為什麼我們還沒看到醫療界的 iPhone時刻？從「風險結構」看醫療創新的死結
在科技產業裡，我們早就習慣摩爾定律帶來的紅利：手中的 iPhone 17 運算能力是十年前的數十倍，但實際售價扣掉通膨差異並不大。在這個世界裡，「更好、更快、更便宜」是預設選項，沒人會懷疑。
但一轉頭看醫療產業，卻會撞上一個令人困惑的「反摩爾定律」（Eroom’s Law，也稱為愛隆定律。是Jack Scannell 在Nature上提出的概念，巧妙又諷刺地將Moore 倒過來拼）：
儘管高通量篩選、生物技術等工具不斷進步，但新藥開發成本卻持續指數型上升——經通膨調整後，每大約 9 年就翻一倍。
如果再把鏡頭拉遠：今天我們看一次感冒或慢性病、排隊掛號、等待檢查的流程，跟二十年前相比，體驗並沒有iPhone 式的飛躍。相反地在多數已開發國家，醫療通膨遠高於經濟成長。
這是一個巨大的反差。
當年我在覆蓋醫藥產業、尋找投資機會時，常被一個問題糾纏：為什麼矽谷那套「Move fast and break things」的邏輯，一碰到醫療產業就完全行不通？我們到底要改變什麼，才有可能改寫這套系統？
很多人會說是因為法規保守、既得利益者阻礙，或是醫療本質的神聖性。也有人會說，醫療本來就是勞力密集型產業，社會越富裕，相對成本就會越高。這些都沒錯，但我希望能找到更深一層的原因。
如果先暫時把道德與情感拿掉，純粹從商業邏輯與風險結構來看，會發現醫療體系運作在一套完全不同的法則之上：
科技產業優化的是效率與體驗；
醫療體系優化的是容錯率與信任。
在這個體系裡，激勵機制幾乎一面倒地懲罰快、獎勵穩。這篇文章要談的，就是這套讓創新窒息的底層結構，以及在技術與環境都已經改變的時代，我們有沒有機會重寫規則。
▉ 不可逆的賭局：工程學 vs. 生物學的選擇權差異
從投資結構看，醫療創新的第一個死結是：這是一場幾乎無法中途修正的單次賭局。
科技業的本質更偏向工程學，是一個原理已知的世界：
程式碼跑不動，我們知道一定是哪裡寫錯了（只是要花時間找到）。也因為原理清楚，所以可以有效率地除錯、快速迭代：測試版、小更新、大更新、再到重大改版。
這種特性，讓科技公司在營運上天然就擁有很高的選擇權價值。你可以先推一個最小可行產品（MVP），再根據市場反饋調整、Pivot。修正成本低、時間短。
醫療產業的本質則更接近生物學，是一個高不確定、難以建模的混沌系統：
即便到了今天，人類對自身機體的了解恐怕還不到 10%。許多時候我們只知道結果是錯的，卻不知道錯在哪。開發新藥與醫材，常常比較像探索黑盒子，而不是組裝機器。
隨著 AlphaFold 預測蛋白質結構、以及合成生物學的發展，確實讓生物學逐漸工程化。但真正的癥結在別處：研發手段已經邁入數位時代，驗證與監管邏輯卻還停留在前工業時代，缺乏動態修正的機制。
結果就是醫療創新的投資結構，呈現出一種極端特徵：
你得先丟進去數億美元、五到八年的時間。然後等到三期臨床解盲那一天，才能打開信封，確認自己是贏家，還是會被遺忘的失敗者。
更麻煩的是，中間幾乎沒有 Pivot 空間。
在科技業，如果發現產品方向不對，下週可以更新版本，沒有人會怪你為什麼又改版。在醫療業，一旦三期臨床開始，你的實驗設計（Protocol）和藥物條件就被鎖死了。
發現劑量可能不對？對不起，你不能中途更改，只能把實驗做完，賭一把失敗率。或者直接砍掉重來，再耗五年。
技術如果在中途有新的劑型突破，也很難在已開跑的試驗裡更換，只能硬著頭皮跑完，祈禱競爭對手不要用這個「後發優勢」反殺你。
近年來雖然出現越來越多 adaptive trial、platform trial，試著在鐵板上鑽洞，讓實驗設計可以邊走邊微調，但整體仍是例外而非常態。
於是兩個世界的風險心態出現了根本差異：
* 科技業：Fear of Missing Out (FOMO)。修正成本低，最大風險是「沒跟上趨勢」，所以大家爭相推出 Beta 版，奉行「Fail fast, fail often」。
* 醫療業：Fear of Doing Harm。修正成本極高，就算是藥廠巨頭，也只能押在少數幾個專案上。一旦失敗，就是數億美元蒸發，還可能牽涉人命與賠償，決策自然極度保守。
工程世界當然也有 bug、技術債、錯誤架構決策，但多半是可逆、可控的錯；醫療體系面對的，則是更多不可逆、不能重來的人命賭局。
所以我們與其責怪醫療巨頭不夠創新，不如承認在這種單次賽局的報酬矩陣下，保守其實是理性的最優解。
