AI医疗行业的发展，始于一个令人望而生畏的起点：化学结构空间预计评估的化合物数量级在10的60次方，而人类目前仅对约2亿个类药分子进行了实验表征。从这一“冰山一角”出发，行业经历了深度学习技术突破、资本涌入等关键拐点，但整体仍处于发展初期，技术上面临数据、算法和专业人才的挑战，企业商业模式也需要市场进一步验证。
技术突破：从深度学习到AlphaFold2
2012年深度学习的突破是AI医疗的第一个关键拐点。然而，药物开发领域虽然积累了海量的信息，但未知的更多——人类对大部分蛋白的功能、蛋白的修饰变化、细胞信号通路的“对话”机制理解仍十分有限。AI的本质是复制并优化人类经验，如果人类对生物和化学的理解不足，就很难让AI有效操作。
2021年，AlphaFold2横空出世，解决了蛋白质结构预测问题，精度与实验相当。这启发了基于深度学习的蛋白质设计新方法，DeepMind找到了将1D序列和3D结构联系起来的数学公式。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，能够设计出具备耐高温等特性的目标蛋白，甚至找到反直觉的、人类经验无法发现的优化点位。
资本涌入与行业现实
2018年前后，资本大量涌入AI制药领域。但AIDD的困难在于，药品研发是极度漫长严谨的过程，AI的“快”和制药的“慢”有着不可调和的矛盾。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。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、靶点识别等综合考虑仍是重大挑战。
未来展望：AI for Science
尽管面临挑战，AI制药的前景依然值得看好。未来随着算法更新、算力突破及大数据发展，AI技术将深入应用到新药研发的各个环节。在某些学科研究上，AI是可能更精准的——在生物医学、材料工程等学科，人类提取的特征太少，而AI通用大模型提取的高维数据精度更高、成本更低。
常见问题
AI医疗目前处于哪个发展阶段？
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制约，尚不能为药物研发的效率和成功率带来革命性改变。
AlphaFold2对AI医疗意味着什么？
AlphaFold2是AI医疗领域的关键里程碑。它解决了蛋白质结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。这推动了AI在蛋白质工程领域的应用，使AI能够设计出具备特定性质（如耐高温）的目标蛋白。
AI在药物发现中最主要的瓶颈是什么？
核心瓶颈是数据问题。化学结构空间广阔（预计化合物数量级在10的60次方），但人类仅对约2亿个类药分子进行了实验表征。高质量的生物医学数据缺乏、数据孤岛问题难以解决，且药物反馈周期长——从细胞体系到小动物模型再到人类个体的效果迁移存在巨大差距，导致AI优化方向不明确。