥物或適應症，代表平台的實際效能目前仍然是個「待驗證」的狀態。
那麼投資的風險在哪裡？首先是技術驗證風險，因果 AI 在理論上很美好，但能不能在真實的藥物配方開發場景中產生比傳統方法或其他 AI 方法更好的結果，還需要實際案例來證明。截至 2025 年底，全球還沒有一款完全由 AI 開發的藥物獲得 FDA 批准（最樂觀的預測是 2026–2027 年會出現第一款），雖然 Allos 做的不是全新藥物而是配方改良，法規風險相對較低，但 AI 輸出與法規提交之間的接口仍然處於探索階段。其次是資金跑道的風險，500 萬美元在製藥領域能做的事情有限，一個複雜仿製藥的 Bioequivalence Study 成本大約在 200 到 800 萬美元之間，而且 78% 的仿製藥申請會面臨專利訴訟（Paragraph IV Challenge），平均訴訟週期超過 30 個月，如果 Allos 自己持有管線產品（而不是純粹賣 AI 平台服務），他們很快就會需要更大規模的融資。第三是政策環境的不確定性，美國 Inflation Reduction Act 對小分子藥物設定了 9 年的藥價談判窗口（相對於生物製劑的 13 年），已經導致某些製藥公司減少對小分子藥物的投資（據報導下降了約 70%），由於 Allos 目前宣稱初期聚焦難以仿製的小分子藥物（Hard-to-Replicate Small Molecules），IRA 的政策效應可能間接影響他們的目標市場吸引力和後續融資環境。第四是大藥廠自建 vs. 外購（Build vs. Buy）的策略選擇風險，默克、輝瑞、諾華這些 Big Player 都在大力投資建設自己的內部 AI 能力，如果大藥廠決定自己打造類似的因果 AI 配方工具，而不是向 Allos 這樣的外部供應商採購，那 Allos 的潛在客戶群就會大幅縮小。
數據取得和隱私合規也是現實挑戰，Allos 的平台需要大量的真實世界數據來訓練和驗證因果模型，這涉及 HIPAA、GDPR 和英國數據保護法等多重法規框架；歐盟 AI 法案（EU AI Act）將於 2026 年 8 月全面生效，醫療健康領域的高風險 AI 系統將面臨嚴格的合規要求，這不只是 Allos 一家公司的問題，而是整個 AI 製藥產業都在面對的結構性障礙，根據多份產業調查，超過六成的技術高管將數據品質和治理不善列為 AI 專案失敗的首要原因。在製藥領域，這個問題更加嚴峻，臨床數據分散在不同的醫院系統、臨床試驗資料庫和電子病歷中，格式不統一、品質參差不齊，要把這些數據整合成因果 AI 可以使用的高品質訓練集，本身就是一個巨大的工程挑戰，Allos 目前沒有公開說明他們的數據來源策略，這是未來追蹤時需要特別留意的一點。不過，如果把所有的風險和機會放在天秤上衡量，Allos 仍然代表了一個值得持續關注的案例。
95% 的 AI 製藥公司都擠在同一條路上，但 Allos 不是
AI 製藥這個賽道在 2025 年的投資熱度是非常驚人的，根據矽谷銀行（SVB）的數據，2025 年 AI 相關投資佔所有醫療健康投資的 46%，金額超過 180 億美元，AI 賦能的新創公司在 2025 年上半年拿到了數位健康風投資金的 62%、平均每輪融資 3,440 萬美元，比非 AI 公司高出 83%。但在這股熱潮中，有一個很有意思的現象：絕大多數 AI 製藥公司（估計超過 95%）都擠在「新分子發現」（De Novo Drug Discovery）這條賽道上，他們的 Pitch 基本上都是同一套邏輯，用 AI 加速靶點識別、先導化合物優化、ADMET 預測等等，然後告訴投資人「我們可以把新藥開發的時間從 10–15 年縮短到 3–5 年、成本從 26 億美元降到幾億美元」。
