AI 医疗在药物发现环节的作用，目前仍集中在速度与成本两个维度，而非提升决策质量。因此其成本结构可以拆为三块：人类经验数据化的积累成本、算法与算力投入、以及漫长实验与临床反馈的验证成本；盈利模式则取决于企业能否在这些成本之上形成可被市场验证的商业闭环。就现阶段而言，AI 药物研发整体仍处于探索阶段，商业模式也需要市场进一步验证。

为什么成本重心不在算力，而在数据

按照行业判断“AI ready”的三个标准——经验足够丰富、经验可被量化成算法、经验有分级能判断好坏——药物开发距离广泛引入 AI 仍有较长距离。

原因在于：人类对生物与化学的理解本身还不充分，对健康和表型的定量测量刚刚起步，高质量的生物医学数据缺乏、数据孤岛长期难以解决。这意味着最重的成本不是买算力，而是把人类经验变成可训练数据的过程。

反馈周期决定了成本回收节奏

药物在细胞体系表现出的效果，迁移到小动物模型已有很大差距，再到人类个体差异更大。判断一款药物是否真正有效，只能通过实验与临床反馈积累经验和数据。

这类数据积累成本高、速度慢、反馈周期长。而 AI 的快与制药的慢之间存在难以调和的矛盾——在第一个 AIDD 药物跑完全程之前，科学界与资本市场都很难完全承认 AIDD。这直接拉长了任何商业模式的验证周期。

盈利模式：从“做药”转向“做工具”

在小分子药物发现上，最大的瓶颈仍是数据。相比之下，蛋白质工程、酶工程领域走出了不同的路径：AlphaFold 2 解决了蛋白结构预测问题，并启发了基于深度学习的蛋白质设计新方法，AI 可以设计出与自然界蛋白序列相似度低于 30%、但具备类似功能的蛋白。

在蛋白质设计方面，以 GPT 为代表的大模型已完全碾压了人类。这提示了一种更现实的盈利结构：不直接承担新药研发的长周期风险，而是把 AI 能力作为设计、优化环节的工具与平台输出。当然，这一方向能否规模化变现，同样需要市场进一步验证。

常见问题

AI 医疗在药物发现上到底改变了什么？

目前的改变集中在速度与成本上，而不是决策质量。例如过多使用靶点活性等替代量度，而非与有效性、安全性直接相关的结果，仍是待解难题。

为什么 AI 制药的成本这么高？

主要成本来自数据：实验与临床反馈数据的积累成本高、速度慢、反馈周期长，且高质量生物医学数据缺乏、数据孤岛难以打通。算法与算力只是其中一部分。

AI 医疗的盈利模式什么时候能跑通？

在第一个 AIDD 药物跑完全程之前，无论科学界还是资本市场都很难完全承认 AIDD。因此商业模式的成立时点，取决于完整验证周期能否走通，仍需市场进一步验证。