▉ 隱藏的作業系統：不知道誰是客戶的市場與支付的詛咒
再把鏡頭拉到市場與支付結構，會看到另一個更難破解的詛咒：在醫療體系裡，每個人都像客戶，但沒有人真的是客戶。
在一般消費市場，如果產品又好又便宜，它自然會大賣；在醫療市場，它卻可能悄無聲息地死去。為什麼？
因為醫療市場存在嚴重的代理人問題（Principal–Agent Problem），每個關鍵角色在意的東西不同，甚至彼此衝突，導致價值與價格嚴重脫鉤。
這個市場有一個詭異的三角關係：
* 使用者（病患）：想要最好的治療，但沒有專業判斷力，通常也不是全額付款者。
* 決策者（醫師）：決定使用什麼藥，卻不用自己付錢，同時受到「防禦性醫療」（怕被告）的壓力。
* 付費者（保險/健保）：負責買單，最在意成本與財務永續，卻不直接承受療效或體驗。
用一句話總結：在醫療體系，真正會掏錢的不是感受到價值的人。
這種權責分離導致了一個結果：創新的買單者，其實是那套支付體系。不管是美國的保險代碼，還是台灣的健保給付規定，它們才是醫療界真正的「隱藏作業系統」。
在科技業只要能說服使用者，你就有營收。而且使用者能直接感受到產品好壞，不需要第三者背書。你的成功來自：「目標客戶買單你的產品與想法」。
但在醫療業，如果創新療法沒有對應的處置代碼或 DRG 給付，你在商業面就形同不存在。更麻煩的是，你必須在眾多利害關係人（Stakeholders）之間做選擇：你要主要說服誰？又如何盡量不踩到其他人的利益？
於是醫療創新的成功條件，變成：不只讓目標客戶買單你的產品，還得確保其他利害關係人「不跳出來阻止你」。
這就是為什麼我們看到無數精彩的 Digital Health、新流程優化 AI 工具，最後都卡在商業化：它們也許真的提高效率、改善體驗，但如果無法被翻譯成「支付系統聽得懂的語言」，醫院就沒有動力採用；或者它們站在支付方立場幫忙控管成本，卻犧牲醫師時間與彈性，最後在臨床端被軟性抵制。
醫療創新不僅要跨過科學的高牆，最後還得削足適履地塞進幾十年前設計出來的支付框架。這就像是要在古老的 DOS 系統上跑最新的 3D 遊戲，相容性本身就扼殺了大部分的創意。
▉ 充滿噪音的回饋迴圈：為什麼我們無法快速進行 A/B Test
科技業之所以進化快，還有一個關鍵：反饋迴圈（feedback loop）短、而且訊號乾淨。
醫療業則活在一個噪音滿溢的世界。就算跨過研發和支付關卡，學習機制本身也在為難你：反饋迴圈又慢又亂。
一個病人吃了藥之後變好，是因為藥？生活型態改變？安慰劑效應？還是基因體質本來就好？這裡面的干擾因子（confounders）多到數不清。
更麻煩的是反饋時間往往以「年」計算。慢性病或預防醫學介入（例如飲食、生活型態），效果可能要十年後才看得出來。
這代表醫療體系很難做真正快速的 A/B Test，沒辦法像軟體更新那樣，每小時對人體做小規模試錯。當然我們也注意到比較積極的改革者，希望推動使用替代性終點（surrogate endpoint）和數位生物標記，試著把回饋迴圈拉短一點——但那多半還是局部實驗。
這也解釋了醫療體系強烈的路徑依賴。
現行的醫療體制（新產品批准、醫院分科、轉診制度到保險模式）其實就是一套已經鋪好的鐵路系統。軌道鋪完之後，所有後來的創新只能在這條軌道上跑。你想把寬軌改成窄軌？那代表整個社會契約要重寫，成本高到沒有政治人物敢碰。
所以醫療改革多半不是推倒重來。我會形容更像是在舊骨架上不斷加違章建築——越蓋越複雜，效率自然越來越差。
對既有企業來說，這是一個「一旦鑲進骨架就穩賺不賠」的系統。只要你的產品被嵌入最底層流程，幾乎不太需要擔心競爭，可以長期享受超額利潤。
但對新進者而言，你得先投入更多資本、更長時間，才有機會撐出一個能自立自強的利基市場。
對老玩家來說，這是護城河；
對新創來說，這是堆滿白骨的城牆與壕溝。
▉ 看得見的墳場與看不見的代價：Type 1 與 Type 2 Error
最後所有這些結構，都被鎖在一種監管與價值觀的選擇裡：我們只嚴懲看得見的錯誤，卻默許看不見的錯失。
所有牽涉到公共安全的決策，都在兩種錯誤之間權衡：
* Type 1 Error（偽陽性）：批准了一個壞藥。病人受害、藥廠被告、監管機構被國會與媒體圍攻。這是「顯性風險」。
* Type 2 Error（偽陰性）：拒絕（或延遲）了一個好藥。本來救得了的人死去了，但沒人知道是因為藥沒被放行。這是隱性代價。
