☰

AI驅動的下一場創新革命：人類創新的極限與挑戰

圖片來源 : shutterstock、達志影像

※如欲轉載本文，請與北美智權報聯絡

李淑蓮╱北美智權報　編輯部

在科技日新月異的今天，「創新」依舊被視爲人類經濟與社會進步的最強引擎。然而，一份由麥肯錫（McKinsey）於2025年6月發表的報告《The next innovation revolution — powered by AI》 (下稱《報告》) 卻提出警訊：雖然科技正以前所未見的速度發展，但真正推動生活大幅改善的「好點子」卻愈來愈難尋，研發生產力甚至在多數產業呈現長期衰退。

《報告》不僅縝密追溯了人類經濟與健康指標數百年的演變，更深入分析當前全球研發投入回報率下降的具體態勢，並首度提出AI有潛力全面扭轉研發曲線，爲未來帶來高達數千億美元的新經濟潛能。

創新正面臨被忽視的危機

從宏觀歷史角度來看，人類的生活水準直到18世紀末以前幾乎停滯數千年。報告以人均GDP作爲衡量指標，發現自公元1年到1800年間，全球人均GDP始終在約1,200美元徘徊。直到工業革命啓動，蒸汽機、內燃機和電力的大規模應用，才使人均GDP在短短200年間成長超過14倍。人類健康改善的軌跡也極爲類似：1900年全球新生兒平均預期壽命僅32歲，到了2021年已達71歲。

推動這些翻天覆地改變的，是一連串關鍵性的科學發現與工程落地應用。《報告》特別點出，蒸汽機不僅帶動工廠與交通革命；疫苗從根本扭轉了人類面對小兒麻痹、麻疹與天花的脆弱，單在過去50年間就降低了40%的嬰兒死亡率；集體電路與光纖更開創了網際網路時代，徹底改變全球貿易與資訊交流樣態。

然而，這樣的創新軌跡如今卻遭遇一項不容忽視的挑戰：在各種領域，研發正變得更困難、也更昂貴。

研發生產力的下滑：跨產業的系統性現象

麥肯錫《報告》大量引用了史丹佛教授Nicholas Bloom等經濟學家對「研發投入回報率」的研究成果，證實了幾個關鍵產業的確呈現研發生產力長期衰退的明顯軌跡，分述如下：

在半導體領域，雖然摩爾定律（Moore’s Law）「每兩年電晶體密度翻倍」仍推進晶片性能大幅增長，但卻是以驚人的研發成本爲代價。Bloom等人追蹤了1971至2014年期間的半導體產業實質研發支出，發現要維持摩爾定律所需的年度研發投入，實際上增長了18倍。換言之，今天所見的晶片密度翻倍，不再只是單純技術演進，而是必須透過龐大的資金灌溉才勉強維持。

圖1. 1971 年至 2014 年經調整的半導體研發支出*倍數（因子成長）；*名目半導體研發支出因高技能工人的名目薪資而減少。資料來源：Nicholas Bloom 等人，“Are ideas getting harder to find?”，《American Economic Review》，2020 年 4 月。

在製藥領域情況更甚。《報告》引用Jack Scannell提出的「Eroom’s Law」（Eroom爲將Moore倒過來寫）來形容藥物研發效率的逆向發展。他們發現，自1950年至2011年，每10億美元研發投入所帶來的新藥批准數量約每9年就減半，累積下來等於80倍的生產力滑落。即使近十年略有穩定，整體趨勢仍未根本扭轉。

圖2. 1950-2023年，每10億美元通膨調整後研發支出中的創新藥物數量（對數刻度*）；*使用對數刻度來表示指數衰減。資料來源：2012 年和 2015 年《Nature reviews》、美國藥物研究與製造商協會 (PhRMA) 會員公司研發支出；麥肯錫分析。

這種投入與產出落差的現象，還擴散到農業、化工、複合材料等領域。作物單位面積高產化所需的研發資本越來越高，而跨美國整體上市公司層級的分析顯示，營收、員工數、市值與單位生產力對應的研發生產效率，普遍也在下滑。

