自 2021 年至 2024 年，全球生技創投在高利率、退出窗口不穩、估值修正與臨床風險再定價的多重作用下，經歷了劇烈波動。AI生技（AI for Biotech/AI for Drug Discovery）作為最受矚目的賽道之一，也同步從「概念即可融資」的擴張期，走向「證據與資本效率導向」的新常態。市場資金並未消失，而是變得更集中、更挑食、更重視可驗證的里程碑：投資人要求看見臨床進展、濕實驗驗證、可製造性（CMC）準備，以及能穿透整體研發成本結構的實質貢獻。
整體情緒可概括為「謹慎樂觀」。頂尖創投機構包括 Novo Holdings、Insight Partners、Illumina Ventures、aMoon Fund、Playground Global、以及 Ascenta Capital 多位投資人觀察指出，市場在盤整後可能於 2026 年前後出現回溫，但更可能是「選擇性復甦」：資本將優先流向具備臨床階段資產（clinical-stage assets）、明確差異化與可複製交付能力的團隊。相較於過往著重平台敘事，如今評估重心回到藥物研發與醫療交付的硬指標：成功率、時間、總成本、合規與商業化路徑。
在此背景下，AI 技術的價值主張也被重新檢驗。投資人不再接受籠統的「加速研發」說法，而要求創業者清楚說明：AI 到底改善哪一段價值鏈、帶來多少可量化提升、是否能影響臨床成功率或後段成本，並能透過商業模式有效捕捉價值。本報導整合市場觀點與典型案例，系統性梳理後疫情時代 AI 生技創投的新規則、主流商業模式、盡職調查重點，以及2026年後的機會版圖與亞洲新創策略。
後疫情市場的「新思維」：資金仍在，但規則已換
2021–2024年的波動，本質是資本成本上升與風險偏好下降的總和：當利率環境改變、IPO窗口縮窄、併購估值更保守，投資人自然把注意力從「技術想像」移向「臨床確定性」。在新常態裡，募資不是比誰講得宏大，而是比誰能在有限資金內推進到下一個可驗證的里程碑。
市場對 2026 年前後的回溫抱持共識，但其內涵並非全面回春，而是「質量分化」。投資人將更傾向押注：
- 已具臨床階段資產、或臨床路徑清楚且可快速到達 IND/一期的公司
- 能提出濕實驗證據，證明模型在現實條件下可重複、可外推
- 具備資本效率與里程碑規劃能力，能降低「下一輪融不到」的尾端風險
換言之，市場正在回歸生技產業的本質：估值不靠時間累積，而靠事件驅動；投資不是買一個概念，而是買一串可降低風險的進度表。這也使得 AI 生技的競爭，從「誰的模型更酷」轉為「誰能把模型變成穩定交付系統」，並在臨床與商業端形成可持續的價值捕捉。
投資驅動力重置：技術承諾、臨床需求、資本效率必須同時成立
當前投資人對 AI 生技的核心期待，可收斂為三個同時成立的條件。第一是技術承諾：AI 不僅加速藥物優化與縮短研發週期，更被期待協助發現新的作用機制（new mechanisms of action），以對抗抗藥性等結構性挑戰。但投資人要求的不是「理論上可行」，而是「已在何處做出可驗證成果」。第二是臨床需求：資本明顯重新聚焦臨床階段資產。平台可以是起點，但平台必須轉化為資產；單有平台敘事不足以支撐估值，尤其在退出環境更保守時。
第三是資本效率：投資人要求創業者精確說明效率提升的範圍與對總成本的影響。關鍵質疑在於：藥物發現環節往往僅佔總研發支出約 3–5%，即使 AI 讓這段效率翻倍，若無法影響後段昂貴的臨床試驗、CMC 放大與成功率，對整體價值鏈的實質貢獻仍有限。因此，AI 生技公司必須把價值主張從「單點加速」升級為「系統性降風險」：提高臨床成功率、提前暴露失敗（fail fast）、改善病人分層與試驗設計，才可能獲得更高的資本定價。
AI 賦能醫療的四大支柱：從研發到交付須提供全旅程價值
以醫療旅程視角看 AI 的落點，可歸納為四大支柱：預防與早期診斷、藥物開發優化、減輕臨床負擔、降低醫療系統總成本。這四者共同指向一個趨勢：AI不再只是研發端工具，而逐步成為「醫療效率基礎建設」。
在預防與早期診斷上，早一步發現往往帶來結局級差異。例如高風險結直腸癌，早期存活率可達 91%，晚期則可能降至 14%。AI 透過影像、病理與生物標記分析，提高早期篩查的準確率與普及性，能將價值直接體現在預後改善與總成本降低。
