AI就能測試化妝品，能讓「白老鼠」永遠走出實驗室了嗎？|數位時代 BusinessNext

AI就能測試化妝品，能讓「白老鼠」永遠走出實驗室了嗎？

動物實驗對動物造成極大的痛苦，許多動物終其一生都奉獻給實驗，甚至不曾見過陽光，目前已經有科學家利用過往的資料，結合AI預測藥物反應，不僅能夠增加效率、節省成本，未來或許能讓「白老鼠」永遠走出實驗室。

科學醫藥需求下，大量動物被犧牲

據統計，每年全球約有1億1500萬隻動物被用在各種實驗中，以歐盟來說，在2011年就用了了1萬7896隻狗、3713隻貓、35萬8213隻兔、6686匹馬、6095隻猴子、67萬5065隻鳥、7萬7280隻豬、2萬8892隻羊、3萬914頭牛，以及超過100萬隻魚及850萬的齧齒類動物。

因為科學家不能恣意預測藥物的性能及反應，動物實驗室就成為現代藥品開發重要的基礎，在動物上取得的實驗數據，也為後期進入人體測試階段提供極大的安全性。不過動物實驗具有極高的重複性，以化妝品毒性測試來說，因為不確定毒性效果，必須重複的在動物身上給藥，往往讓動物承受極大痛苦，且實驗過程充滿未知，經常造成大量動物意外死亡。

然而在科學醫藥的需求下，這類動物的犧牲雖然被視為合理，若從生命的角度來看，過程不僅不人道，也造成極大的資源浪費。

AI毒性準確率，比動物實驗還要高

根據研究期刊 Toxicological Sciences最新一份報告指出，現在的技術已經可以根據過往累積的實驗數據資料，去預測藥物可能的反應。

藥物研發因為相當耗時，許多藥廠近年也都紛紛擁抱新科技，目前已經有28家大型醫藥公司、93家新創公司，投入數千萬美元研究如何將AI導入製藥以及新藥品測試。人工智慧公司Exscientia執行長Andrew Hopkins表示：「AI在設計以及化合物選擇上表現得更好，」最終可以減少實驗的次數「代表能節省更多的金錢以及時間。」Andrew Hopkins認為，目前在動物實驗中取得的數據多數儲存在資料庫中，基於生物學的複雜性，以及過去未能有效利用，如果能借助AI將這些數據加以利用，就能減少動物實驗。

研究團隊從2014年開始累積數據，總共蒐集1萬種化學合成物，透過AI針對這些物質進行86萬次的測試，最終得出分子結構與毒性類型之間的關係，可以知道該物質對於DNA、皮膚會造成什麼影響。最終結果顯示，AI測試得到的毒性準確率為87％，動物測試的準確率則為81％，可以說在某些情況下，AI的準確度已經與動物實驗好上許多。

動物實驗仍有其優勢

不過這個實驗的結果，真的就代表AI可以就此取代實驗用動物嗎？從上述例子來看，實驗團隊光是要做一種毒物測試，就花了將近四年的時間準備所需要的數據以及實驗，先不用說每一年有多少新藥在研發、實驗，如果該藥品需要進行多種毒性測試，甚至比較高階的藥物需要更多複雜的數據，那麼整個累積資料庫數據的前置工作就會被拉得很長。

另外，之所以會使用在生理特徵上與人類相似的動物來實驗，是因為人體組成非常複雜，許多的副作用、反應、過敏，往往是在實驗室中無法預測的，AI能在數據的基礎上完美的分析資料，但反過來想，這會不會讓AI束縛了動物實驗可能發現的意外反應呢？

當然，將AI導入藥品研發不單單只是為了人道原因，研發效率提升、成本降低或許才是更大的誘因，動物實驗仍存在其獨特的優勢，然而就由AI的加入，或許可以減少實驗用動物的犧牲數量，在人道、科技發展間取得平衡。

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。