从传统计算机辅助药物设计（CADD）到AI大模型驱动的药物发现，AI医疗走向台前的关键拐点在于技术范式的更迭：从判别式AI到生成式AI的跃迁。早期AI在医疗中主要扮演“识别者”，而生成式AI及Transformer架构的引入，使机器具备了“创造者”的能力，能够直接预测结构、生成全新数据样本，从而将应用重心从辅助诊断推向药物研发的核心环节。

技术拐点：从“识别”到“生成”的范式跃迁

人工智能技术在医疗领域的应用，主要包括判别式AI和生成式AI两种不同类型。判别式AI擅长通过学习输入和输出数据之间的映射关系进行预测，在图像识别、疾病分类等数据集较为单一的场景中表现出色。然而，药物发现的核心痛点在于需要探索浩瀚的化学空间，这要求AI具备“无中生有”的能力。

生成式AI的崛起改变了这一格局。其核心特点是生成全新、潜在的数据样本，在数据集丰富的应用场景中优势显著。在药物发现环节，生物制药企业开始构建Transformer等生成式模型来预测结构、发现药物，这标志着AI的角色从“辅助工具”转变为“研发引擎”。与此同时，判别式AI与生成式AI的结合，也使得企业能够实现更复杂和精细的研发任务。

应用渗透：从研发端向全链条扩散

目前AIGC相关的应用在医疗领域更多集中在药物发现环节以及CXO服务领域。例如，CRO企业可以在已有数据基础上训练生成式语言模型，以更好地服务临床。在诊疗环节，AI通过工作流程改进、新数据集成和更加个性化的互动体验，为辅助问诊、健康管理注入新活力。

不过，当前AIGC在医疗领域的应用整体仍处于起步阶段，成规模的应用主要集中在聊天机器人领域，例如大型医用语言模型在医疗保健问题上的应用探索。医疗领域高度专业化、容错率低，需要基于大量可靠数据和高质量临床实践基础，并严格遵守相关法规与伦理规范。未来，高质量、用户反馈和专有数据集将是专业化模型落地的关键要素。

常见问题

生成式AI和判别式AI在药物发现中如何分工？

判别式AI更适用于图像识别、疗效预测等需要高准确度的分类任务；而生成式AI则擅长理解复杂意图并生成全新数据样本，在药物分子设计、结构预测等探索性场景中作用突出。两者结合是当前实现复杂任务的主流方向。

AI大模型在医疗领域的应用成熟了吗？

尚未成熟。当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域。在药物发现等高价值场景中，模型仍需依托高质量的专业化数据和临床实践持续优化，距离大规模普及仍有距离。

为什么医疗领域需要专业化模型而非通用大模型？

医疗是高价值、高容错率极低的垂直领域。定义明确的高价值工作流程，将主要由专门的人工智能系统来解决。医疗模型的质量改进、人类专家反馈的校准以及专有数据集的积累，决定了其能否真正符合临床标准与伦理规范。