是的，在AI医疗药物研发中，高质量数据壁垒比算法壁垒更难跨越。 化学空间预计评估的化合物数量级在10的60次方，而目前仅对约2亿个类药分子进行了实验表征，这种巨大的认知空白构成了根本性约束。算法可以通过开源和算力突破快速迭代，但高质量生物医学数据的获取依赖漫长且昂贵的实验与临床反馈，且数据孤岛问题长期难以解决，这使得数据成为更难复制的长期竞争护城河。

算法壁垒：开源趋势下的弱化

AI药物研发中，算法模型本身的技术壁垒正在被快速稀释。随着深度学习框架的开源以及以GPT为代表的大模型在蛋白质设计领域展现出的强大能力，算法迭代的速度远超数据积累的速度。正如行业观察所指出的，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，这说明算法层面的瓶颈并非不可逾越。

然而，AI的本质是复制并优化人类经验。如果人类对生物和化学的理解尚不充分，就很难让AI去有效操作。算法可以快速学习，但它的“知识边界”完全取决于喂给它的数据质量，这也解释了为什么单纯依靠算法优化难以突破药物研发的根本困境。

数据壁垒：不可复制的核心资产

与算法不同，高质量生物医学数据的获取具有天然的不可复制性。药物研发领域虽然积累了海量信息，但未知的更多——从人类基因组计划解读DNA层面的遗传图谱，到对细胞信号通路中蛋白质“对话”机制的有限理解，人类经验本身存在巨大缺口。更关键的是，高质量的生物医学数据缺乏，数据孤岛是一直难解决的问题。

数据的积累成本极高且反馈周期极长。一个药物是否真正有效，什么样的是“好药”什么样的是“毒药”，只有通过实验和临床反馈来积累经验。药物在细胞体系表现出的效果，迁移到小动物模型有很大差距，再到更加复杂的人类个体就更不同。这种高成本、慢速度的数据积累模式，使得先发企业一旦形成数据独占效应，后来者几乎无法在短期内追赶。

数据与算法的协同关系

当前AI药物研发仍处于发展初期，技术上面临着数据、算法和专业人才方面的挑战。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。例如，过多使用替代量度（如靶点活性）而非与有效性或安全性相关的数据结果，反映出标签数据的稀缺对AI效能的限制。

未来随着算法的更新、算力的突破及大数据的发展，AI技术将深入应用到新药研发的各个环节。但可以预见的是，算法和算力的差距会逐步缩小，而数据壁垒——尤其是那些经过实验验证、带有明确正负反馈的高质量数据——将成为区分竞争者的核心维度。在化学空间10的60次方与2亿实验表征之间的巨大鸿沟面前，谁掌握了更多高质量数据，谁就掌握了AI制药的长期主动权。

常见问题

为什么化学空间10的60次方如此重要？

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，而目前人类仅对约2亿个类药分子进行了实验表征。这意味着已知的只是冰山一角，AI算法缺乏足够的人类经验作为学习基础，难以在如此巨大的未知空间中做出高质量决策。

数据孤岛具体指什么？

数据孤岛是指高质量的生物医学数据分散在不同机构手中，缺乏共享机制，导致数据难以整合利用。官方资料明确指出“高质量的生物医学数据缺乏，数据孤岛是一直难解决的问题”，这种分散状态进一步加剧了数据获取的难度，形成难以逾越的结构性壁垒。

算法和数据哪个对AI制药更重要？

两者都重要，但数据的稀缺性更突出。算法可以通过开源和算力投入快速迭代，而高质量数据的积累依赖实验和临床反馈，成本高、周期长。AI药物研发当前面临的最大瓶颈在于数据——正如资料所述，AI制药在小分子上最大的瓶颈还是数据。