AI 正在探索10的60次方级别的化合物空间，但当前药物研发仍高度依赖人类经验。在这一巨大空间中，AI 医疗的商业模式正从单纯的软件工具授权，向项目合作研发乃至自研管线演变，价值分配也随之在药企、AI 公司和 CRO（合同研究组织）之间重新划分。
商业模式：从工具服务到深度绑定
目前，AI 药物研发的商业模式主要分为三类：
- 软件/算法授权：AI 公司向药企提供预测平台或数据库，按年或按项目收费。这是最轻量的模式，但受限于数据质量和反馈周期。
- 项目合作研发：AI 公司与药企共同推进特定靶点或候选药物，按里程碑节点（如确定先导化合物、进入临床）获得付款，并可能分享未来销售分成。这是当前主流，能绑定双方利益。
- 自研管线：AI 公司独立开发候选药物，推进至临床或上市后，再通过授权或合作获取高额回报。该模式风险最高，但潜在收益也最大。
价值分配：谁拿大头？
在合作研发中，价值分配的关键取决于谁承担了核心风险。药企通常掌握临床资源与市场渠道，AI 公司提供算法与数据能力，CRO 则负责实验验证。目前，**AI 公司的价值仍体现在“速度和成本”而非“决策质量”**上，因此其分成比例通常低于传统药企。但随着 AI 在蛋白质设计（如 AlphaFold2 解决结构预测问题）等领域展现出超越人类的能力，AI 公司的议价权有望提升。
常见问题
为什么 AI 药物研发目前仍处于早期阶段？
AI 的本质是复制并优化人类经验，但药物开发领域人类经验本身不足：化学结构空间达10的60次方，目前仅对约2亿个类药分子进行了实验表征；同时，数据反馈周期长（从细胞到临床需多年），高质量数据缺乏。
AI 在药物发现中最主要的局限是什么？
AI 的作用仍局限在速度和成本上，而不是决策的质量。比如过多使用替代量度（如靶点活性），而非与有效性或安全性直接相关的数据结果。此外，化合物-蛋白质-作用机理-药效之间的复杂联系尚难理清，导致 AI 难以处理缺少标签的数据集。
未来哪些领域最可能率先突破？
蛋白质工程/酶工程领域前景最为明朗。AlphaFold2 已解决蛋白结构预测问题，而大模型在蛋白质设计上已“完全碾压人类”，能设计出反直觉但更稳定的蛋白质，且成本更低、精度更高。