AI 医疗中的蛋白质设计能力，正在从“设计端”改变酶与蛋白产品的成本结构。核心传导路径是：AI 通过高维特征提取提升设计精度、降低试错次数，使设计环节的议价能力增强，而下游工业用酶与蛋白产品的定价空间可能被压缩，议价能力向上游的数据与验证环节集中。 需要说明的是，这一传导目前仍处于推演阶段，AI 在药物发现上的作用仍局限在速度和成本上，而非决策质量。
设计端：试错成本下降，议价重心上移
天然蛋白质经过自然选择，在性能、稳定性、活性、特异性上已相当优秀，但工业或医药使用时的环境要求不同，需要把序列上 5-20 个氨基酸突变，使其在真实应用环境中达到更优性质——这正是蛋白质工程要做的事，主要在稳定性、结合力、亲和力、催化活性、底物选择性等方面优化。
传统路径依赖人类几十年经验总结出的结构规律，但这些规律只有相关性、没有因果性。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；在生物医学、材料工程等学科，人类提取的特征太少，AI 通用大模型提取的数据是高维的，精度更高、成本更低。当设计试错次数被压缩，掌握模型与数据的一方在议价中就更主动。
传导端：下游产品定价空间承压
设计环节效率提升后，会沿产业链向下传导。以 GPT 为代表的大模型在蛋白质设计方面已完全碾压了人类，上海交大的洪亮教授利用深海耐高温蛋白数据训练大模型，AI 能轻松设计出具备耐高温目标的蛋白。这类能力意味着，过去靠“能设计出某个蛋白”形成的稀缺性会被削弱，下游酶与蛋白产品的价格空间随之承压。
但传导并非没有阻力。AI 方法在缺少标签的数据集中很难发挥作用，化合物-蛋白质-作用机理-药效之间的联系尚难理清；高质量的生物医学数据缺乏、数据孤岛也是长期难题。因此议价能力更可能向上游的数据、算法与实验验证环节集中，而非均匀分布。
常见问题
AI 蛋白质设计会直接压低工业用酶的价格吗？
不会立刻、直接地压低。传导依赖两个前提：设计成果能稳定迁移到真实应用环境，以及下游验证环节足够高效。目前 AI 制药整体仍处于探索阶段，企业商业模式也需市场进一步验证，价格影响更多是渐进的。
议价能力为什么会向上游集中？
因为 AI 的价值来自高维特征与数据质量。人类经验不足、经验难以量化分级时，AI 很难发挥作用；反过来，谁掌握可量化的优质数据和验证能力，谁就在定价谈判中占优。这也是议价重心上移的根本原因。
这一趋势对投资者意味着什么？
可关注产业链中数据、算法与实验验证环节的参与者。但需注意，AI 在药物发现上的作用仍局限在速度和成本上，而非决策质量，行业整体仍处发展初期，具体影响需以后续公开数据与验证结果为准。