在AI-ready三标准框架下，AI医疗行业面临的关键风险与不确定性主要集中于经验分级的主观性、量化算法的偏差以及数据隐私与质量三大方面。这三个标准——经验积累、经验可分级、经验可量化——共同决定了行业是否具备广泛引入AI的条件，而AI医疗，尤其是AI药物研发（AIDD），在每一项上都存在显著短板。
经验分级的主观性风险
AI-ready的第三标准要求“经验要有分级，能判断出好坏来”，这为AI提供了优化方向。然而，在AI医疗领域，医疗经验的分级往往高度主观。例如，药物是否有效、什么算“好药”、什么算“毒药”，需要通过实验和临床反馈来积累，但反馈周期长、成本高，且不同专家对同一数据的解读可能差异巨大。这种主观性使得AI难以获得清晰、一致的优化信号，从而限制了其决策质量。
量化算法的偏差与数据瓶颈
第二标准要求“经验要能被量化，被定义成算法”，但AI医疗面临数据质量低和算法偏差的双重挑战。官方资料指出，高质量的生物医学数据缺乏，数据孤岛问题一直难以解决；同时，AI在药物发现中的作用仍局限在速度和成本上，而非决策质量，例如过多使用替代量度（如靶点活性）而非有效性或安全性数据。此外，算法可能放大训练数据中的偏见，导致对某些人群或疾病的预测不准确，进一步增加了应用风险。
数据隐私与行业不确定性
AI医疗还面临数据隐私的核心风险。生物医学数据涉及患者隐私，而当前数据孤岛问题加剧了共享难度。官方资料强调，AI药物研发处于发展初期，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。整体而言，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，行业仍处于探索阶段。
常见问题
为什么AI在药物研发中难以实现高质量决策？
因为AI依赖的人类经验本身不完整。官方资料指出，人类对大部分蛋白功能、细胞信号通路的理解有限，且评估的化合物数量巨大（预计达10的60次方），目前仅对约2亿个类药分子进行了实验表征。AI复制并优化人类经验，若经验不足，则难以提升决策质量。
数据孤岛问题如何影响AI医疗？
数据孤岛导致高质量生物医学数据难以流通，限制了AI模型的训练和优化。官方资料明确提到，“数据孤岛是一直难解决的问题”，这使得AI难以获取足够、多样化的数据，增加了算法偏差和隐私泄露的风险。
未来AI医疗有哪些值得期待的方向？
尽管当前面临挑战，AI在蛋白质设计领域已展现巨大潜力。官方资料指出，以GPT为代表的大模型在蛋白质设计上“已经完全碾压了人类”，能够设计出反直觉但更优的蛋白。未来随着算法、算力和大数据的发展，AI有望在化合物合成、药效预测等环节扮演更关键角色。