SchrodingerSDGR

──────────────────── 市場正在追一則很有爆點的消息：美國衛生與公眾服務部可能在 FDA 新設「技術與人工智慧副局長」，同時另設藥物副局長。 問題是，截至 2026 年 9 月 3 日，FDA、HHS 與可查到的政府一級資料都沒有發布正式設職或任命公告。FDA 領導頁仍列 Kyle Diamantas 為代理局長，首席副局長職位懸缺，也沒有「AI 副局長」或候選人 Jared Seehafer 的官方任命資料。 所以這則消息目前只能寫成「媒體引述匿名人士的規劃」，不能當成已完成的組織調整。 真正會影響 AI 藥企估值的，不是職稱，而是 FDA 已經把 AI 納入內部審評、藥物申報與 AI 醫材監管三套制度。監管開始要求企業把模型輸出變成可追溯、可驗證、可維護的證據，AI 製藥也就從「速度故事」進入「證據負債」的重估期。 ──────────────────── 🛑 一、傳聞不等於政策落地 投資人遇到監管人事新聞，第一件事不是猜誰上任，而是判斷它屬於哪一層證據。 目前可確認的是，FDA 正由代理局長領導，局長提名仍有參議院程序。不可確認的是，HHS 是否已正式設立兩個新副局長職位、新職位是否會同時管理 FDA 內部 AI 與 AI 醫療產品，以及誰會出任。 這個邊界很重要。若市場直接把「可能新增職位」解讀為「AI 藥物審查全面提速」，至少跨了三步推論：職位尚未官宣、權限尚未確定、審查結果更不可能由一個職位自動改變。 但是，FDA 的 AI 制度化確實有一級來源，而且已經走得比人事傳聞更遠。 ──────────────────── 🧭 二、FDA 的三條 AI 軌道，對估值影響完全不同 ① 內部工具：降低行政與審評摩擦 FDA 於 2025 年 6 月推出生成式 AI 工具 Elsa，協助員工讀取、撰寫與摘要文件。2025 年 12 月，FDA 再宣布部署代理式 AI，應用範圍包括會議管理、上市前審查、審查驗證、上市後監測、稽查與合規。 這一層的潛在價值是縮短整理與交叉檢查時間，但官方沒有證明新藥審查週期因此縮短，也沒有改變安全、療效與品質標準。FDA 自己使用 AI，不能直接外推成 AI 藥物享有快速通道。 ② 申報證據：決定 AI 輸出能不能進審評桌 2025 年 FDA 發布藥物與生物製劑 AI 模型可信度草案。官方表示，自 2016 年起已處理超過 500 件含 AI 元素的相關申報。 這一層最值得 AI 製藥投資人關注。模型若只協助內部排序候選，最後仍由傳統實驗與臨床資料決策，監管負擔相對低；模型若用來篩選患者、預測臨床結局、生成真實世界證據或控制製造品質，錯誤會直接影響監管判斷，驗證要求就會上升。 ③ AI 醫材：產品本身就是演算法 2026 年 8 月，FDA 對生成式 AI 醫療器材提出討論文件，徵詢風險分類、上市前評估、上市後監測、基礎模型與代理式系統的規則。這是醫材產品路徑，不等於使用 AI 發現一顆藥就要按 AI 醫材審查。 三條軌道混在一起，容易製造估值泡沫；拆開後才知道哪一類公司面臨什麼成本。 ──────────────────── 🔎 三、七道可信度關卡，讓「黑盒子折價」浮上檯面 FDA 草案的核心是一套七步風險導向流程：定義問題、定義使用情境、評估模型風險、制定可信度計畫、執行計畫、記錄結果，再判斷模型是否足以支持特定用途。 真正影響價值的，是模型的重要性與錯誤後果。 如果 AI 只建議哪十個化合物先做實驗，模型錯了可能浪費時間；如果 AI 決定哪位患者進入臨床試驗，錯誤就可能影響受試者安全與試驗結果。相同模型放在不同位置，估值應使用不同的監管折價。 2026 年 FDA 與 EMA 共同發布的十項良好 AI 實務原則，又把資料治理、使用情境、模型設計、效能評估、生命週期管理與必要資訊揭露放進同一套語言。 這等於告訴產業：一次跑贏 benchmark 不夠。企業必須保存模型版本、訓練與驗證資料來源、偏差評估、人工覆核及更新紀錄。模型每次改版都可能帶來新的驗證工作。 對資本市場來說，這是一筆過去很少被計入的「證據負債」。前端算得愈快，不代表後端越容易過關；若資料與版本管理不足，省下的實驗成本可能在申報階段被補回來。 ──────────────────── 💰 四、哪些 AI 藥企更可能受益？ 第一類是能把模型與實驗閉環做成可重現流程的公司。它們展示預測結果，也保留資料來源、失敗紀錄、版本與人工決策，較容易把平台能力交給大藥廠或帶進申報。 