化学空间号称10的60次方，AI医疗的预测结果存在哪些风险与不确定性？

10的60次方的化学空间规模，意味着AI医疗在药物发现中面临的核心风险并非“算力不足”，而是**“生成易、验证难”**——模型可能输出大量假阳性或实际不可合成的候选分子，叠加训练数据对已知化学空间的偏置、可重复性不足以及专利与伦理的不确定性，构成了当前阶段的主要行业风险。

化学空间规模与预测误差的根源

理论化学空间极其广阔，化合物数量级可达10的60次方，而目前人类仅对约2亿个类药分子进行了实验表征。这种“理论空间”与“实验验证”之间的巨大鸿沟，直接决定了AI模型的预测上限：AI本质上是复制并优化人类经验，当人类对生物和化学的理解仍不充分时，模型输出的候选分子很可能在湿实验中被淘汰。

此外，AI在药物发现上的作用目前仍局限在速度和成本上，而非决策质量。模型常依赖靶点活性等替代量度，而不是与有效性或安全性直接相关的数据结果，这导致预测结果与真实药效之间可能存在系统性偏差。

训练数据对已知化学空间的偏置，是限制AI泛化能力的关键因素。由于高质量生物医学数据缺乏，数据孤岛问题长期存在，模型容易在熟悉的分子骨架附近“内插”表现良好，一旦面对全新的化学结构或疾病机制，预测可靠性显著下降。

可重复性问题同样突出。药物研发反馈周期长、成本高，细胞体系的效果迁移到动物模型已有很大差距，再到人类个体差异更大。这种“有好坏之分但反馈缓慢”的特性，使得AI模型的迭代优化缺乏足够的高质量正负样本支撑。

不一定。AI模型擅长在化学空间中生成结构合理的分子，但“结构合理”与“可合成性”是两回事。受训练数据偏置影响，模型可能生成难以通过现有化学方法制备的候选物，必须经过合成可行性评估和湿实验验证。

核心在于将AI输出严格视为“候选池”而非“答案”。通过增加湿实验验证环节、结合靶点活性与药效安全性等多维度数据，并持续用真实反馈校准模型，才能逐步降低假阳性率。当前阶段AI更适合辅助筛选，而非替代实验决策。

主要包括专利风险与伦理监管不确定性。AI生成的分子可能落入已有专利保护范围，且当前法规对AI辅助发现的药物知识产权归属尚无统一标准；同时，算法黑箱带来的可解释性问题，也为监管审批和临床责任认定增加了难度。