AI医疗遭遇数据瓶颈，市场规模增长是否被高估？
当前AI药物研发（AIDD）的市场规模预期可能过于乐观，核心制约在于高质量生物医学数据的严重匮乏。 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，人类经验的不足直接限制了AI模型的泛化能力。AI的本质是复制并优化人类经验，当人类对生物和化学的理解尚不充分时，AI很难有效操作，这导致商业化落地速度被拖累，市场增长的真实驱动力仍需验证。
数据瓶颈：AI药物研发的核心制约
AI药物研发面临的首要挑战是高质量生物医学数据的缺乏。化学结构空间广阔，目前已知的仅占冰山一角。此外，药物开发领域虽然积累了海量信息，但未知的更多，例如对大部分蛋白质的功能及修饰变化并不完全知晓，对细胞信号通路的机制理解也十分局限。这种数据不足直接导致AI模型在缺少标签的数据集中很难发挥作用。
另一个关键问题是反馈周期长且成本高。一个药物是否真正有效，需要通过实验和临床反馈来积累经验和数据，但这些数据的积累速度慢、成本高，导致AI难以快速迭代优化。
增长驱动与潜在泡沫：资本与技术突破的对比
目前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。例如，过多使用替代量度（如靶点活性）而非有效性与安全性的数据结果，使得AI尚不能为药物研发的效率和成功率带来革命性改变。在第一个AIDD药物跑完全程之前，无论是科学界还是资本市场都很难完全承认AIDD。
相比之下，蛋白质工程领域展现出更现实的增长潜力。2021年AlphaFold 2解决了蛋白结构预测问题，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能够轻松设计出具备特定性能的蛋白。这为AI在生物医学领域的应用提供了更明确的商业化路径。
常见问题
AI药物研发目前处于什么阶段？
目前AI药物研发处于发展初期，技术上面临着数据、算法和专业人才方面的挑战。 企业商业模式也需要市场进一步验证。AI技术尚不能为药物研发的效率和成功率带来革命性改变，整体仍处于探索阶段。
为什么说AI制药的前景依然值得看好？
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。 在化合物合成、药效预测及自动化研发等阶段，AI将扮演越来越重要的角色。同时，在蛋白质工程领域，AI已经展现出超越人类的设计能力，为行业带来新的增长驱动。
市场规模预期是否过于乐观？
在当前数据瓶颈下，市场规模预期存在被高估的风险。 化学空间广阔而实验数据有限，AI模型泛化能力受限，商业化落地速度可能慢于预期。但资本投入与技术突破（如AlphaFold）是重要的增长驱动因素，两者之间的博弈将决定市场实际增速。