第二類是收入不完全押在單一候選藥的公司。軟體授權、研究合作與自有管線組合，可以分散臨床失敗風險；但平台收入仍要看續約、客戶集中與研發支出，不能因「監管更重視 AI」就直接上調倍數。 第三類是模型使用情境清楚的公司。當企業能說明 AI 在發現、毒理、臨床或製造哪個環節做了什麼，投資人才能判斷它承擔的是低風險效率工具，還是高風險關鍵證據。 Recursion Pharmaceuticals（RXRX）在 2025 年 Form 10-K 中把 Recursion OS 描述為從生物與化學延伸至臨床執行的 AI 原生平台；Schrödinger（SDGR）則以物理模擬、機器學習、軟體授權和自有藥物管線並行。兩者都是觀察 AI 監管成本如何進入商業模式的合適標的。 但它們與「AI 副局長」沒有已公開的直接合作或利益關係。標記 RXRX、SDGR，只代表文章討論的產業樣本，不代表政策受益股。 ──────────────────── 🇹🇼 五、台灣公司不能只講「我們也有 AI」 台灣新藥公司若要與美國夥伴合作，至少要準備五套答案：資料是否有權利使用、訓練與驗證族群是否代表目標患者、模型在決策鏈中的位置、版本變更如何控制、人工何時介入並負責。 這些工作會影響盡職調查。買方會先看模型跑多快，再問輸出能否被第三方重現、失敗資料是否保存，以及換資料或換版本後效能會不會漂移。 目前沒有 FDA、HHS、台灣公司公告或其他一級來源證明本事件與特定台灣上市櫃公司有直接合作、授權或訂單。因此本篇不建議硬加台股標籤。若平台要標股，建議僅用 `RXRX`、`SDGR`，且關閉股價走勢圖。 這不是放棄台灣角度，而是把觀察點放在真正可驗證的位置：哪家公司能在合作或申報文件中清楚揭露模型的使用情境、資料治理與監管溝通，哪家公司才有資格獲得平台溢價。 ──────────────────── 📐 六、把 AI 合規成本放進估值，而不是只算省下多少實驗 AI 平台常用「縮短發現週期」描述價值，但投資模型要計算的是淨效果。 前端效率可以拆成三項：少合成多少無效分子、少做多少低價值實驗、候選進入開發的時間是否縮短。後端成本則包括資料清理、第三方資料授權、模型驗證、版本凍結、品質文件、資安、監管溝通與模型更新後的再驗證。 如果模型只提供早期探索建議，後端成本較低，能否提高候選品質仍要看人體資料。如果模型直接進入患者分層、臨床終點或製造控制，價值可能更高，監管成本與責任也同時放大。 因此，AI 平台的合理估值不應只用「傳統研發成本減去 AI 節省」計算。更接近現實的做法，是把成功資產的風險調整價值，加上可重複軟體或合作收入，再扣除證據維護成本與臨床失敗風險。 這個框架也能解釋為什麼一份清楚的 FDA 指南可能同時提高與壓低估值。對已建立資料治理與品質系統的公司，規則清楚會降低交易摩擦；對長期把模型當黑盒子的公司，新要求會把過去沒算進去的成本一次浮上來。 ──────────────────── 🤝 七、BD 買方會把平台溢價問到哪裡？ 一顆 AI 發現候選藥進入授權談判時，買方首先仍看傳統問題：靶點、分子、毒理、製造、臨床與競爭格局。AI 的角色只有在能降低下一個資產的不確定性時，才會形成平台溢價。 盡職調查可能會追問：訓練資料是否具合法使用權；模型是否在外部資料集重現；失敗候選有沒有完整留存；人工何時推翻模型建議；合作方能否重跑關鍵分析；模型更新會不會改變已提交的結論；若 FDA 要求補做驗證，成本和責任由誰承擔。 這些問題最後會落進契約。資料與模型的使用權可能影響合作範圍；版本控制與監管責任可能影響首付款；是否能在第二個靶點重現，可能成為里程碑；第三方模型或資料授權若不可轉讓，也可能削弱交易價值。 所以真正可交易的 AI 平台，不是一次猜中分子的故事，而是一套買方能接手、能稽核、能帶進全球開發的工作系統。 ──────────────────── 📊 八、三種情境，決定監管清晰度是否真的變成收益 樂觀情境是，公司已把資料、模型、實驗與品質系統連成閉環。FDA 要求變清楚後，合作方更容易理解風險，監管補件減少，平台在多個專案重現，後續里程碑與續約開始發生。 基準情境是，規則提升了溝通效率，但候選藥仍按一般臨床成功率前進。公司得到的是較低的程序不確定性，不是更高的生物學成功率；估值應由人體資料而非政策新聞驅動。 負面情境是，模型缺乏可追溯資料或依賴不可轉讓的第三方資源。監管要求一提高，公司需要補建文件、重做驗證，現金消耗反而加快；合作方也可能只買單一資產，不願支付平台溢價。 