AIGC技术在药物发现环节的集中落地，正是AI医疗市场规模打开的关键起点——生物制药企业通过构建Transformer等生成式模型来预测结构、发现药物，这一技术渗透正从研发生产制造环节切入，逐步释放产业价值。当前AIGC在医疗领域的应用整体仍处于起步阶段，成规模的应用主要在聊天机器人领域，而药物发现作为高价值、数据密集的工作流程，恰恰是生成式AI最能发挥效用的场景之一。

药物发现环节的渗透现状与空间

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环节以及CXO服务领域。具体来看，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来更好地服务临床。

这一环节之所以成为AIGC落地的优先方向，与生成式AI的技术特性密切相关。生成式AI算法的主要特点是生成全新的、潜在的数据样本，在数据集丰富的应用场景中能够更好地发挥作用。药物发现恰恰符合这一特征——它需要从海量化学空间中探索新结构，而非仅仅对已有数据进行分类识别。

市场规模增长的关键驱动因子

从产业链结构看，AIGC产业由上游的基础设施、中游的算法模型和下游的应用拓展三部分构成。在医疗这一高度专业化领域，市场空间的打开依赖于几个关键条件：

  • 高质量专业化模型：医疗领域容错率低，需要从通用模型出发进行实质性专业化改造，以提高输出质量
  • 用户反馈闭环：高质量的人类“使用”数据（偏好、指令、提示等）是推动模型功能优化的核心
  • 专有数据集积累：医疗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

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，而创业公司在应用层的探索可能成为未来主要趋势。值得注意的是，医疗领域尤其需要高质量的专业化模型——业界已有观点认为，定义明确的高价值工作流程将主要由专门的人工智能系统而非通用模型来解决。

常见问题

AIGC在AI医疗中的应用是否只限于药物发现？

不止于此。当前AIGC在医疗领域的应用主要集中于药物发现环节和CXO服务领域，但生成式AI在医疗保健和生命科学领域拥有更广泛的应用前景，包括疗效评估、模拟数据生成、自动化工作流程等。在诊疗环节，AI也为辅助问诊、健康管理、心理健康等专病领域带来创新应用，只是目前成规模的应用仍主要在聊天机器人领域。

判别式AI与生成式AI在医疗中的应用有何不同？

判别式AI通过学习输入和输出数据的映射关系进行预测，在图像识别、疾病影像分析等数据集较为单一的场景中表现较好；生成式AI则关注理解人类意图、生成全新数据样本，在数据集丰富且需要创造新内容的场景中更具优势。未来趋势是两者的结合——企业可根据自身需求将判别式与生成式算法相结合，实现更复杂精细的任务。

医疗领域的专业化模型为何重要？

医疗是一个高度专业化、容错率低的领域，需要专业知识和经验才能正确理解和解释相关问题。从通用模型出发进行实质性专业化改造，依托高质量用户反馈和专有数据集持续优化，同时严格遵守法律法规和伦理规范，才能更好地为患者和医务人员服务。这也意味着，能够沉淀专有数据并建立质量改进闭环的企业，将在AI医疗市场扩张中获得更强竞争力。