AI医疗的成本结构中，数据瓶颈是推高药物研发隐性成本的核心因素。化学空间预计有10的60次方种化合物，但目前仅有约2亿个类药分子经过了实验表征，人类经验的极度匮乏导致AI模型训练需要投入大量资源进行高通量筛选或购买商业数据库，数据成本占总研发成本的比重显著上升。
数据匮乏与模型训练的高昂代价
AI的本质是复制并优化人类经验。药物开发领域虽然积累了海量信息，但未知的更多——对蛋白质功能、修饰变化及细胞信号通路的理解仍十分有限。由于高质量生物医学数据缺乏且存在数据孤岛问题，AI公司为获取更多训练数据，不得不投入大量资金进行实验验证或购买商业数据库。这些数据收集和标注的成本，直接推高了AI药物研发的整体投入。
实验验证与反馈周期的双重压力
药物研发的反馈周期极长。一个药物从细胞体系到小动物模型，再到人类个体，效果差异显著。要判断什么是“好药”、什么是“毒药”，必须通过实验和临床反馈积累数据，而这些数据积累的成本高、速度慢，反馈周期太长。AI模型在缺少标签的数据集中很难发挥作用，导致研发过程中需要反复进行实验验证，进一步增加了隐性成本。
常见问题
为什么数据瓶颈会导致AI药物研发成本更高？
因为化学空间广阔（约10的60次方），而人类仅对约2亿个类药分子进行了实验表征。AI模型需要大量高质量标签数据来训练，数据稀缺迫使企业投入更多资源进行高通量筛选或购买商业数据库，数据成本在总研发成本中的占比随之上升。
AI在药物发现中能降低哪些成本？
AI在药物发现上的作用目前仍局限在速度和成本方面，而非决策质量。它可以通过算法加速化合物筛选、靶点识别和PK性质预测等环节，减少部分早期实验的时间和人力投入，但无法解决因数据匮乏导致的实验验证成本。
蛋白质工程领域的数据瓶颈是否更小？
是的。以AlphaFold 2为代表的AI技术已解决了蛋白质结构预测问题，精度与实验相当。在蛋白质设计方面，以GPT为代表的大模型已能高效设计出具备特定功能（如耐高温）的蛋白质，且AI发现的优化点位有时违背人类直觉，说明该领域的数据积累和模型应用更为成熟，成本压力相对较小。