RXRX 與 SDGR 最值得追的，並不是哪一天被市場貼上「FDA AI 受益股」，而是合作收入能否重複、候選能否跨過人體與關鍵試驗，以及現金支出是否換來更成熟的證據。 ──────────────────── 📌 九、四個下一步，決定估值能不能上修 ① 人事：FDA／HHS 是否正式發布 AI 副局長職位、權限與任命。沒有公告前，不把傳聞算進政策確定性。 ② 規則：藥物 AI 模型可信度草案何時定稿，七步框架是否保留。 ③ 產品：生成式 AI 醫材公開徵詢在 2026 年 10 月 19 日結束後，FDA 是否提出具體上市前與上市後要求。 ④ 公司：AI 藥企是否拿出正式臨床、監管或合作證據，證明模型改善的不只是速度，而是候選品質、決策成功率或可重複收入。 財報端則可搭配三個指標：合作收入中有多少來自後續里程碑而非一次性首付款、研發費用增加是否對應更成熟的臨床資產、現金跑道能否支撐到下一個人體或監管讀出。政策新聞只能改變折價率，能否真正上修價值，仍要靠公司把支出換成可驗證的里程碑。 ──────────────────── 🎯 結論：AI 審評不是免試，是把考卷改成可稽核 市場喜歡「FDA 設 AI 副局長」這種一句話就能交易的標題；一級來源目前還不支持這個完成式。 真正的制度變化比較不刺激，卻更重要。FDA 已開始要求 AI 模型回答：為什麼在這裡使用、錯了會怎樣、如何驗證、誰負責、改版後怎麼維護。 這會提高合規成本，也會淘汰只會展示模型、不會管理證據的公司。對能把計算、實驗、資料治理與監管溝通串起來的平台，規則清晰反而可能形成護城河。 AI 不會讓 FDA 降低新藥標準。 它只會讓市場更快看出，誰擁有真正可申報的能力，誰仍停在簡報裡。 — 主要一級來源：[FDA 領導名單](https://www.fda.gov/about-fda/fda-organization/fda-leadership-profiles)、[FDA 藥物 AI 模型可信度草案](https://www.fda.gov/news-events/press-announcements/fda-proposes-framework-advance-credibility-ai-models-used-drug-and-biological-product-submissions)、[FDA／EMA 良好 AI 實務原則](https://www.fda.gov/about-fda/artificial-intelligence-drug-development/guiding-principles-good-ai-practice-drug-development)、[FDA Elsa 公告](https://www.fda.gov/news-events/press-announcements/fda-launches-agency-wide-ai-tool-optimize-performance-american-people)、[FDA 代理式 AI 公告](https://www.fda.gov/news-events/press-announcements/fda-expands-artificial-intelligence-capabilities-agentic-ai-deployment)、[FDA 生成式 AI 醫材討論文件](https://www.fda.gov/news-events/press-announcements/fda-seeks-public-feedback-inform-regulatory-approach-generative-ai-enabled-medical-devices)、[RXRX 2025 Form 10-K](https://www.sec.gov/Archives/edgar/data/1601830/000160183026000039/rxrx-20251231.htm)、[SDGR 2025 Form 10-K](https://www.sec.gov/Archives/edgar/data/1490978/000149097826000010/sdgr-20251231.htm)。 本文為產業與資本市場資訊整理，不構成醫療建議或投資建議。「AI 副局長」仍屬未獲一級來源確認的媒體報導；指南、工具部署與公司平台不代表任何候選藥物必然成功或任何股票必然受益。