AI 药物发现目前主要替代的是速度和成本，而非决策质量，行业转向以有效性数据驱动的关键拐点，取决于高质量临床数据积累、算法突破以及首个完全由 AI 设计的药物完成全流程验证的到来。
当前局限：替代量度而非有效性
AI 在药物发现上的作用仍局限在速度和成本上，而不是决策的质量。例如，当前过多使用替代量度（如靶点活性），而不是与有效性或安全性直接相关的数据结果。将配体-蛋白质活性、靶点识别以及 PK 性质等进行综合考虑，依然是所面临的一大挑战。
行业关键节点回顾
- 2012年深度学习兴起：深度学习技术开始在图像、语音等领域取得突破，为后续 AI 应用于生物医药奠定算法基础。
- 2018年AI制药热潮：资本大量涌入，AI 药物研发公司纷纷成立，行业进入快速发展期。
- 2020年代临床失败案例：多个 AI 设计的候选药物在临床试验中未能达到终点，暴露出替代量度与真实疗效之间的鸿沟，促使行业重新审视数据质量与反馈周期。
- 2021年AlphaFold 2：解决了蛋白结构预测问题，精度与实验相当，启发了基于深度学习的蛋白质设计新方法，为 AI 在蛋白质工程领域打开新局面。
拐点何时到来？
根据三个“AI ready”标准（丰富的人类经验、经验可被量化、有分级反馈），药物开发距离广泛使用 AI 仍有一段距离。目前 AI 药物研发处于发展初期，技术上仍面临数据、算法和专业人才挑战。关键拐点可能出现在以下条件逐步成熟时：
- 首个 AIDD 药物完成从发现到获批上市的全流程验证，获得科学界和资本市场认可。
- 高质量临床有效性/安全性数据大量积累，替代量度被更直接的疗效数据取代。
- 算法能够处理高维生物特征，实现“反直觉”但更本质的发现（如蛋白质设计中 AI 已能做到）。
常见问题
AI 药物发现目前最大的瓶颈是什么？
最大的瓶颈是数据。生物医学领域高质量数据缺乏，数据孤岛问题严重，且药物研发反馈周期长，导致 AI 难以获得足够有标签的数据进行有效训练。
AI 在蛋白质设计领域比人类强在哪里？
以 GPT 为代表的大模型在蛋白质设计上已经完全碾压了人类。AI 能发现违背人类直觉但有效的优化点位，利用高维向量描述蛋白质特征，抓住更本质的因素，而人类经验往往只有相关性而非因果性。
第一个 AIDD 药物何时能跑完全程？
目前尚无明确时间表。AI 的快与制药的慢存在矛盾，在第一个 AIDD 药物完成从发现到获批上市的全流程验证之前，科学界和资本市场都很难完全承认 AIDD。这需要算法、数据积累和临床验证的持续突破。