Transformer模型在药物结构预测中确实存在局限，这也折射出AI医疗行业整体面临的多重风险与不确定性：模型预测与临床转化之间存在明显差距，数据隐私与合规风险不容忽视，投资回报的不确定性也令市场保持观望。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，药物发现等环节的落地尚需时间验证。

模型预测与临床转化的差距

Transformer等生成式模型在药物发现环节被用于预测结构、发现药物，但模型预测能力并不等于临床疗效。判别式AI与生成式AI在医疗领域各有分工——判别式AI在识别疾病、分析影像、预测疗效方面追求更高准确度，而生成式AI更擅长生成全新数据样本。

医疗领域容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题。AI提供的建议和指导是否符合医学实践标准和规范，仍需专业医生进行质量检查和监督。从模型预测到临床落地，中间隔着大量可靠性验证与专业把关。

数据隐私与合规风险

医疗信息的敏感性决定了AI医疗必须严守合规底线。加强用户隐私保护，确保模型不会泄漏用户的个人信息，是当前重要的改进方向。谷歌推出大型医用语言模型Med-PaLM 2后，仍表示考虑到医疗信息的敏感性，技术要普及到普通消费者手中还需要一段时间。

医疗领域的应用需要基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规和伦理规范。高质量、用户反馈和专有数据集是专业化模型的关键，而这些数据的获取与使用本身就伴随着严格的合规要求。

投资回报的不确定性

从成本效益角度考虑，基础层、模型层的搭建适合有规模效应的大厂和平台，而创业公司更多在应用层探索。目前应用层创新还有许多问题需要解决，这也造成了当下投资人“观望”的局面。大部分相关创业公司仍处于早期轮次，包括天使轮、Pre-A轮和A轮。

常见问题

AI医疗的最大风险是什么？

模型预测与临床转化之间的差距是核心风险之一。AI模型在预测结构、发现药物方面有潜力，但医疗领域容错率低，AI提供的内容可能产生误导性回答，需要谨慎使用，最终仍需专业人士把关。

数据隐私问题如何影响AI医疗发展？

医疗信息高度敏感，用户隐私保护是AI医疗必须解决的合规问题。当前改进方向包括确保模型不泄漏用户个人信息，并引入专业医生进行质量检查和监督。

投资人为何对AI医疗持观望态度？

应用层创新仍有许多问题待解决，且医疗领域尤其需要高质量的专业化模型，这依赖高质量用户反馈和专有数据集，短期内难以大规模落地，因此投资回报存在不确定性。