在AI医疗的蛋白质设计方向，用高维向量描述蛋白质特征确实可能触及比人类经验规律更本质的因素，但这条路线当前的核心壁垒并不在算力或模型规模，而在于高维特征的可解释性、训练数据的质量与量级、跨学科迁移能力，以及从相关性迈向因果性之间的鸿沟。人类数十年积累的结构规律大多只具备相关性，而深度学习以高维向量刻画蛋白质时，理论上存在捕捉更本质因素的可能，但这一可能能否稳定兑现，仍取决于上述基础条件的成熟度。

壁垒一：人类经验本身尚未被充分量化

AI的本质是复制并优化人类经验。在药物开发领域，虽然积累了海量信息，但未知的更多：DNA转录成RNA再翻译成蛋白质的路径已被解读，但大部分蛋白的功能与修饰变化并不完全知晓，细胞膜上蛋白质的相互作用、细胞信号通路中各蛋白质与细胞器之间如何“对话”的机制理解仍然有限。化学结构空间广阔，预计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。当人类经验本身尚不充足时，让AI去操作就缺乏根基。

壁垒二：高质量数据稀缺，反馈周期漫长

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。高质量生物医学数据缺乏、数据孤岛难解，是长期存在的问题。同时，优劣分级和正负反馈远远不够且反馈周期长：药物在细胞体系表现出的效果，迁移到小动物模型已有很大差距，再到复杂的人类个体差异更大。一个药物是否真正有效，只有通过实验与临床反馈积累经验和数据，成本高、速度慢。

壁垒三：从相关性到因果性的鸿沟

人通过几十年经验能总结出一些规律，比如蛋白质结构上的规律，但这些规律只有相关性，而没有因果性。以稳定性为例，它与蛋白质结构规律有相关性，却不是决定后者的完备因素，并非第一性的东西。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。像数学、物理这样的学科，其低维特征与最后结果是一对一的、决定性的完备坐标系；而生物医学、材料工程等学科，人们提取出来的特征太少，AI通用大模型提取出的数据是高维的，精度更高、成本更低——但高维特征能否真正对应因果本质，仍是待解的问题。

常见问题

为什么说AI在蛋白质设计上可能超越人类直觉？

因为AI进行蛋白质设计的逻辑和人类完全不同。有些AI找到的好的点位是违背人类直觉的，这种反直觉的点位也能够提高相应的稳定性。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。上海交大的洪亮教授利用海洋所取得的深海耐高温蛋白数据训练大模型，AI就能轻松设计出具备耐高温特性的目标蛋白。

高维向量路线当前最现实的瓶颈是什么？

最现实的瓶颈在于数据与反馈。药物开发领域人类经验尚不充分，高质量生物医学数据缺乏、数据孤岛难解，且从细胞体系到小动物模型再到人类个体的反馈周期漫长、成本高昂。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。

这条技术路线目前整体处于什么阶段？

AI药物研发整体仍处于发展初期，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。AI技术尚不能为药物研发的效率和成功率带来革命性改变，整体仍处于探索阶段；但未来随着算法更新、算力突破及大数据发展，AI技术有望深入应用到新药研发的各个环节。