在減輕臨床負擔上，醫療系統普遍面臨人力短缺；僅以美國為例，即存在約 20 萬名合格醫師未投入執業的結構性缺口。AI 若能自動化病歷整理、報告生成與行政流程，等於把時間釋放回照護本身。
而「降低總成本」則是最難、也最值錢的一環：它要求 AI 跨越單點效率，進入流程再設計與支付邏輯重構，並與後述的成果導向合約、真實世界資料（RWD）治理形成閉合的循環。
藥物研發的「總帳思維」：投資人真正要的是降低後段風險
藥物研發是一條高不確定性的長鏈，成本大頭往往在後段臨床與製造。這也是為何投資人不再被「前段加速」單獨說服。若 AI 只改善早期發現效率，卻無法提高臨床成功率或降低臨床試驗規模與時間，最終仍難改寫總成本結構。
因此，當前盡職調查更聚焦 AI 能否影響下列關鍵槓桿：
- 提高命中率：更好的標的選擇、機制驗證與病人分層，哪怕只提升一小段成功率，都可能帶來巨大的總成本差異。
- 提前失敗：更可靠的毒理、免疫原性、成藥性預警，讓失敗在臨床前或一期前發生，避免後段燒掉數千萬至上億美元。
- 臨床設計優化：以資料與模型協助 endpoint、入組條件、劑量策略，降低試驗規模或縮短週期。
在此框架下，AI 生技的競爭優勢不再等同於「模型分數更高」，而是能否把模型嵌入研發—實驗—臨床策略的決策鏈，使整體風險曲線向下移動。這也為平台型公司的案例評估提供了更清晰的尺：速度與規模值得關注，但最終仍要回到成功率與總成本的可量化貢獻。
Iambic Therapeutics 用「節奏」把速度變成可驗證的能力
Iambic Therapeutics 的代表性在於，它把 AI 平台價值從抽象敘事轉為可檢驗的研發節奏。其核心技術 Neuraplexer 屬於先進的 3D 結構預測模型；在其預測為「高置信度」的結構中，有約 50% 可被後續實驗證實準確，顯著高於傳統方法約 7% 的命中表現。對投資人而言，這種差距不只是技術亮點，更意味著：在同等成本下能更快收斂到可用結構假設，減少無效合成與反覆試錯。
更具說服力的是其研發節拍：在 IAM-1363 項目中，平台在約 8 個月內完成 10 次設計—合成—測試的閉環迭代，將全新項目推進至臨床階段。這種「用時間與迭代次數量化」的描述，符合投資人對新常態的期待：不是說「我們更快」，而是清楚交代「快在哪裡、快多少、用什麼證據」。
然而，速度本身仍需與品質共存。投資人通常會追問：在更快迭代下，選擇性、毒理預警、成藥性等關鍵指標是否同樣扎實？若能同時證明「更少輪迭代達到更高品質」，平台才真正從工具升級為可擴張的交付系統，並為後續多資產輸出（平台成功「三次」）奠定基礎。
Manifold Bio 以體內規模化測試打造「數據飛輪」
Manifold Bio 的核心突破在於重塑篩選規模：傳統臨床前動物模型通常一次只能測試少量候選分子，而其平台能在活體（in vivo）中平行測試數百萬種不同的藥物設計。這一差異不僅意味著「更快找到最佳候選物」，更重要的是能生成龐大且高品質的生物數據集。
對 AI 生技而言，真正稀缺的往往不是模型，而是可用資料。Manifold Bio 的模式等於把實驗體系設計成資料工廠：大量、可重複、具生物意義的 in vivo 資料，能反過來訓練更強的設計模型，形成自我強化的正向循環——典型的「數據飛輪」。一旦飛輪轉起來，後來者即使取得相似模型，也難以在短時間內追上資料資產與實驗管線的累積。
投資人評估此類公司時，通常會把焦點放在三點：其一，in vivo 高通量測試的可靠性與可重複性；其二，資料治理與歸屬權是否能回流平台，避免只成為一次性專案；其三，資料飛輪是否能導向臨床可轉譯的資產，而非僅止於展示規模。若公司能證明「規模→資料→模型→更好候選物→再擴大規模」的閉環可持續，便能在模型同質化時代建立更深的護城河。
商業模式三分法：一條龍、平台服務、混合模式的「風險-回報」配置
AI 生技公司的商業模式，表面是三選一，實質是風險配置。
一條龍式藥物開發商以自有平台建立內部管線，掌握從發現到臨床的完整價值鏈，潛在回報最高、估值天花板也最高；但代價是資本密集、週期漫長、臨床失敗風險巨大，且必須面對 CMC 與後段商業化複雜度。
