生物医学数据孤岛长期存在，推高了AI医疗企业的数据获取成本，压缩了盈利空间。优化盈利模式的关键，在于避开数据需求大但标准化程度低的领域，转向蛋白质工程等数据相对可控、AI能力已被验证的成熟方向，从“烧钱买数据”转向“卖AI设计能力”。

数据孤岛为何推高AI医疗成本

药物研发领域虽然积累了海量信息，但未知的更多。人类对大部分蛋白质的功能、修饰变化及细胞信号通路的理解仍十分有限，而化学结构空间广阔，目前人类仅对约2亿个类药分子进行了实验表征。高质量生物医学数据缺乏，数据孤岛一直是难以解决的问题。

更关键的是，药物研发的反馈周期极长。药物在细胞体系的表现，迁移到小动物模型就有很大差距，再到人类个体更不相同。判断“好药”与“毒药”只能靠实验和临床反馈积累数据，这些数据积累成本高、速度慢、反馈周期太长，导致AI企业长期处于高投入、慢回报的状态。

盈利模式优化：聚焦蛋白质工程

AI药物研发目前整体仍处于探索阶段，AI在药物发现上的作用仍局限在速度和成本上，而非决策质量。但蛋白质工程领域则完全不同。2021年AlphaFold 2解决了蛋白结构预测问题，其精度可与实验媲美，并启发了基于深度学习的蛋白质设计新方法。

AI进行蛋白质设计的逻辑与人类不同，有些AI找到的优化点位违背人类直觉，却能切实提高蛋白质稳定性。在蛋白质设计方面，以GPT为代表的大模型已展现出显著能力。AI通用大模型提取的数据是高维的，精度更高、成本更低——这意味着企业可以凭借AI设计能力收费，而非为获取稀缺数据持续付费，盈利模式从“数据驱动”转向“能力驱动”。

常见问题

AI医疗企业是否都应放弃药物研发？

不是放弃，而是调整重心。药物研发流程极度漫长严谨，AI的快和制药的慢存在矛盾，在第一个AIDD药物跑完全程前，商业模式难获完全验证。企业可在药物发现和临床前研究环节利用AI优化速度与成本，同时将成熟的技术能力（如蛋白质设计）商业化，形成现金流支撑。

蛋白质工程的数据获取成本是否更低？

相对更低。蛋白质工程的核心在于对已有蛋白质序列进行学习与改造，在稳定性、结合力、催化活性等方向优化，数据来自已知蛋白质数据库及实验验证，比药物临床反馈的周期短、标准化程度高，更适合AI发挥高维特征提取的优势。

未来AI医疗盈利改善的驱动力是什么？

随着算法更新、算力突破及大数据发展，AI技术将深入应用到新药研发的各个环节，包括化合物合成、药效预测及自动化研发等。行业经验若能逐步满足“被量化、被定义成算法、有优劣分级”的标准，AI的普适性将提升，企业盈利模式也将随之成熟。