在AI医疗大模型设计耐高温蛋白质的过程中，算力投入与湿实验验证的成本占比并非固定，但湿实验验证成本往往更高，形成独特的“算力驱动设计、实验验证为关键”的成本结构。以上海交大洪亮教授团队利用深海蛋白数据训练大模型为例，其成本主要由GPU算力租赁/购买、数据集获取（深海样本采集）、湿实验验证（基因合成、蛋白质表达纯化、功能测试）及人力成本构成。
算力与数据：大模型训练的基础投入
AI蛋白质设计的核心是训练大模型，这需要大量GPU算力进行深度学习。洪亮教授团队使用深海蛋白（耐高温）数据训练模型，数据集获取涉及深海样本采集，成本较高。但算力投入主要发生在模型训练阶段，一旦模型成熟，后续推理成本相对可控。值得注意的是，AI模型在蛋白质设计上已“完全碾压”人类经验，能发现反直觉的优化点位，这降低了传统试错成本。
湿实验验证：成本大头与关键环节
湿实验验证是成本结构中占比最高的部分。设计出的蛋白质序列需经过：
- 基因合成：将AI设计的序列合成对应DNA
- 蛋白质表达纯化：在细胞中表达并纯化目标蛋白
- 功能测试：验证耐高温等性能
这一系列实验耗材、设备及人工成本，往往远超算力投入。这是因为AI模型可快速生成大量候选蛋白，但每个候选都必须通过湿实验确认其真实功能，而实验周期长、成功率不确定，导致验证成本居高不下。
成本结构对比与行业特点
| 成本环节 | 投入特点 | 占比趋势 |
|---|---|---|
| GPU算力 | 训练阶段高，推理阶段低 | 随模型成熟度下降 |
| 数据集获取 | 一次性投入，采集成本高 | 随数据积累递减 |
| 湿实验验证 | 每次验证均需投入 | 占比最大，随候选数量递增 |
| 人力成本 | 跨学科团队（AI+生物） | 稳定但较高 |
目前AI药物研发整体仍处于探索阶段，AI在速度上优于传统方法，但决策质量尚未革命性提升。蛋白质设计领域因数据相对充足（如深海蛋白数据），AI应用进展更快，但湿实验验证仍是决定成本结构的关键瓶颈。
常见问题
### 为什么湿实验验证成本比算力投入更高？
因为AI模型可以快速生成大量候选蛋白序列，但每个候选都必须通过基因合成、蛋白表达纯化和功能测试来验证真实性能。这些实验耗材、设备折旧和人工成本是每次验证都要重复投入的，而算力主要在模型训练阶段一次性投入。
### 洪亮教授团队使用的深海蛋白数据成本高吗？
深海样本采集本身成本较高，涉及科考船、采样设备及样品处理等环节。但这类数据一旦获取，可反复用于训练模型，属于一次性高投入但长期受益的数据资产。
### AI设计蛋白质能完全替代湿实验吗？
不能。AI目前主要用于加速蛋白质序列的优化设计，但设计结果必须通过湿实验验证其真实功能。AI在速度和成本上优于传统方法，但尚未达到能完全替代实验验证的精度。