這個故事聽起來很美，但有幾個結構性的問題。第一，新藥開發的成功率極低，從實驗室到上市的整體成功率大約只有 5–10%，就算 AI 能提高這個數字，提高的幅度可能也有限，因為很多失敗的原因不在早期發現階段，而在臨床試驗中暴露出來的安全性問題或效果不彰；第二，新藥開發到產生營收的時間很長，就算一切順利也要 5–10 年，也就是說這些公司在很長一段時間內都是純粹的燒錢機器，需要持續融資；第三，這個賽道上已經太擁擠了，光是在 ClinicalTrials.gov 上搜尋「AI」和「Machine Learning」相關的臨床試驗，數量就已經爆炸性增長 ，競爭紅海化已經開始。
相比之下，Allos 選擇的「複雜藥物重新配方」路徑有幾個結構性的優勢，商業化時程更短：因為活性成分已經被驗證過安全有效，所以不需要做完整的 Phase I/II/III 臨床試驗，只需要做生物等效性或比較有效性研究，典型的開發週期是 3–5 年，快的甚至 2–3 年。開發成本更低：505(b)(2) 途徑的平均成本約 2,000 到 5,000 萬美元，遠低於全新 NDA 的 10 億美元以上。法規路徑更清晰：505(b)(2) 已經是一條被廣泛使用、FDA 完全熟悉的核准途徑，2024–2025 年度就有 69 項重新配方 NDA 透過這個途徑獲批。技術風險更低：不需要擔心「這個分子到底有沒有效」 ，因為它已經在市場上賣了十幾二十年了，只需要證明新配方在藥物動力學上等效或更優就好。
大部分 AI 製藥公司是在尋找金礦，花大量資源去勘探未知的礦脈，希望發現下一個重磅藥物；Allos 做的是冶煉已知金礦裡的低品位礦石，金礦已經在那裡了，只是目前的開採技術無法經濟地把所有價值都提取出來。兩種策略各有各的風險和報酬，但在當前的市場環境下（AI 新藥發現賽道日益擁擠、專利懸崖規模即將到來、FDA 對 505(b)(2) 和 RWE 的態度越來越開放），冶煉的賽道可能有更確定的短期商業可行性。
在 AI 製藥賽道上，種子輪的估值通常在 1,000 到 3,000 萬美元之間，具體取決於團隊背景、技術差異化程度、以及有沒有早期的驗證性數據，假設 Allos 的種子輪估值落在 1,500 到 2,500 萬美元之間（目前沒有公開數據，這是根據同類交易的推估），那 500 萬美元的融資大約稀釋 20–33% 的股權，如果拿 METiS Pharmaceuticals 作為一個可能的遠期對標（METiS 在 AI 藥物配方領域已經做到超過 1.5 億美元的累計融資和超過 6 億美元的估值），那從 Allos 現在的種子階段到那個規模，中間大概需要三到四輪融資，每一輪都需要展示具體的里程碑進展。但要注意，METiS 的估值增長很大程度上是建立在中國和香港特殊的資本市場環境下，他們的營運模式、目標市場和技術路線跟 Allos 也有顯著差異，直接對標的意義有限。
對於台灣的生醫投資人來說，Allos 這種超早期、超小規模的海外私人公司，基本上不太可能成為直接的投資標的，除非有管道參與後續的 A 輪融資，或者透過某些專投 AI 製藥的海外基金間接配置，但這不代表這個案例對我們沒有價值，理解 Allos 的商業邏輯（為什麼改良舊藥可能比發明新藥更快創造商業回報 ）對於評估整個 AI 製藥賽道的投資機會，甚至對於評估台灣本土的學名藥和特殊藥企的潛在轉型方向，都有重要的參考意義。
未來 20 年的三個大趨勢和台灣的位置
