生物医学数据缺乏确实是制约AI药物研发（AIDD）市场扩张的核心瓶颈，但突破路径已逐步清晰。当前AI药物研发整体仍处于发展初期，技术上面临数据、算法和专业人才三方面的挑战，企业商业模式也有待市场验证。不过，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，市场规模具备持续增长的动力。

数据缺乏如何制约AI药物研发

高质量生物医学数据的缺乏与“数据孤岛”问题，直接限制了AI在药物研发中的表现。对照行业引入AI的三个标准（丰富的人类经验、经验可量化、经验有优劣分级），药物开发领域距离“AI ready”仍有较长距离：

  • 人类经验不足：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，了解的只是冰山一角。AI的本质是复制并优化人类经验，如果人类对生物和化学尚未充分理解，就很难让AI去操作。
  • 数据难以量化：对健康和表型的定量测量刚刚起步，导致行业经验很难被数据化，短时间内难以用上AI。
  • 反馈周期过长：药物在细胞、小动物模型到人类个体的效果差异巨大，数据积累成本高、速度慢，AI缺乏足够的好坏分级来优化。

因此，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。不过，蛋白质工程领域正在打开新局面：AlphaFold 2解决了蛋白结构预测问题，达到了与实验相当的精度；以GPT为代表的大模型在蛋白质设计方面展现出强大能力，能够设计出自然界不存在但具备类似功能的蛋白。

市场规模的增长驱动力

尽管面临挑战，AI制药的前景依然值得看好。未来随着算法的更新、算力的突破及大数据的发展，AI技术将深入应用到新药研发的各个环节，在化合物合成、药效预测及自动化研发等阶段扮演越来越重要的角色。

值得注意的是，AI在某些学科研究上可能更精准。在生物医学等领域，人类提取的特征相对有限，而AI通用大模型提取的高维数据精度更高、成本更低。这意味着随着技术成熟，AI有望从“速度和成本优化”转向“决策质量提升”，从而打开更大的市场空间。

常见问题

AI药物研发目前处于什么阶段？

整体处于发展初期和探索阶段。我国AI药物研发主要应用于药物发现环节和临床前研究环节，受生物系统内在复杂性和疾病异质性特征的制约，AI技术尚不能为药物研发的效率和成功率带来革命性改变。

数据缺乏的问题会一直存在吗？

短期难以完全解决，但正在出现转机。蛋白质工程领域的数据瓶颈相对较小，AlphaFold 2和深度学习大模型已在蛋白质结构预测与设计上取得突破，为AI在生物医药领域的应用提供了新的增长路径。

市场何时能迎来真正的突破？

在第一个AIDD药物跑完全程之前，科学界和资本市场都很难完全承认AIDD。市场规模的实质性突破，取决于AI能否在药物研发的决策质量上带来革命性改变，这需要算法、算力和数据三方面的持续积累。