技術平台/服務供應商把 AI 平台授權或以合作方式提供給大藥廠，優勢是較快產生現金流、研發風險相對較低，且可透過多合作案驗證平台；但挑戰在於價值捕獲有限，容易被視為高級 CRO，導致估值受壓。
混合模式同時自研與對外合作，兼顧短期資金與長期資產價值，是當前最常見選擇；但管理難度最高，需在內部研發與外部合作之間精準分配資源，並處理資料權、排他性與決策權等條款風險。
新常態下，投資人更偏好能「用合作建立信任、用自研保留上行」的混合策略，但前提是公司能清楚界定：哪些是核心不可讓渡的護城河，哪些可用以換取資金、資料與背書，並確保合作能反哺平台飛輪，而非僅換取一次性收入。
「平台」與「資產」的辯證：平台要被相信，必須成功三次
投資界常說偏好平台，因平台具可擴展性與韌性，能產出多個成功資產，而不是依賴單一賭注。但平台的問題在於「證明成本」：在被證明之前，它只是承諾。業界常見的判準是平台需成功「三次」——例如推進三個具說服力的資產里程碑——市場才會把它視為可靠平台，而非一次性的巧合。
平台的核心價值有二：第一是加速內部管線，縮短從概念到臨床的時間；第二是抗風險能力，當主力候選藥物臨床失敗時，能迅速產出備援候選物（backup candidates），避免公司一擊致命。這種韌性在資本保守期尤為重要，因為它直接影響公司是否能活到下一輪。
因此，新常態下「平台敘事」必須與「資產里程碑」綁定：用資產證明平台，用平台推進更多資產，形成估值的階梯式躍升。投資人也會據此重新評估平台型公司的組織能力：是否具跨功能協作、濕實驗產能、資料治理、法規與 CMC 路線圖，能把平台真正做成可複製的生產系統，而非單點技術展示。
成果導向合約，是從「賣藥」走向「賣療效」的一條路
以成果為基礎的合約模式，代表 AI 與大數據正把商業化重心推向支付端。現行醫療體系的一大痛點是：許多藥物對約 30% 的病患有效，剩餘 70% 療效有限甚至無效，但支付方仍需承擔高昂成本。Outcome-Based Contracts 試圖把支付與個體療效綁定，讓支付方「為價值付費」（Pay for Value），降低無效治療的浪費。
此模式要成立，關鍵不在合約文字，而在資料與執行系統：必須能追蹤療效、定義可稽核的成果指標、處理真實世界資料（RWD）的治理與隱私合規，並建立跨醫院、藥廠、支付方的資料協作與結算流程。以合約數據整合以利執行類型的平台為例，其價值在於提供「合約管理＋數據治理＋結算執行」的基礎流程，使療效導向支付概念走向可被實際執行的層面。
對 AI 生技公司而言，Outcome-Based Contracts 帶來兩個策略啟示：一是商業化可更早發生，未必等到藥上市才有收入；二是在模型能力日益普及時，支付端的制度與流程設計可能成為更難複製的差異化來源。長期看，這類模式也可能反向影響研發：若支付與療效綁定，病人分層與伴隨診斷的價值將更被放大，促使AI在臨床決策與試驗設計中扮演更核心角色。
估值邏輯與資本規劃：生技估值像樓梯，不像軟體那樣線性
生技公司的估值呈「階梯式」增長：由一系列離散里程碑推動，如獲得可靠臨床前數據、IND核准、一期完成、二期出現初步訊號、取得授權合作等。這與軟體公司的線性營收曲線不同，也意味著資本規劃必須以「走到下一階」為核心。
投資人對資本效率的要求，在新常態下更像硬門檻。常見的警訊之一是創辦人宣稱「一開始就要融 1 億美元」：過度融資可能造成過早稀釋、抬高後續融資門檻，並迫使公司承諾過大目標而承擔估值回落風險。對早期投資人而言，更關鍵的是確保公司能持續吸引後續資金，避免自己成為「最後一位投資者」。
成熟的資本策略通常包含：
- 明確定義每輪資金對應的里程碑與關鍵讀出（readout）
- 設計可降低風險的實驗與臨床路徑，把不確定性前置處理
- 保留談判彈性：以合作、授權、里程碑款作為資金補充與信任背書
在此框架下，AI生技公司必須把技術故事轉譯成財務與風險語言：用多少錢、在多久內，把哪一段風險從「未知」變成「可計算」，並讓下一輪投資人看到更低的不確定性。
盡職調查五大硬指標：團隊、壁壘、數據、濕實驗、CMC
新常態的盡職調查更嚴格、更偏向「不可妥協」的硬證據，主要聚焦五大領域。
