AI医疗市场规模扩张的真正驱动力，并非来自AI药物研发在临床端的替代性突破，而在于AI能否从“速度和成本优化”升级为“决策质量提升”。当前AI药物研发仍处于发展初期，其作用局限在速度和成本上，而非决策质量，这直接制约了行业整体市场空间的释放节奏。
替代量度的数据鸿沟
AI药物研发面临的核心瓶颈是数据质量的局限。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，目前仅对约2亿个类药分子进行了实验表征，人类对生物和化学的理解仍不充分。这种经验不足直接限制了AI的操作空间。
更关键的是，AI在药物发现上过多使用替代量度，如靶点活性，而不是与有效性或安全性相关的数据结果。将配体-蛋白质活性、靶点识别以及PK性质等进行综合考虑，依然是所面临的一大挑战。由于难以理清化合物-蛋白质-作用机理-药效等几方面的联系，AI方法在这种缺少标签的数据集中很难发挥作用。
从“快”到“准”的跃迁
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。受生物系统内在复杂性和疾病异质性特征的制约，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。
药品研发是极度漫长严谨的过程，AI的快和制药的慢存在不可调和的矛盾。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。这意味着，只有当AI能够从替代量度走向临床有效性数据的直接预测，行业市场规模才会迎来真正的释放。
值得期待的破局方向
尽管小分子药物发现面临数据瓶颈，但蛋白质工程领域展现出不同前景。AlphaFold 2解决了蛋白结构预测问题，和实验达到一个精度，并启发了基于深度学习的蛋白质设计新方法。AI通过学习已有的蛋白质序列，可以创造与自然界不存在但具备类似功能的蛋白。
在蛋白质设计方面，以GPT为代表的大模型已展现出显著能力。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扮演越来越重要的角色。
常见问题
AI药物研发的替代量度具体指什么？
替代量度主要指靶点活性等间接指标，而非与药物有效性或安全性直接相关的数据结果。当前AI在药物发现中过度依赖这类替代量度，难以综合考量配体-蛋白质活性、靶点识别及PK性质等多维度信息，这是制约其决策质量提升的关键障碍。
AI医疗市场增长的主要驱动力是什么？
主要驱动力在于AI从“速度成本优化”向“决策质量提升”的升级。目前AI在药物发现上的作用仍局限在速度和成本上，只有当AI能够真正提升研发决策质量，行业市场规模才会迎来实质性的扩张。
AI在蛋白质工程领域有何进展？
AlphaFold 2解决了蛋白结构预测问题，与实验达到一个精度，并启发了基于深度学习的蛋白质设计新方法。AI可以通过学习已有的蛋白质序列，创造自然界不存在但具备类似功能的蛋白，这为AI在生物医药领域的应用提供了值得期待的方向。