不是每個 AI 革命都誕生在矽谷
矽谷是世界 AI 公司的中樞，但能顛覆產業的 AI 新創，卻未必都從那裡起步。
來自台灣的 TherapiAI，由一群 AI 專家與醫學專家共同創立，他們打造的 AI 平台，幫助生技廠、藥廠、CDMO（委託開發暨製造服務）節省原料、加速產線，讓製藥生產以十倍速運轉，不再被傳統繁瑣的流程拖慢。
生技製藥產業（biopharma）長年累積的結構性瓶頸很明顯：實驗數據分散、研發製程緩慢、專業人力斷層、法規文件往返繁複耗時。TherapiAI 想要解決的，就是這 4 大卡點。他們做的是一套瞄準 CDMO、CMC （化學製造與管制）的 AI 基礎建設，讓研發效率、製程參數、文件與合規流程上全面加速。
就像智慧型手機需要一套作業系統才能讓 App 彼此協作，TherapiAI 就像藥廠的「AI 作業平台」：把分散的數據串起來，把繁雜的流程自動化，把專家腦中的知識化成可重複使用的 AI agents。那些過去仰賴特定博士經驗才能往前推的工作，如今都能被加速、放大。
從法院跨入藥廠，奠定跨界的底層能力
Therapi AI 前身為網資科技（Akousist），由韓駿逸（Michael Han）在 2018 年成立。有趣的是，他們最初做的跟生技製藥產業毫無關聯，「我們之前負責的是全台 36 個法院的電子卷證人工智慧自動化」，韓駿逸解釋，以 AI 協助法院專業人員將大量例行的文件進行自動化，這是他們當時盡力突破的難題。
這段看似無關的經驗，意外成了 Therapi AI 打入生技製藥產業的關鍵能力。因為藥廠面對流程的挑戰，其實和法院非常相似：資料分散在 ERP、機台與實驗室系統；不同部門能看到的內容天差地遠；臨床與實驗的文件都是機敏資訊，不能外流。
網資科技在法院的案件中，打磨出嚴謹的態度與經驗，讓 AI 能在資料安全、資訊互通下能「代理」（agent) 專業人員執行例行的工作，這些都是製藥產線最缺的底層架構，也自然成為 Therapi AI 最核心的護城河之一。
不過，要理解這套 AI 基礎建設為什麼重要，就得先回到一個問題：CDMO 的痛點，到底在哪裡？
CDMO 的四大痛點：數據、製程、人力、法規
首先是最根本的數據孤島問題。在製藥現場，關鍵實驗數據往往被拆散在各種儀器、紙本紀錄，或不同部門使用的系統裡，不但格式彼此不相容，也難以在同一個平台上被完整比對。
其次，細胞與藥物製程的高變異性讓放大流程變得格外困難。這些流程對參數與環境極度敏感，任何細小偏差都可能讓價值數百萬元的實驗失敗。細胞在實驗室當中環境單純，但是進入大型反應槽後，所有參數都必須重新調整，藥廠往往得靠反覆試錯、增加原料批次，才能摸索出能讓產線穩定運作的製程。
第三個痛點，是高度依賴專家的人力瓶頸。
CDMO 的專案繁雜冗長，平均要花 18 個月才能簽下一份合約，大量流程都壓在少數資深VP、 BD、PM 身上。 以 PM 為例，CDMO 普遍面臨資深 PM 難找、流動率高、工作量極大等挑戰。更棘手的是，許多製程 know-how 掌握在博士手裡，一旦核心博士離職，整條線等於得從零重建。
最後一個最棘手的痛點，是資料的敏感性與法規壓力。
在 CDMO 裡，許多數據屬於高度機密，本質上就不適合放在公有雲裡。更深層的問題是，「整個產業普遍都有一個共同的誤解：以為導入 AI 的第一步，就是把所有資料集中起來」，韓駿逸解釋，「但資料集中化處理，又慢又昂貴，動輒數百萬元起跳，也不一定真的能用得好」。最後，多數藥廠明明知道 AI 能帶來助益，卻寧願維持現狀、不願冒險。
TherapiAI 在做什麼？打造生技製藥產業的 AI 作業平台
TherapiAI 的技術架構由兩個核心層次組成：底層的「知識層模型」與前端的「AI Agents」。在知識層，團隊將全球公開的資料，與 CDMO 內部生產數據進行整合，讓 AI 能真正理解製藥產業的高度專業內容。這樣的調整，讓這些模型變成藥廠的可信基座，也為後續的自動化與應用奠定底層能力。
在這個基礎上，TherapiAI 再往上打造能「真正執行工作」的 AI Agents。這些 Agents 的設計並非單一功能，而是對應製藥流程中三個彼此銜接的階段：研究、探索與應用。
首先，在研究（Research）階段，AI 必須做到「寧缺勿濫」。這段工作環境高度精準、容錯率極低，因此若模型沒有足夠資料支持，它會直接回覆「不知道」，避免產生錯誤推論，讓研究人員能把 AI 當成可信的資料夥伴，而非需要反覆驗證的黑箱。
