化学空间的理论规模可达10的60次方量级，而目前人类仅对约2亿个类药分子完成了实验表征，两者之间的巨大落差，正是AI医疗在药物发现领域的机会与挑战所在。AI药物研发目前处于发展初期，其价值主要体现在提升速度和降低成本上，而非决策质量；企业的盈利模式仍需市场进一步验证。
AI医疗的成本结构：数据与验证是核心投入
AI医疗探索化学空间的成本，并非仅指算力，更关键的是数据积累与验证成本。药物开发领域虽然积累了海量信息，但未知的更多，高质量生物医学数据缺乏、数据孤岛是长期难题。一个药物是否真正有效，只有通过实验、临床反馈来积累经验和数据，这些数据积累的成本高、速度慢、反馈周期长。
此外，药物研发的反馈链条极长：药物在细胞体系的表现，迁移到小动物模型已有很大差距，再到更复杂的人类个体则差异更大。这种漫长的验证周期，意味着AI模型在获得有效正负反馈以优化自身之前，需要持续投入高昂的实验成本。
盈利模式的探索：从药物发现到蛋白质工程
目前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，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，而不是决策质量，例如过多使用靶点活性等替代量度，而非与有效性或安全性直接相关的数据结果。
值得关注的是，蛋白质工程领域展现出不同的前景。AlphaFold 2解决了蛋白结构预测问题，启发了基于深度学习的蛋白质设计新方法。AI可以通过学习已有的蛋白质序列，创造自然界不存在但具备类似功能的蛋白。在蛋白质设计方面，以GPT为代表的大模型展现出显著能力，能够设计出具备耐高温等特性的目标蛋白，这为AI医疗的商业化提供了更具确定性的路径。
常见问题
AI医疗何时能真正改变药物研发？
目前AI药物研发处于发展初期，技术上面临数据、算法和专业人才方面的挑战。在第一个AIDD药物跑完全程之前，无论是科学界还是资本市场都很难完全承认AIDD。未来随着算法更新、算力突破及大数据发展，AI技术将逐步深入应用到新药研发的各个环节。
化学空间规模如此巨大，AI如何应对？
化学结构空间广阔，预计评估的化合物数量级在10的60次方，目前仅对约2亿个类药分子进行了实验表征。AI的本质是复制并优化人类经验，当人类对生物和化学的理解尚不充分时，AI能发挥的作用就会受限。这也是为什么当前AI在药物发现上更擅长提升速度与降低成本，而非提升决策质量。
蛋白质工程为何被视为AI医疗的突破口？
药品研发极度漫长严谨，AI的快和制药的慢存在矛盾。而蛋白质工程领域，AI已能通过学习蛋白质序列，设计出自然界不存在但具备类似功能的蛋白。AI用高维向量描述蛋白质特征时，有可能抓住比人类经验总结更本质的因素，这为AI在生物医药领域的应用提供了更直接的商业化路径。