團隊經驗：投資人偏好有成功經驗者，但首次創辦人仍可勝出，關鍵在於是否看見自身短板、能否組建互補團隊並建立學習迭代能力。
技術可防禦性：平台需具難以複製的護城河，而非開源模型的簡單組合。護城河常見來源包括獨特資料、獨特實驗體系、獨特閉環流程與關鍵IP。
數據品質與治理：資料來源合法性、品質控制、偏差處理、可追溯性與使用權界定，常被視為最低標準。
濕實驗驗證（non-negotiable）：投資人要求以濕實驗證明模型預測在現實條件下可重複、可外推，尤其在種子輪或 A 輪。
可製造性與 CMC：當公司進入 B 輪或更後期，CMC 準備成為必答題，涵蓋合成/放大路線、品質控制、穩定性與供應鏈策略。
這五項共同回答同一問題：公司是否正從研究計畫進化為可推進臨床與上市的組織。AI 可以加速前段，但若缺乏濕實驗、CMC 與臨床策略能力，最終仍難跨越價值鏈後半段的高門檻。
合作的戰略價值：大藥廠不只帶來收入，更帶來「信任資產」
與大型製藥公司建立合作關係，在新常態下具有雙重戰略意義。除了授權金、研發資金與里程碑款，更重要的是「信任背書」：當產業巨頭願意合作，等於以其內部技術審查與法規標準為新創背書，能有效提升市場對平台與資產的可信度，並反過來強化後續募資談判力。
然而，合作條款也常埋雷。新創若在早期過度讓渡核心權益，可能換到短期現金卻喪失長期價值捕捉能力。常見風險包括：
- 範圍過大導致核心適應症或 IP 被鎖死
- 資料權不清使合作資料無法回流平台飛輪
- 決策權被掏空造成節奏受制於合作方，影響里程碑與募資時點
- 排他性過強限制平台型公司的多方合作擴張
較佳策略是把合作設計成三重收益：資金＋資料＋可用於市場與募資的信任背書，並確保合作能反哺平台能力，而非把公司定位固化為外包供應商。對投資人而言，良好合作也能降低「商業化不確定性」，使公司更有機會在選擇性復甦中獲得資金青睞。
2026 年後展望：選擇性牛市、模型同質化與未飽和領域的再估值
展望2026年後，多數觀點指向市場將更務實、更聚焦臨床證據與差異化。復甦若出現，更可能是「選擇性牛市」：具臨床資產、可量化價值主張、強資料資產與閉環系統能力的公司將受益，而缺乏硬證據者可能持續承壓。
同時，生成式 AI 與通用模型的普及，將加速「模型同質化」。在此情境下，競爭優勢將從模型本身轉移到系統能力：資料取得與治理、實驗體系設計、工作流整合、合規能力、臨床轉譯與支付端連結。換言之，護城河更可能長在「數據與流程」而非「參數與架構」。
在機會版圖上，仍存在相對未飽和且具長期影響力的方向，包括：
- 空間與單細胞組學：在單細胞解析度下理解組織微環境，利於機制探索與精準用藥分層
- 農糧作物基因體學：作物改良、產量與抗逆性、氣候風險對沖等，市場大但資本關注度相對不足
- 腫瘤學以外的液態活檢：延伸至自體免疫、心血管、神經退行性疾病等早期風險辨識與分層
這些領域的共同特徵是資料多模態、場景複雜、轉譯門檻高，反而更適合以系統能力建立長期壁壘。
亞洲與台灣新創策略：把「在地優勢」翻譯成國際資本聽得懂的語言
對亞洲、特別是台灣的新創而言，國際化的關鍵不只是把簡報翻成英文，而是把公司定位、里程碑與需求說成「可執行的句子」。有效做法包括：清楚界定本輪融資金額、用途與對應里程碑；明確指出希望對話的投資人類型與合作原因；把技術敘事連到 TAM/SAM 與退出路徑，讓投資人能計算回報而非只感受想像。
亞洲團隊常具成本效率與工程化能力，但需避免被簡化為「便宜」。更好的表述是：以同等或更低成本交付高品質濕實驗與迭代節奏、具跨國供應鏈與製造資源、能把 CMC 與合規更早納入研發路線圖。當成本效率與品質可控、速度可驗證綁在一起，便能轉化為競爭武器。
此外，參與國際會議（如大型產業峰會）即使首度不成交仍具戰略價值：可建立初步連結、校準市場敘事、觀察成功公司如何呈現里程碑與差異化。最終目標是把公司放在全球競爭格局中思考，讓投資人看到一條完整的價值創造鏈：從平台到資產、從資產到臨床、從臨床到合作或退出。
總結而言，AI 生技的新常態要求「硬證據＋好系統＋清晰商業化」。誰能把 AI 嵌入可複製的交付流程、用資本效率推進里程碑，並在臨床與支付端形成可捕捉的價值，誰就更可能在 2026 年後的選擇性復甦中成為資本追逐的核心標的。
