AI医疗在探索10的60次方量级的化合物空间时，面临的核心风险与不确定性主要集中在数据质量、模型泛化能力、临床转化成功率以及商业模式验证等方面。当前AI药物研发仍处于发展初期，技术挑战与商业风险并存。
数据与经验的双重瓶颈
AI医疗的核心瓶颈在于高质量生物医学数据的缺乏。化合物空间预计评估数量级在10的60次方，但人类目前仅对约2亿个类药分子进行了实验表征，已知的只是“冰山一角”。AI的本质是复制并优化人类经验，而人类对生物和化学的理解尚不充分，包括大部分蛋白质的功能、修饰变化及细胞信号通路中的“对话”机制都未完全知晓。此外，数据孤岛问题长期存在，使得模型训练难以获得全面、有标签的数据集。
模型泛化与决策质量的局限
AI在药物发现上的作用目前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直接相关的数据结果。将配体-蛋白质活性、靶点识别及PK性质等综合考虑，依然是巨大挑战。同时，药物从细胞体系表现迁移到小动物模型已有很大差距，再到更复杂的人类个体差距更大，反馈周期长、成本高，导致AI难以获得及时、准确的优化信号。
临床转化与商业化的长期不确定性
AI药物研发的困难在于药品研发是极度漫长严谨的过程，AI的“快”与制药的“慢”存在不可调和的矛盾。在第一个AIDD药物跑完全程之前，科学界和资本市场都很难完全承认AIDD。目前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。企业商业模式也需要市场进一步验证，商业化盈利周期较长。
常见问题
AI医疗在化合物筛选中的主要风险是什么？
主要风险是数据噪声与偏差。高质量生物医学数据缺乏，且药物研发反馈周期长，使得AI模型在训练时难以获得充分、准确的标签，导致预测结果可能在真实世界中泛化能力不足。
AI能否提高药物研发的成功率？
目前AI的作用仍集中在提升速度和降低成本上，尚未能显著提高决策质量或临床试验的成功率。其效果受限于对生物系统内在复杂性和疾病异质性的理解，以及高质量数据的获取。
蛋白质工程与AI制药相比，风险有何不同？
蛋白质工程领域（如AlphaFold2应用）已取得显著突破，AI在蛋白质设计上“完全碾压了人类”。相比之下，小分子药物研发因数据瓶颈和反馈周期长，面临的不确定性更大，AI的应用进展相对缓慢。