製藥公司為尋找替代動物實驗方案的先驅者
製藥公司在藥物開發中大量使用動物實驗來確保藥物的安全性與有效性。相比其他行業如工業化學品、消費產品或食品，製藥業的前期測試更加依賴動物實驗。但由於市場壓力和巨大的研發投入，成功開發一款藥物的成本高達 26億美元，也積極採用替代技術以減少動物使用。公司重視開發速度和人類相關性，而非單純依賴傳統動物測試。儘管法規嚴格，現監管機構允許在有替代方法時放棄動物實驗。製藥公司逐漸採用組學技術來分析藥物作用機制，進一步減少動物需求，在加速藥物開發、提高預測準確性及降低成本方面動力十足。
使用 AI 模型在醫藥領域的具體成效
2020 年 1 月，Google DeepMind 的 AlphaFold 系統在研發 COVID-19 疫苗的過程中發揮了關鍵作用，同年三月提供了蛋白質折疊結構的精確預測，這對於理解病毒的工作機制並進行疫苗設計至關重要 。
作為全球最大的製藥公司之一，美國安進使用 NVIDIA 的 DGX 雲端平台和BioNeMo 技術來加快蛋白質大語言模型（LLM）的訓練和分析。透過多台電腦同時進行訓練，他們在四週內完成了原本需要三個月的工作，並將後續分析速度提高了 100 倍。這樣的技術使得他們能在虛擬環境中進行模擬實驗，減少了早期藥物研發對動物實驗的依賴，幫助安進更快進行生物學研究，開發出更有效的藥物，顯著提升了工作效率和產出。
AI 模型在毒理學中可以通過生成替代動物實驗數據來評估化學物質和藥物的安全性。生成對抗網路（GAN）模型，如 AnimalGAN，能夠學習過去的動物實驗結果，並生成模擬的動物數據。AnimalGAN 被用來模擬 38 個大鼠的臨床病理指標，在肝毒性評估中表現出與真實數據相似的結果，甚至優於傳統的 QSAR 方法。
2023 年亞洲毒理學會國際大會演講邀請到 FDA 國家毒理學研究中心 (NCTR) 生物資訊與生物統計部門的 Joshua Xu 博士，他以「FDA 推動替代方法的開發，以促進藥物安全評估的進展。」為題。會議中他對 AnimalGAN 以更簡潔的方式舉例說明 AI 模型的準確度比動物實驗來得高。FDA 把這幾年內申請進入動物試驗或人體試驗的新藥丟給 AI 老鼠模擬，同時進行動物與人體臨床安全試驗，結果顯示動物與人體臨床安全試驗的有效性約 60%，而 AI 老鼠的有效性在 75% 以上。這樣的 AI 工具幫助推進全球動物實驗的替代、減少和改進（3Rs）努力，減少了動物實驗的需求。
AI 真的無所不能嗎？
人工智慧在各個領域的技術應用前景廣闊，似乎無所不能。然而，即便是強大的 AI 也有其「弱點」，就像超人之於氪石一樣。而目前 AI 面臨的其中一個問題就是「偏見」。透過 AI 選美事件，我們可以一窺為何機器學習系統會顯現出對白人的偏好。
Youth Laboratories 聯合微軟和 Nvidia 舉辦了一場 AI 選美比賽，吸引了全球 60 萬人參賽。比賽的評判標準看似公平，根據面部對稱、皺紋數量以及外貌年齡進行評分，卻未將膚色納入考慮。8 月公佈的結果卻令人震驚：44 位「最具吸引力」的選手中，除了 6 位亞洲人，其餘全是白人，只有一名深色膚色的選手入選。為什麼會出現這樣的結果？原來，這些演算法依賴深度學習技術，然而它們所使用的數據庫，往往無意中延續了人類長久以來的偏見，最終讓這場本該公平的競賽成了另類的不公。
Youth Laboratories 的首席技術官提到，他們的數據庫中白人的比例遠高於印度人，這可能導致演算法出現偏見。此外，比賽參賽者中大部分（75%）來自歐洲且為白人，印度和非洲的參賽者比例相對較低。演算法可能因為訓練數據庫中缺乏這些族群的樣本，無法準確評估他們的美貌
