AI 医疗的发展历程中，一个关键拐点是从单纯关注疾病，转向对健康与表型的定量测量。这一转向的核心在于：AI 的本质是复制并优化人类经验，而只有当行业经验被量化、可分级，AI 才有条件被广泛引入。 按照“行业已积累丰富人类经验、经验能被量化定义成算法、经验有分级可判断好坏”这三个标准衡量，药物开发等领域距离“AI ready”的广泛性使用仍有较长距离，但蛋白质工程等方向已率先出现突破。
从疾病关注转向健康测量
哥伦比亚大学 Martin Picard 教授曾在 Phenomics 发表文章《为什么相比健康，我们更关注疾病》，指出我们对导致健康/疾病状态随时间变化的动态过程缺乏了解。这一判断点出了 AI 医疗演进中的深层瓶颈：对部分疾病已有较为粗糙的分类量化，但对健康和表型的定量测量才刚刚起步。
如果行业经验很难被数据化，短时间内想用上 AI 就比较难。高质量的生物医学数据缺乏、数据孤岛，也是一直难以解决的问题。因此，从“疾病关注”走向“健康定量测量”，不只是研究视角的切换，更决定了 AI 能否获得足够可用的经验数据。
经验数据化：AI 能否入场的门槛
AI 的本质就是复制并优化人类经验。如果人类对生物、对化学都还没充分理解，就很难让 AI 去操作。以药物开发为例，人类基因组学计划之后的二十年，我们解读了 DNA 层面的遗传图谱，但对大部分蛋白的功能包括蛋白的修饰变化并不完全知晓，对细胞信号通路中各蛋白质、细胞器之间如何“对话”的机制理解仍有限。
化学结构空间广阔，目前仅对约 2 亿个类药分子进行了实验表征。经验要能被量化、被定义成算法，还要有分级和正负反馈用于优化，但药物研发中反馈周期长——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，再到更复杂的人类个体就更不同。这些数据积累成本高、速度慢，构成了 AI 广泛入局的实际障碍。
蛋白质工程的率先突破
在 AIDD 整体处于发展初期的背景下，蛋白质工程走出了不同路径。AlphaFold 2 解决了蛋白的结构预测问题，达到和实验一个精度，并启发了基于深度学习的蛋白质设计新方法。DeepMind 找到了一个数学公式，将 1D 序列和 3D 结构联系了起来。
在蛋白质设计方面，以 GPT 为代表的大模型已经展现出突出能力。上海交大洪亮教授利用海洋所取得的深海蛋白（耐高温）数据训练大模型，AI 就能设计出具备耐高温目标的蛋白。AI 找到的有些好点位违背人类直觉，却仍能提高相应稳定性——人类经验总结出的规律往往只有相关性，而深度学习用高维向量描述蛋白质特征时，有可能抓住更本质的因素。
常见问题
AI 医疗目前处于什么发展阶段？
目前 AI 药物研发处于发展初期，技术上面临数据、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。我国 AI 药物研发主要应用于药物发现环节和临床前研究环节，受生物系统内在复杂性和疾病异质性特征制约，整体仍处于探索阶段。
为什么说经验数据化是 AI 医疗的关键拐点？
按照判断行业是否“AI ready”的三个标准，经验必须能被量化、被定义成算法，并有分级可判断好坏，AI 才有普遍入局影响行业的资格。对健康和表型的定量测量刚刚起步，正是经验数据化的前沿方向，也决定了 AI 能否从速度和成本层面，进一步走向决策质量层面。
AI 在药物发现中目前能起到什么作用？
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。将配体-蛋白质活性、靶点识别以及 PK 性质综合考虑，依然是面临的一大挑战。