接下來則進入「探索」（Exploration）階段，研究者不只是找答案，而是希望 AI 協助推論。此時 AI agent 會根據模型內建的知識與跨系統數據，提出可能的參數範圍、假設路徑或異常原因，協助研究者縮短實驗迭代周期。這是從「查資料」邁向「一起思考」的關鍵轉折。
最後在應用（Exploitation）階段，AI 開始正式「走進產線」，將研究成果轉為可操作的流程，例如執行細胞株篩選、自動生成合約、製程文件、GMP 報告與查詢 FDA 法規等，直接解決 CDMO 的痛點。
對製藥業者而言，研究端能更快收斂方向，製程端能以更少的原料找到穩定參數，法規端能縮短文件往返與補件時間。許多原本需要資深 PM 或博士層級人員反覆對照數週才能完成的任務，如今只需要幾分鐘便能生成初版，再由專家做判讀即可。
韓駿逸說，TherapiAI 的核心，是把大語言模型裡與產業無關的噪音全部去掉，只留下製藥領域真正需要的知識，並透過三階段的 agent 流程，讓模型不只會「回答問題」，而是能在研發與生產現場「真的把事情做完」。也正因如此，TherapiAI 提供的並非單點工具，而是一套能把整個開發週期壓縮至過去數分之一的 AI 基礎建設。
AI Agents 的真實應用：加速「魔法導彈」ADC 新藥開發、掌握法規變化
TherapiAI 的 AI agents，已開始應用在多項高度專業的場景。其中，最具代表性的案例來自近年備受關注的 ADC（Antibody–Drug Conjugate，抗體藥物複合體）新藥研發。由於 ADC 能在不傷及正常細胞的情況下精準遞送有效載荷，被視為癌症治療的重要突破，更有「魔法導彈」的美譽，授權交易動輒數十億美元。
在這個試驗密集、路徑龐雜的領域中，TherapiAI 開發了專為 ADC 設計而成的 AI Agent。研究人員透過自然語言提出問題後，系統會自動整合跨系統與跨文獻的資料，涵蓋抗體（Antibody）、連接子（Linker）、有效載荷（Payload）等核心元素，並整理牽動藥效與毒性的設計關鍵。這讓團隊能在早期階段看到不同策略的可行性，不必花時間反覆比對文獻與資料庫。
更重要的是，ADC AI Agent 會進一步指出後續可能需要調整的參數，協助團隊快速縮小方向。對藥廠與 CDMO 而言，這種方式能減少不必要的試驗輪次，大幅壓縮傳統需 2～3 年的前期探索期，更早跨入真正具商業價值的開發階段。
在高度敏感的法規領域，TherapiAI 以自家的 GMP AI Agent 挑戰過去仰賴人工的流程，協助企業即時掌握國際法規變化。
這套系統能即時搜尋、比對並解讀 FDA、ICH 等國際法規條文，並且自動偵測跨部門文件間的矛盾或缺漏，協助確保文件的一致性，避免因版本錯誤造成延誤。
同時， GMP AI Agent 也能透過內建的風險預測模型，模擬審查員可能追問的細節，並以「風險地圖」標示出高風險段落，讓文件在送出前就先經過一輪「預審」。
TherapiAI 目前已在台灣、日本及海外多間藥廠與 CDMO 落地，涵蓋 ADC 早期設計、細胞株篩選、自動化製程文件生成、及 GMP 法規比對等場景。部分客戶已將 AI agents 納入正式產線流程，用於跨部門協作與文件生成；也有客戶在導入後，主動提出新的需求，希望把更多核心節點從人工轉為 AI 自動化。這些合作讓 TherapiAI 逐漸成為製藥生產鏈上的重要作業層。
你賣的是「解決方案」還是「工具」？
許多深科技的新創在早期都有同樣的盲點：技術很強，但不等於價值會被自動看見；工具很多，但不代表客戶願意花時間自己組合。TherapiAI 也曾遇過同樣的瓶頸。
「當初我們從技術出發，期望客戶能自己操作」，韓駿逸表示，然而，大多數製藥廠商工作繁重，使得無法投入時間，自然也無法為「工具」付錢，因為工具強不強，和能不能解決現場的問題，是兩件完全不同的事。
後來，團隊意識到「專家需要的不是多厲害的工具，而是要直接解決他的痛點」，「我們在短短兩週內，把所有分散的工具收回來，不再賣技術，而是將技術變成能直接完成工作的 AI agents。」，韓駿逸表示，例如原本獨立存在的 OCR，就被拉上來變成 GMP 文件 AI Agent，一旦從「工具」變為能交付產出成果的「agent」，價值立刻被看見：客戶願意付費，也更願意導入。
客戶要的不是一個工具，而是一套能真正把研發、製程、文件與法規整合起來的底層能力；TherapiAI 做的不只是解決單一問題的工具，而是一整套重建整個生技製藥產業的 AI 作業平台。並不是每一場 AI 革命都以矽谷為起點。TherapiAI 這個來自台灣的團隊，讓人看見另一種未來的可能：下一個重要的產業突破，不取決於地圖上的座標，而取決於誰能把 AI 放進最複雜、最關鍵的現場。
