化学空间广阔，预计评估的化合物数量级在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。AI医疗（尤其是AI药物发现，AIDD）领域正处于发展初期，整体仍处于探索阶段，技术上面临数据、算法和专业人才方面的挑战，企业商业模式也需要市场进一步验证。当前，AI在药物发现上的作用仍局限在速度和成本上，而不是决策的质量。国内外龙头企业的技术路径与市场策略各有侧重，但都尚未实现革命性突破。
AI药物发现的现状与挑战
AI药物研发面临的核心瓶颈是数据有限且质量不高。化学结构空间巨大（10的60次方），但人类已知的仅冰山一角。同时，高质量的生物医学数据缺乏，数据孤岛问题长期存在。药物研发反馈周期长，从细胞到动物再到人体的效果差异巨大，AI难以获得及时、准确的优化信号。因此，AI制药的小分子瓶颈主要在于数据不足，AI的快速迭代与制药的漫长严谨存在不可调和的矛盾。
技术突破：蛋白质工程成为新方向
2021年，AlphaFold 2解决了蛋白结构预测问题，达到了实验精度，启发了基于深度学习的蛋白质设计新方法。与AI制药不同，蛋白质工程领域AI已展现出更强能力。在蛋白质设计方面，以GPT为代表的大模型已能设计出自然界不存在但具备类似功能的蛋白（序列相似度低于30%），甚至能发现违背人类直觉但更优的突变位点。AI通过高维向量描述蛋白质特征，可能抓住更本质的因素，精度更高、成本更低。
国内外龙头企业对比
| 维度 | 国外代表性企业（如Schrodinger、Recursion） | 国内代表性企业（如晶泰科技、深势科技） |
|---|---|---|
| 技术路线 | 基于物理模拟+机器学习 | AI for Science，深度学习+物理建模 |
| 业务模式 | 软件授权+药物研发合作 | 药物发现服务+自主研发管线 |
| 市场表现 | 技术积累深厚，但商业化落地仍在验证 | 聚焦临床前环节，商业模式需市场验证 |
| 核心优势 | 长期数据积累，算法成熟 | 后发优势，大模型应用探索积极 |
常见问题
AI药物发现何时能实现真正的突破？
目前AI药物研发处于发展初期，在第一个AIDD药物跑完全程之前，科学界和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将深入应用到新药研发各环节，但具体时间表尚不确定。
AI在药物发现中能替代人类科学家吗？
不能。当前AI的作用仍局限在提升速度和降低成本，而非决策质量。过多使用替代量度（如靶点活性）而非有效性或安全性数据，使得AI很难做出高质量决策。将配体-蛋白质活性、靶点识别及PK性质综合考虑仍是重大挑战。
蛋白质工程与AI制药有何不同？
蛋白质工程（如酶工程）相比小分子药物发现，数据瓶颈更小。AlphaFold 2解决了蛋白结构预测，使AI能通过高维向量描述蛋白质特征，精度更高、成本更低。在蛋白质设计上，AI已展现出碾压人类专家的能力，而AI制药则仍面临数据不足的严峻挑战。