Stable Diffusion 是一款生成式 AI，當根據文字提示生成圖像時，經常顯示出明顯的性別和種族偏見。研究指出，大多數 CEO 圖像是白人男性，而女性則很少被描繪為專業人士如醫生或律師。深色皮膚的男性常被描繪為罪犯，而女性則從事低薪工作，這樣的偏見比現實中的性別與種族差異更為嚴重。為了了解這些偏見，彭博社利用 Stable Diffusion 生成數千張圖像，涵蓋高薪和低薪職業及犯罪場景。透過實驗分析發現，高薪工作產生的圖像集以淺膚色的主體為主，而深色膚色的主體更常見於「速食工作者」和「社工」等提示。這些工具的偏見不僅會進一步強化刻板印象，阻礙平等代表的進展，還可能導致不公正的處理。
Garbage in, garbage out！餵入錯誤的資料得到無意義的結果
人工智慧的偏見大多來自它所學習的數據和算法設計。當 AI 從含有社會偏見的數據中學習時，它會延續這些偏見，強化刻板印象，甚至影響現實中的決策。即使數據本身看似無偏見，AI 的統計算法仍可能忽視邊緣群體的需求，進一步加劇不平等。AI 的偏見有很多種，以下列出幾項常見的偏見參考。
演算法偏見：問題設置不準確，導致錯誤資訊。
認知偏見：人類的偏見無意間滲入數據或模型。
確認偏見：依賴已有偏見，無法識別新模式。
排除偏見：重要數據被忽略，導致偏差結果。
測量偏見：數據不完整，忽視整體群體。
外群同質性偏見：對外群體的理解不足，導致分類錯誤。
刻板印象偏見：強化錯誤刻板印象。
AI 偏見造成醫療不平等
AI 和機器學習系統中的偏見加劇醫療中的不平等和歧視。圖中的四大區塊分別說明了各類問題：首先，現實中的健康不平等，包括資源分配不均、歧視性的醫療流程以及有偏見的臨床決策；其次，數據中的偏見，強調採樣偏差和數據偏見如何影響 AI 模型的訓練；接著，偏見的 AI 設計與部署，指出不公平的系統設計和測試可能加劇問題；最後，應用中的不公正，展示 AI 技術可能會加大數位鴻溝，進一步擴大全球健康不平等的問題。這些元素共同突顯了當前技術和醫療結合時面臨的偏見挑戰。
如何消弭 AI 偏見?
AI 偏見並非技術本身的缺陷，而是源自我們提供的數據與模型設計。為了減少 AI 偏見，首先，選擇多樣化的團隊來開發 AI，確保不同背景和觀點的參與，避免無意識的偏見滲入系統。其次，使用平衡且代表性強的數據來訓練 AI，並在數據處理的每個階段謹慎避免偏見的引入。除此之外，持續監控 AI 模型的運作情況，主動通過實際數據測試模型的公平性，及早發現並糾正問題。
好消息是，AI 技術的研究者、開發者、企業和政策制定者正在共同努力，識別和糾正 AI 系統中的偏見問題，以及推動全球範圍內關於 AI 道德和責任的討論，確保 AI 的發展能夠更公平和透明地進行。像 Partnership on AI 這樣的組織，由技術和教育領導者組成，正在致力於推動 AI 負責任的使用和發展。因為 AI 的負責任使用不應該被視為僅僅是一組任務，而是需要我們從根本上改變人們的思維和行為，並且要立即行動。換句話說，既然 AI 是人類的鏡子，那麼我們有責任確保它反映的是我們最好的一面。
有一個成功例子分享，2022 年，芝加哥大學的一項研究，受美國國防高等研究計劃署（DARPA）贊助，與警方合作開發了一種新型演算法模型，該模型能糾正執法中的偏見，並以 90% 的準確率預測未來一周某地區的犯罪情況。該模型基於暴力和財產犯罪進行訓練，並應用於洛杉磯、費城和舊金山等城市的數據。研究團隊通過數千個社會學模組來計算特定時間和地點的犯罪風險，從而提升模型的準確性並有效減少偏見。
國家、社會、個人的行動投入，減少實驗動物的數量
台灣農委會農業藥物毒物試驗所在 2023 年 3 月宣布，攜手國家衛生研究院及台大獸醫學系組成研發團隊，打造亞洲首個以人工智慧評估農藥產品致敏性的平台——「皮膚過敏性評估人工智慧演算平台」，過程完全不需動物實驗，每次試驗可減少 30 隻小鼠犧牲；測試期程也大幅縮短，過去一次試驗需耗時三至五週，透過平台可在四天內完成測試。