我認為有三個大趨勢會持續塑造這個市場，第一是精準配方（Precision Formulation）的興起，隨著基因體學（Genomics）和藥物基因體學（Pharmacogenomics）數據的累積，我們越來越清楚地知道，同一款藥對不同的人效果可能差異巨大 ，不是因為藥物本身的問題，而是因為每個人的代謝酶活性、腸道微生物組成、肝腎功能狀態不同，導致同一個配方在不同人身上的吸收、分布、代謝和排泄（ADME）特性完全不一樣。未來的藥物配方設計，很可能會從「一種配方給所有人」的模式，逐漸走向「根據病人群體特徵客製化配方」的模式，因果 AI 在這裡有天然的優勢，因為它能夠幫助研究者理解「對於代謝酶 CYP2D6 弱代謝者這個群體，哪些配方變數的調整會產生最大的臨床效益」，這種精準的因果推理，是傳統統計方法和黑盒子 AI 都很難做到的。
第二是數位孿生（Digital Twin）在藥物開發中的應用，想像未來的配方科學家可以在電腦上建立一個藥物-病人系統的數位孿生，模擬成千上萬種配方組合在不同病人群體中的表現，然後只挑最有希望的幾個方案進行實際的 Wet Lab 驗證，會把藥物配方開發的效率提高一個數量級，Allos 的 What-If 反事實推理能力，某種程度上就是在朝這個方向走。
第三是法規科學（Regulatory Science）的持續演進，FDA 在 2025–2026 年密集發布的一系列 AI 相關指引，代表的不只是技術層面的規範更新，而是一個更根本的範式轉移 ，監管機構開始願意接受「不完全依賴傳統隨機對照試驗」的替代證據生成方式，包括 AI 模型的預測、真實世界數據的分析、以及模擬和建模的結果，對 Allos 這種以計算方法為核心的公司來說，無疑是長期利多。
如果我們把視角拉到台灣，這個趨勢其實跟我們非常有關，台灣的 TFDA 在 AI 醫療器材的審查上已經開始跟上國際腳步，但在 AI 輔助藥物開發的法規框架上，坦白說還有很大的空間需要建立；如果 FDA 和 EMA 逐步建立起接受 AI 生成的配方設計證據的先例，台灣的法規體系遲早也會需要跟進，這對台灣的製藥產業來說既是挑戰也是機會，挑戰在於我們的法規專業人才和產業基礎能不能跟上，機會在於如果我們動得夠快，台灣在複雜仿製藥的 AI 輔助開發上，有可能找到一個很好的利基位置，台灣的學名藥產業規模雖然不大，但品質管控能力在亞太地區相對領先，而且台灣的臨床試驗基礎設施和人才儲備在國際上有不錯的聲譽，如果有一家台灣的學名藥公司能率先導入類似 Allos 這種因果 AI 配方優化工具，在競爭激烈的亞太學名藥市場中，那可能就是一個真正的差異化優勢。
還有一個我覺得很少人在討論、但重要的長期趨勢，也就是藥物配方的永續性（Sustainability）議題，全球製藥產業的碳足跡其實非常驚人，而配方開發過程中大量的反覆實驗和資源浪費是其中一個重要來源；如果 AI 能把配方開發的實驗次數減少 80%（是某些 AI 配方公司宣稱的目標 ），那不僅僅是省錢和省時間，也是對環境更負責任的做法。在 ESG 投資日益主流化的今天，這個角度可能成為 AI 配方公司吸引特定類型投資者（特別是歐洲的影響力投資基金）的加分項，Allos 總部在牛津，投資者中有 OSE 這樣的牛津系機構和 Habico 這樣的北歐家族辦公室，ESG 敘事可能會成為他們未來募資策略的一部分。