整體而言，這並非單一產業短期循環問題，而是橫跨多領域的長期結構性挑戰。

AI如何徹底改寫研發曲線？

麥肯錫《報告》隨後提出最關鍵的核心：雖然研發變貴、變難，但AI、尤其是生成式AI與代理模型（surrogate models）正在開啓扭轉曲線的新可能。他們從三個主要路徑拆解AI如何具體重塑研發流程。

傳統研發多仰賴工程師、科學家根據經驗與直覺提出「具創意」的設計方案，再逐步收斂。然而生成式AI（例如訓練在分子結構、蛋白質摺疊、化學反應或電子電路的大型模型）能在幾小時甚至幾分鐘內，產生數百甚至數千種潛在設計構想，顯著增加創新空間。

《報告》引用零售業案例，指出一家零售商利用生成式AI創造數十種高精度3D店面佈局圖，超越設計師原本僅能手繪5至6張草圖的限制；更意外的是，AI還自動填充了一些未被設定但顧客極爲偏好的裝飾細節，意外開啓新設計靈感。

在科學領域，華盛頓大學David Baker團隊使用深度學習設計前所未見的蛋白質結構，不僅突破自然界的生物限制，更被應用於新型疫苗與環境污染物降解，爲此，Baker與團隊於2024年共同獲得諾貝爾化學獎。

在許多工程設計環節中，傳統需依賴計算流體力學（CFD）、有限元素分析（FEA）、電磁場模擬（CEM）等高精度物理模擬，但這些通常需要數小時甚至數天的超級電腦計算。如今，AI神經網路將訓練爲預測模型（即代理模型）後，可在幾秒內完成同樣預測。

例如DeepMind利用AI替代氣象超算進行天氣預測，不僅在單顆AI加速器上可在8分鐘內完成傳統需數小時的模擬，還在部分指標上更精確。《報告》指出，類似技術已被應用於飛機風洞數據訓練的神經網路，使工程師能短時間內模擬數百種飛行條件，進而最佳化渦輪葉片與天線設計。

AI還廣泛應用於前端需求探索、文獻統整、內部知識管理與自動生成報告等層面。例如許多消費品企業利用LLM分析數百萬則顧客評論與社羣對話，快速歸納未被滿足的需求；在高度監管產業如藥物與航太，AI可快速生成與編校繁瑣的合規檔案。

更進一步，生成式AI已被設計爲可主動執行多步驟流程的「研發代理人」，例如自動規劃測試計劃、下指令啓動實驗甚至根據結果即時調整下一輪試驗參數。

圖3. 經濟潛在價值佔產業息稅前利潤的比重，%（範圍)；年度經濟潛力，10億美元（範圍）；研發支出，10億美元；研發強度，* %。*研發支出佔收入的百分比。資料來源：麥肯錫分析。

高達5,600億美元的經濟潛能：AI對各產業的研發加速效應

根據麥肯錫的經濟模型，AI若全面應用於研發，將對不同產業產生顯著但分佈不均的衝擊：

全體計算顯示，每年可望釋放約3,600億至5,600億美元的新經濟價值，對部分高研發強度產業而言，相當於兩位數的EBIT增幅。

讓AI成爲下一個創新黃金世紀的催化劑

《報告》最後強調，AI雖潛能無窮，但要真正轉化爲企業價值與人類福祉，關鍵在於企業能否同步進行組織「重編碼」：調整決策機制、建立AI模型核心能力、規劃人機共作新流程並快速擴大規模。如此才能讓AI不僅僅是提升效率的工具，而成爲打開下一個百年創新黃金時代的真正催化劑。

參考資料：

半導體科技雜誌(SST-Taiwan)總編輯

CompuTrade International總編輯

日本電波新聞 (Dempa Shinbun) 駐海外記者

日經亞洲電子雜誌 (臺灣版) 編輯

AI驅動的下一場創新革命：人類創新的極限與挑戰

相關資訊