AI医疗的供需节奏正在经历一次明显的赛道切换：从以药物发现（AIDD）为核心的“数据饥渴”阶段，转向以蛋白质设计为代表的“算力释放”阶段。这一轮切换的核心逻辑在于，供给端从依赖稀缺的湿实验数据，转向了可由AI生成与预测的结构数据；而需求端的付费意愿，也从“赌一个药能否上市”的漫长验证，转向了“快速获得可用蛋白”的即时反馈。
供给端：从“化学空间”的绝望到“序列空间”的转机
在传统的AI药物发现（AIDD）赛道，供给端面临的核心瓶颈是数据荒。官方资料指出，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，但目前仅对约2亿个类药分子进行了实验表征。这种极度稀疏的“正样本”让AI难以学习，因为高质量生物医学数据缺乏，数据孤岛问题长期存在。
然而，AlphaFold 2的出现改变了供给逻辑。它解决了蛋白结构预测的问题，精度可与实验媲美，并启发了基于深度学习的蛋白质设计新方法。这使得供给端从“在未知化学海洋里捞针”，转变为“在已知序列规则下造针”。AI通过学习已有蛋白质序列，能够创造自然界不存在但具备类似功能的蛋白，且序列相似度可低于30%，这极大扩充了可供筛选和优化的初始供给池。
需求端：从“验证耐心”到“即时反馈”
需求端的节奏同样在变化。在药物发现环节，AI的作用仍局限在速度和成本上，而非决策质量。由于药品研发极度漫长严谨，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其价值，付费意愿自然受限。
相比之下，蛋白质工程（酶工程）的需求验证周期短得多。工业或医药使用场景需要蛋白质在稳定性、结合力、催化活性等性质上达到最优，这需要通过突变5-20个氨基酸来实现。AI在此处的价值立竿见影：例如利用深海耐高温蛋白数据训练大模型，AI能设计出具备耐高温特性的目标蛋白，这种能力的验证不需要等待数年的临床试验，而是在实验室即可快速确认。
供需匹配度的新平衡点
赛道切换后，供需匹配度显著提升。在蛋白质设计领域，以GPT为代表的大模型展现出极强能力，其高维特征提取方式甚至能抓住超越人类经验直觉的本质因素。对于生物医学这类人类归纳的低维特征不足以完备解释结果的学科，AI的介入反而可能更精准、成本更低。
| 维度 | 药物发现（AIDD） | 蛋白质设计 |
|---|---|---|
| 核心供给 | 实验表征的类药分子（约2亿个） | AI生成的蛋白质序列与结构 |
| 数据瓶颈 | 极度稀缺，数据孤岛严重 | 依赖高质量序列-功能数据集，但生成成本低 |
| 需求验证 | 临床反馈周期长，成本高 | 实验室验证，反馈速度快 |
| 供需矛盾 | AI的快与制药的慢不可调和 | AI的生成速度与工业需求节奏相对匹配 |
常见问题
AI医疗的“AI ready”标准是什么？
判断行业是否适合广泛引入AI需满足三个标准：行业积累了丰富的人类经验、经验能被量化并定义成算法、经验有分级能判断好坏。对照这些标准，药物开发距离广泛使用AI仍有距离，而蛋白质设计因反馈更快，更接近AI ready状态。
为什么说AlphaFold 2是赛道切换的分水岭？
AlphaFold 2解决了蛋白结构预测问题，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。它让AI从“理解”蛋白质走向“创造”蛋白质，将产业焦点从依赖海量实验数据的小分子药物发现，转向了更依赖算法生成能力的蛋白质工程。
蛋白质设计能替代AI药物发现吗？
两者并非替代关系，而是互补与递进。AI药物发现仍面临数据、算法和商业模式的验证挑战，处于探索阶段；而蛋白质设计在工业酶、生物医药等场景已展现出更快的验证闭环。对于投资者而言，蛋白质工程领域的反馈周期更短，商业模式的市场验证过程可能相对更快。