現行的監管體系（以 FDA 為代表），演化邏輯就是盡量避免 Type 1 Error。歷史上每出現一次醫藥醜聞，都會再加高一層圍牆（如 Thalidomide 案、以及 Frances Kelsey 的角色，後面又延伸出 Lenalidomide 的故事）。
道德上聽起來完全正確：「人命關天，寧可錯殺一百，不可放過一個。」
但從經濟與整體福利的角度，我們為此付出的機會成本極為驚人。當三期臨床成本被堆高到數億美元、樣本數動輒數千人時，代表只有兩種藥值得冒險：潛在市場極大（廣泛適應症）、單價極高（高毛利利基）。
這就是「看不見的墳場」。
針對利潤不高但能顯著改善生活品質的療法，往往在 Excel 裡計算 NPV 的那一刻就被殺死了。它們從未誕生，所以我們也很難為它們哀悼。
我們的社會，對看得見的受害者（被新藥副作用傷害的人）極度敏感，因而設計出一套高度防禦性的監管體系。但對看不見的受害者（被過高門檻擋在創新門外的人），卻幾乎視而不見。
對真正的突破式療法，市場當然仍願意給出巨大回報，腫瘤學等領域才會出現搶先上市的軍備競賽。但在平均值上，制度仍在用「你有沒有出事」來評價所有人，而不是「你救了多少人」。
這才是整個系統偏向 Type 1 Error 的關鍵。
我們用公平、安全的道德語言，遮蔽了一個冷酷現實：我們不願意為了加速創新，承擔哪怕一點點犯錯成本。
更值得問的是：現在我們手上有沒有新的工具，可以降低犯錯的風險、或讓犯錯的後果更可控？能不能把「可逆性（reversibility）」引進醫療體系，重新定義什麼叫安全？
傳統的新藥審批之所以昂貴且保守，是因為它是一張單程車票。藥物一旦上市，監管就像斷了線的風箏，很難追蹤實際效果。正是因為不可逆，所以我們必須在門口設下天價的柵欄。
但我們可以想像一下，在未來技術持續發展後，有沒有可能放寬數位孿生（digital twins）在註冊臨床應用的可能，或是建立另一條批准路徑，利用 Real World Evidence (RWE)，讓我們不再依賴那個昂貴且僵化的三期臨床作為唯一守門員，先讓藥物有條件上市，然後利用數位技術進行全量的上市後監測？一旦出現異常訊號，系統能快速反應，在傷害擴大前精準喊停（就像軟體快速改版一樣）。
我們不需要降低門檻，我們需要的是把犯錯的後果從「不可挽回的災難」變成「可控的波動」。這不代表降低標準，而是前後移位：少一點在上市前追求的完美，多一點在上市後持續監測與快速下架的能力。
這幾年監管機構其實也不是完全沒意識到問題。像加速審查、條件性批准、上市後再補做研究、甚至把 RWE 納入部分證據，都是在嘗試把指標從零風險幻覺，往現實世界拉回來一點。
但問題在於：這些多半是特例通道，而不是整個系統風險結構的重新設計。
▉ 從防弊到興利的典範轉移
回到一開始的問題：為什麼醫療體系的變革如此困難？
絕對不是因為技術不夠好。更可能因為我們試圖用一套「懲罰犯錯、無視錯過」的制度，去期待一個破壞式創新的結果。這在邏輯上是自相矛盾的（寫到這裡，再度深刻感受到，這個概念完全可以應用到「如何培養具有創新性的下一代」）。
如果不改變底層的風險結構，再多的 AI、再多的數位轉型，都只是在舊鐵皮屋上多刷一層油漆。
那我們能做什麼？
我認為真正的變革機會，不在於發明新藥，而在於依照風險收益的不同而採用新的驗證模式。例如我們是否能接受，對於癌症、罕病、末期疾病可以採用更積極的有條件上市模型？因為在這情境下，Type 1 Error 的代價遠小於 Type 2 Error。但反過來說，生活型態藥物（肥胖、睡眠、抗焦慮）仍需嚴格把關。這裡的區分當然是粗略的，真正重要的是療法主要在「救命」還是「優化舒適度」。
所以真正的問題其實不該是「為什麼還沒看到醫療界的 iPhone時刻？」，而是「我們憑什麼期待一個 iPhone 式的跳躍，卻又拒絕為它付出任何犯錯成本？」
這需要的不僅是技術，更關鍵的是社會契約的重新簽署——無論這場簽署是來自於理性的制度設計，還是來自於大眾對現狀不滿的衝撞。我們需要從追求零風險的迷思中醒來，承認「如果我們真的想救更多人，就必須允許系統在可控範圍內犯錯」。
科技產業教會我們最大的教訓，不是晶片的迭代速度可以有多快，而是：只有當犯錯的邊際成本夠低時，演化才會發生。
醫療產業的下一個摩爾定律，不會來自實驗室裡的試管，而會來自我們如何重新設計這套關於風險、信任與代價的遊戲規則。