AI 医疗市场规模的扩张，核心驱动来自供需两端的结构性缺口：需求侧是精准健康监测与新药研发对高质量数据的迫切需求，供给侧则是数据整合能力与算法落地能力的持续补强。哥伦比亚大学 Martin Picard 教授曾指出，我们对导致健康/疾病状态随时间变化的动态过程缺乏了解，对健康和表型的定量测量刚刚起步，高质量生物医学数据长期缺乏、数据孤岛难以解决——这一供给缺口本身，正是 AI 医疗在数据治理、表型测量与临床落地环节的增长动力来源。
需求侧：数据需求从"有没有"转向"准不准"
过去医疗信息化的重点是记录，如今的重点转向测量。Picard 教授的观点点出了关键：相比疾病，我们对健康的关注与量化明显不足，健康与表型的定量测量才刚起步。
这一判断对应两类真实需求：一是精准健康监测，需要把模糊的"感觉良好"转化为可追踪的量化指标；二是药物研发，需要与有效性、安全性真正相关的数据结果，而非仅停留在靶点活性等替代量度上。需求越往深处走，对高质量数据的要求越高，AI 的应用空间也随之打开。
供给侧：算法能力与数据整合的双重补课
从供给端看，AI 医疗的增长取决于两件事能否同时推进。
其一是数据整合能力。高质量生物医学数据缺乏、数据孤岛长期难解，是行业公认的瓶颈。药物开发领域虽已积累海量信息，但未知的更多——化学结构空间广阔，目前仅对约 2 亿个类药分子进行了实验表征。数据不通、标签不足，算法就难以发挥作用。
其二是算法落地能力。以蛋白质工程为例，AlphaFold 2 解决了蛋白结构预测问题，达到与实验一个精度的水平，并启发了基于深度学习的蛋白质设计新方法；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，甚至能找到违背人类直觉、却能提升稳定性的点位。这类突破说明，当数据条件具备时，算法可以反过来拉动需求。
增长逻辑：不是规模预测，而是瓶颈突破
需要强调的是，AI 药物研发目前仍处于发展初期，技术上面对数据、算法和专业人才的挑战，商业模式也需市场进一步验证；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。
因此，AI 医疗市场规模的驱动逻辑，更应理解为"瓶颈突破型增长"：每解决一层数据孤岛、每提升一档表型测量的精度，都会释放新的应用场景。这比给出任何具体规模数字都更接近真实。
常见问题
AI 医疗的增长主要靠需求还是供给驱动？
两者互为条件。需求侧对精准健康监测和药物研发数据的要求不断提高，供给侧的数据整合与算法能力则决定这些需求能否被满足。Picard 教授指出的动态过程认知不足与定量测量刚起步，正是供需之间的缺口所在。
数据孤岛为什么被认为是 AI 医疗的关键瓶颈？
因为 AI 的本质是复制并优化人类经验。当行业经验难以被数据化、标签难以理清时，AI 方法在缺少标签的数据集中就很难发挥作用。数据孤岛不打通，算法能力再强也难以落地。
蛋白质工程为什么被视为较早跑通的方向？
相比小分子药物，蛋白质工程的数据条件更成熟。AlphaFold 2 解决了蛋白结构预测问题，达到与实验一个精度的水平，并启发了基于深度学习的蛋白质设计新方法，使 AI 在这一领域的落地节奏明显更快。