研發一款救命新藥，往往需要花費長達十年以上的時間，動輒投入數十億美元，而且失敗風險極高。為什麼這麼難？因為這必須經過無數次的人體代謝實驗與毒性測試，過程猶如大海撈針。
台灣 CIO 雜誌 報導指出，頂尖的藥廠正在改變戰局，將人工智慧轉型視為直接驅動營收的關鍵策略。過去研究人員要在實驗室反覆測試低潛力分子，現在透過機器學習，能在短短數小時內篩選數百萬種化合物，精準預測藥物與疾病的結合能力。這不僅大幅縮短新藥探索週期，更實質降低了龐大的試錯成本。
新藥要上市，臨床試驗最大的瓶頸是什麼？是找不到符合嚴苛標準的受試者。透過人工智慧對全球龐大的電子健康紀錄進行比對，招募時間成功縮短了百分之三十以上。這裡提到的電子健康紀錄，就是將病患從看診、用藥到檢驗的所有病歷資料，完全數位化建檔的系統。這讓研究人員能專注於科學分析，而不是繁瑣的行政比對。
但是，運用大量醫療資料，難道沒有隱私外洩的風險嗎？為了解決這個致命痛點，醫療界開始採用聯邦學習技術。簡單來說，聯邦學習就是讓人工智慧模型直接前往各醫院本地端的伺服器進行訓練，學完之後只把最精華的運算邏輯帶走。病患的原始敏感資料完全不需要上傳到外部雲端平台，從根本斬斷資料外洩的可能。
令人擔憂的是，現在企業面臨最大的資安漏洞，往往是影子 AI 危機。什麼是影子 AI？也可以稱為 地下 AI，這代表員工為了提升工作效率，私自將公司內部機密資料或病歷，輸入到未受企業監管的外部生成式 AI 工具中，用來產生摘要或撰寫程式碼。面對防不勝防的科技浪潮，全面禁止有用嗎？答案是適得其反。但這家藥廠數位科技主管選擇採取引導與賦能，設立核准工具的白名單與嚴格的禁用黑名單。與其防堵，不如確保所有使用的工具都符合嚴苛的資安與法規標準，將風險攤在陽光下控管。
人工智慧不僅加速新藥開發，更能實質推動環境永續。藉由分析季節性疾病爆發趨勢，系統能精準預測藥品需求，避免過度生產造成的浪費。在物流配送上，演算法更能即時監測運輸條件並改善物流路線，大幅減少運輸過程中的碳排放，實現品質與永續的雙贏。
[ 文章來源：【專訪】羅氏集團亞太區數位科技主管吳明杰 ]
