化学空间有多大？一个常被引用的数字是10的60次方——这是理论上可评估的化合物数量级。面对如此浩瀚的空间，AI医疗的下游应用不会均匀爆发，而是遵循“数据成熟度”的优先级排序：蛋白质工程与酶工程场景将率先落地，而传统药物发现的全面变革仍需等待。核心原因在于，AI的本质是复制并优化人类经验，场景内经验积累越充分、反馈越快，AI的用武之地就越大。
为什么是蛋白质工程先行？
对比两个场景的“AI ready”程度，差异极为鲜明。在传统药物发现中，AI的作用目前仍局限在速度和成本上，而非决策质量。药物开发领域虽然积累了海量信息，但未知更多——我们对大部分蛋白的功能、修饰变化及细胞信号通路的理解仍很局限，且药物反馈周期漫长，从细胞到动物再到人体的效果迁移存在巨大鸿沟。AI的快与制药的慢存在不可调和的矛盾。
而蛋白质工程则完全不同。AlphaFold 2 解决了蛋白结构预测问题，精度与实验相当，这启发了基于深度学习的蛋白质设计新方法。在蛋白质设计方面，以GPT为代表的大模型已经完全碾压了人类。AI不仅能通过学习已有蛋白质序列创造自然界不存在但具备类似功能的蛋白（序列相似度可低于30%），还能发现违背人类直觉的优化点位——人类经验总结出的规律多只有相关性而非因果性，而AI用高维向量描述蛋白质特征时，有可能抓住更本质的因素。
不同场景的需求结构与付费方差异
| 场景 | 成熟度 | 核心驱动力 |
|---|---|---|
| 蛋白质工程/酶工程 | 较高，已见大模型碾压人类 | 数据标签清晰、反馈周期短、可量化优化目标 |
| 药物发现 | 探索阶段，整体受限 | 数据孤岛、反馈周期长、标签注释困难 |
酶工程或蛋白质工程的应用环境要求明确——在稳定性、结合力、亲和力、催化活性、底物选择性等维度进行优化，这些指标可量化、可验证，AI的试错成本远低于药物临床实验。而药物研发受生物系统内在复杂性和疾病异质性制约，AI技术尚不能为研发效率和成功率带来革命性改变。这也意味着，付费方更可能先为“可验证的优化结果”买单，而非为“漫长的研发概率”付费。
常见问题
AI在药物发现领域完全没用吗？
并非如此。AI在化合物合成、药效预测及自动化研发等环节正扮演越来越重要的角色，只是目前作用仍局限在速度和成本优化上，而非决策质量。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的各个环节。
为什么说AI在蛋白质设计上“碾压人类”？
因为AI的优化逻辑与人类完全不同。人类通过几十年经验总结出的规律多只有相关性，而AI用高维向量描述蛋白质特征，能抓住更本质的因素，甚至找到违背人类直觉的有效优化点位。比如利用深海耐高温蛋白数据训练大模型，AI就能设计出具备耐高温特性的目标蛋白。
判断一个行业是否适合引入AI的标准是什么？
需要同时满足三个条件：行业已积累丰富的人类经验；经验能被量化、定义成算法；经验有分级，能判断好坏。蛋白质工程在这三方面表现优于药物发现，因此落地更早。