在台灣所有進行動物實驗的機構，如大學、研究所和製藥公司，都必須設置 IACUC。台灣的實驗動物照護及使用委員會 (IACUC) 是根據《動物保護法》設立，起源於 2000 年代初期，旨在監管和審核涉及動物實驗的研究計劃，確保其符合倫理標準並推廣 3R 原則（取代、減量、精緻化），監測實驗的合規性和改善實驗過程中的動物福利。
美國政府與美國人道協會共同救助將被送往實驗室進行藥物實驗 4000 隻小獵。該協會成立於 1877 年，致力於保證動物安全的組織。起因是生物科技業者 Envigo，被指控該機構有虐待犬隻的情事，比如餵給狗狗吃的食物含有蛆、糞便，放任狗狗在雜亂的環境下互相鬥毆、撕咬而身亡。此業者在維吉尼亞州設置了坎伯蘭機構（facility in Cumberland），專門收容米格魯犬進行生物和藥物實驗。先前該機構已被農業部、司法部指控違反動物福利法令，也遭動保團體譴責動物實驗極度不人道，2019 年美國美國參議員試著關掉關掉此地方，但沒有成功。經過持續努力之下，這家機構在訴訟後，2022 年 07 月宣布關閉此地需要從事動物福利法許可的活動。
各領域專家持續開發可以替代動物實驗的技術，現階段動物實驗相關的發展有炙手可熱的 AI 領域發展，也就是電腦運算模型，另一個就是體外系統的建立，如器官晶片、幹細胞的技術、組織工程、高通量技術等等。有興趣的讀者，可以再往這幾個領域做更深入的探討。
個人方面可透過選擇使用「純素」保養品或彩妝做起，意思就是這些產品完全不做動物實驗以及不添加任何動物衍生成分。歐盟在 2013 年即禁止美妝產品全面禁止動物實驗，除了不能以動物實驗來測試化妝品，也不能使用經過動物實驗的原料。台灣在 2016 年即頒布，化粧品製造、輸入或販賣業者國內進行化粧品或化粧品成分之安全性評估，均不得以動物作為檢測對象。2019 年新增 8 項配套條款，加強動物實驗的管制方法，違規者將處以罰款。我們可以從外包裝的零殘忍標章或無動物實驗標章來選擇產品，以下列出常見的幾款標示，提供讀者做選擇。
終結動物實驗不能循序漸進，應該是全力推動
Emma Grange，聲援團體「國際無虐待動物」 (Cruelty Free International )的科學與法規事務主任認為，「應全力推動逐步淘汰動物實驗。她表示，目前還不清楚新技術如 AI 是否能真正終結動物實驗，而不是僅僅減少或優化這類實驗。」然而，她強調，「將動物作為保護人類健康和環境的模型已是過時的科學，希望最終 AI 能協助轉向完全不依賴動物的測試或實驗。」然而，也會有其他的聲音出現，如「動物實驗是必要的，未來的某一天將會找到更好的方案替代」、「即使有替代方法，真實生物的體內反應也很難完全 100% 模擬出來」，正反兩方的辯論都有其堅持的立場。
《動物解放》 (Animal Liberation) 一書的作者 Peter Singer 在他的書中有兩個核心思想基於「效益主義」 (Utilitarianism) 和「物種歧視」 (speciesism)。效益主義的角度來看，我們應該關注所有有感知能力的生物的痛苦和快樂，而不是根據物種來劃分道德關懷的界限。物種歧視的存在正是因為人類將自己的利益置於其他物種之上，忽視了動物作為感知個體所應該擁有的基本權利。筆者支持 Peter Singer 提出的主張，人與動物皆是具有感知痛苦與快樂的個體，其利益應該平等對待與重視。
— 文 動物權特約記者 李鈺珊
______________________________
台灣友善動物協會的每項倡議都基於科學調查，專業的研究讓我們的聲音更具公信力，進而推動社會進步。為了保持調查的獨立與公正，我們拒絕來自政府和財團的捐款。協會只仰賴公眾(及少數中小企業)的小額捐助。誠邀各界支持我們，攜手為動物權益奮鬥，您的贊助是推動這場運動的重要動力。
