AI医疗竞争格局确实在发生变化，但押注蛋白质设计的企业短期内难以取代传统AIDD龙头，两者正处于不同的验证周期和赛道。核心分歧在于：小分子AIDD受制于“AI的快”与“制药的慢”之间不可调和的矛盾，而蛋白质工程则因反馈链条更短、数据质量更高，被视为更接近落地的方向。

两类玩家的本质差异

传统AIDD聚焦小分子药物发现，其困境在于行业尚未达到“AI ready”的状态。药物开发领域虽积累了海量信息，但未知更多——人类对大部分蛋白质功能、修饰变化及细胞信号通路的理解仍很局限；高质量的生物医学数据缺乏，数据孤岛问题长期存在；且药物有效性的反馈周期漫长，从细胞实验到动物模型再到人体，差异巨大，AI难以获得足够标签来优化。

转向蛋白质工程的企业则受益于范式转移。2021年AlphaFold 2解决了蛋白质结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。在这一领域，AI展现出独特优势：以GPT为代表的大模型在蛋白质设计上已展现强大能力，AI能够通过高维向量描述蛋白质特征，抓住比人类经验总结更本质的因素，甚至能找到违背人类直觉但有效的优化点位。

验证周期的关键分野

两类模式的核心差异在于验证周期。AIDD的药品研发极度漫长严谨，在第一个AIDD药物跑完全程之前，科学界与资本市场都很难完全承认其价值。AI在药物发现上的作用目前仍局限在速度和成本，而非决策质量。

蛋白质工程则不同——其优化目标（稳定性、结合力、亲和力、催化活性、底物选择性等）可以在相对短周期内通过实验验证，反馈闭环更紧凑。AI可以学习已有蛋白质序列，设计出与自然界蛋白序列相似度低于30%但具备类似功能的全新蛋白，这种“可快速验证”的特性使其更容易获得市场与资本的分阶段认可。

常见问题

蛋白质设计企业会完全取代传统AIDD吗？

不会。两者解决的并非同一问题——AIDD针对小分子药物发现，蛋白质工程面向生物大分子优化。AI药物研发整体仍处于发展初期，技术上面临数据、算法和专业人才挑战，商业模式也需市场进一步验证。蛋白质设计的兴起更像是竞争格局的拓宽，而非替代。

蛋白质设计相对AIDD的核心优势是什么？

核心在于数据困境的缓解。小分子AIDD面临化合物-蛋白质-作用机理-药效之间联系难以理清的标签数据困局，而AlphaFold 2之后，AI在蛋白质结构预测与设计上已有明确突破，反馈周期也相对更短，更符合“AI ready”的行业标准。

如何看待AI医疗赛道的投资机会？

需区分两类企业的验证逻辑：传统AIDD的价值兑现依赖漫长的临床周期，而蛋白质工程企业可能通过工业酶、生物制品等更短链条的应用率先获得验证。无论哪条路径，能否解决数据质量问题、建立清晰的反馈闭环，都是判断企业竞争力的关键。