从传统筛选到Transformer生成式模型，AI医疗药物发现行业经历了从判别式AI到生成式AI的关键技术拐点。早期以计算化学和高通量筛选为主，随后机器学习、深度学习逐步引入，而Transformer等生成式模型的崛起，标志着AI从“分析现有数据”转向“生成全新数据”，大幅改变了药物发现的效率与模式。
从判别式到生成式：技术的核心拐点
AI医疗在药物发现领域的技术演进，本质上是从判别式AI到生成式AI的跃迁。判别式AI擅长学习输入与输出之间的映射关系，在图像识别、分类等任务中表现优异，例如分析疾病影像、预测疗效。而生成式AI则能够生成全新、潜在的数据样本，其能力可以以多种方式扩展。在药物发现环节，生成式AI的引入意味着AI不再只是“识别”已知分子，而是可以主动设计新分子结构，这构成了行业的关键技术拐点。
Transformer模型与生成式AI的应用
在研发生产制造环节，目前AIGC相关的应用更多集中在药物发现领域。例如，生物制药企业构建Transformer等生成式模型来预测结构、发现药物；CRO企业则在已有数据基础上训练生成式语言模型，以更好地服务临床。Transformer模型凭借其强大的序列建模能力，成为生成式AI在药物发现中的核心引擎，能够处理复杂的分子结构数据，生成具有潜在药效的新分子。
当前阶段与未来方向
当前AIGC在医疗领域的应用仍处于起步阶段，成规模的应用主要在聊天机器人领域。医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集将是专业化模型的关键。未来，高价值工作流程将由专门的人工智能系统主导，通用大模型通过专业化调整，有望在药物发现等复杂场景中实现更精准的突破。
常见问题
判别式AI和生成式AI在药物发现中分别扮演什么角色？
判别式AI主要用于识别和分类已知分子，分析药物与靶点的相互作用；生成式AI则能生成全新的分子结构，主动设计候选药物，两者在药物发现流程中形成互补。
Transformer模型为何在AI药物发现中备受关注？
Transformer模型擅长处理序列数据，能够有效学习分子结构的复杂关系，生物制药企业已利用它来预测分子性质、生成新结构，从而加速药物发现过程。
AI医疗在药物发现领域的应用目前处于什么阶段？
当前AIGC在医疗领域的应用整体处于起步阶段，但生成式模型已在药物发现环节展现出潜力，随着高质量数据和用户反馈的积累，专业化模型有望进一步推动行业变革。