但我也必須誠實地說，以上所有的分析都建立在一個關鍵假設之上：Allos 的因果 AI 平台確實能夠產生比現有方法更好的配方開發結果。截至目前，這個假設還沒有被公開數據驗證過，公司沒有披露任何成功案例、公布任何比較性的性能基準、甚至連 Hadros 和 Balaena 兩個內部管線項目的具體內容都沒有透露。所以我會密切追蹤未來 12–18 個月內是否公布首個 Pipeline 項目的具體藥物和適應症；是否簽署至少一家中大型製藥公司的商業合作協議，驗證平台的產業應用價值；A 輪融資的規模和估值，如果 A 輪能拿到 2,000 萬美元以上，並且有戰略投資者（特別是製藥公司的 CVC）參與，那就是一個很強的驗證訊號；是否在 SCI 期刊上發表平台技術的驗證性研究，展示因果 AI 在配方開發中相對於傳統方法的具體優勢。
在 AI 製藥投資的世界裡，我們看過太多華麗的 Pitch Deck 和驚人的融資數字，但最終能真正把 AI 的預測轉化為病人手中那一顆更好的藥丸的公司，少之又少；Allos 選擇了一條看起來不那麼性感、但可能更務實的路，一個量子物理學家決定不去發明新藥，而是讓舊藥重生，這個故事本身就很有意思，至於它能不能成為一個偉大的商業故事，我們需要再等等看。
我們正處在一個非常有趣的歷史時刻，AI 技術的成熟度終於開始追上製藥產業的複雜度，過去 20 年 AI 在消費者科技領域創造了無數價值（從搜尋引擎、推薦系統到自動駕駛 ），但在製藥這個最需要「理解因果關係」的領域，AI 的表現一直令人失望。原因很簡單，製藥不是一個可以靠堆更多數據和更大模型來暴力破解的問題，一顆藥在人體裡的命運，受到分子結構、配方設計、給藥途徑、個體基因多態性、合併用藥、飲食習慣、腸道菌相等成百上千個變數的共同影響，而這些變數之間的關係不是簡單的統計相關性，而是錯綜複雜的因果網路。
因果 AI 之所以值得我們特別關注，不是因為 Allos 這一家公司有多了不起（在 Seed Stage 的公司裡，任何預言都言之過早），而是因為因果推理這個方法論本身，可能代表了 AI 在科學發現領域的下一個典範轉移。如果深度學習是「從大量數據中學習模式」的工具，那因果 AI 就是「從有限數據中學習機制」的工具，在數據稀缺、實驗昂貴、錯誤代價高的領域（製藥、材料科學、氣候模型 ），因果 AI 的價值主張可能遠比目前主流的大型語言模型和生成式 AI 更為關鍵。Allos 目前什麼都還沒有證明 ，沒有公開的成功案例、營收、已知的合作夥伴，他們有的是一個非常有吸引力的 Thesis、合理的團隊組成、恰好踩在正確時機點上的市場定位、牛津和丹麥製藥巨頭的策略投資人背書，展示了一個我在這幾年觀察 AI 製藥領域得出的結論：最終勝出的公司，不一定是技術最炫砲的那一家，而是最聰明地選擇了「在哪裡戰鬥」的那一家。Allos 選擇的戰場，用因果 AI 做複雜藥物的配方改良，可能不會讓我們聊起來很興奮，但如果他們能證明這條路行得通，可能比「用 AI 發現下一個抗癌新藥」更快、更確定地創造實際的商業價值和臨床影響。
製藥產業花了幾十年時間教我們相信，創新的終點是一個從未存在過的分子；但 Allos AI 的出現，像是在問一個沒人敢大聲說出口的問題：如果我們連已知的好藥都還沒有用好，為什麼要急著發明新藥？一個量子物理學家從 CERN 走進實驗室，帶來的不是更強的算力，而是一個更古老的問題意識：因果，而非相關；真正的創新，有時候不是往前衝，而是往深處挖。我們正處於一個 AI 製藥敘事極度通膨的年代，每一家公司都宣稱自己要改變藥物開發的歷史，但真正值得關注的，或許是那些選擇了一個更安靜、更確定戰場的人。Allos 目前什麼都還沒有證明，但他們選擇的方向，在喧囂中透出一種難得的清醒。舊藥重生，是一首沒有高潮的歌，但這個世界上，最終讓人反覆聆聽的，往往不是最震撼的那一首。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.