AI 医疗目前对药物发现的影响，仍集中在速度与成本层面，而非决策质量。 这意味着它尚未改写产业链的价值分配逻辑。真正决定议价能力的，是高质量生物医学数据与实验反馈资源的持有方——它们既稀缺又难以替代，价格传导的方向因此更多由这些环节主导，而非由算法本身决定。

为什么 AI 还撬不动决策环节

药物开发距离被 AI 广泛改造仍有较长距离。行业虽积累了海量信息，但未知的更多：DNA 转录成 RNA 再翻译成蛋白质的过程虽已勾勒，但大部分蛋白的功能与修饰变化并不完全清楚，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，预计需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。

同时，对健康和表型的定量测量刚刚起步，行业对导致健康或疾病状态随时间变化的动态过程缺乏了解。经验难以数据化，AI 就很难真正入场。加之药物在细胞体系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，反馈周期长、成本高。结果是：AI 更多使用靶点活性等替代量度，而非与有效性、安全性直接相关的数据结果。

议价能力落在谁手里

在上述约束下，产业链的议价能力并不掌握在算法一侧，而是集中在两类资源持有方：

  • 数据资源持有方：高质量生物医学数据缺乏、数据孤岛长期难解，且通过作用机理与适应症对药物做标签注释十分困难，化合物—蛋白质—作用机理—药效之间的联系尚未理清。缺少标签的数据集让 AI 方法难以发挥作用，谁掌握可用的标注数据，谁就握有稀缺筹码。
  • 实验与临床反馈资源持有方：一个药物是否真正有效，只有通过实验与临床反馈才能积累经验和数据。这类数据积累成本高、速度慢，构成天然的进入壁垒，也让价格传导更倾向于在这些环节形成。

相比之下，AI 制药整体仍处探索阶段，技术上面临数据、算法和专业人才挑战，商业模式也需市场进一步验证。算法与算力会持续进步，但短期内难以替代上述两类资源的稀缺性。

一个值得对照的方向

蛋白质工程是数据瓶颈相对不同的领域。AlphaFold 2 解决了蛋白结构预测问题，达到与实验一致的精度，并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 为代表的大模型已完全碾压了人类，AI 找到的部分优点位甚至违背人类直觉。这提示：当某一环节的数据与验证闭环更完整时，AI 的介入深度会明显不同。

常见问题

AI 医疗目前是否已经改变了药物研发的决策质量？

尚未。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，例如过多使用靶点活性等替代量度，而非与有效性或安全性相关的结果。整体仍处于探索阶段。

产业链议价能力主要掌握在哪一方？

更集中在数据与实验反馈资源的持有方。高质量生物医学数据缺乏、数据孤岛难解，而药物是否有效只能靠实验与临床反馈积累，这类资源成本高、周期长，因而更具稀缺性。

哪些环节最可能出现价格传导？

数据获取、标签注释与实验验证等稀缺环节更可能主导价格传导。化合物—蛋白质—作用机理—药效之间的联系尚难理清，缺少标签的数据集让 AI 难以发挥，掌握这些资源的一方议价地位更突出。