AI制药的反馈周期与数据孤岛问题确实存在，但行业真正被高估的风险点，在于市场对“AI替代人类决策”的预期过早，而AI在药物研发中的实际作用仍局限于速度和成本优化，尚未触及决策质量与真实药效验证。结合行业现状，AI制药面临的核心风险并非单一技术瓶颈，而是“人类经验不足—数据孤岛—反馈周期长”三者相互强化的系统性困境。

数据孤岛与经验不足：AI优化的天花板

AI的本质是复制并优化人类经验，但药物开发领域“未知的远多于已知的”。化学结构空间广阔，目前人类仅对约2亿个类药分子进行了实验表征，对大部分蛋白质功能、修饰变化及细胞信号通路的理解仍很有限。行业经验难以被充分数据化，高质量的生物医学数据缺乏，数据孤岛问题长期难以解决。这意味着即便算法再强，缺乏足够的高质量标注数据，AI也难以在关键环节实现有效迭代。

反馈周期漫长：模型迭代与验证的硬约束

药物研发的反馈链条极长——从细胞体系到小动物模型，再到复杂的人类个体，效果差异显著。一个药物是否真正有效，只有通过实验和临床反馈来积累经验，而这些数据积累成本高、速度慢。在第一个AI设计药物（AIDD）跑完全程之前，无论是科学界还是资本市场都很难完全承认其价值。AI的“快”与制药的“慢”存在不可调和的矛盾，这直接限制了模型的快速迭代与验证。

商业模式未验证与替代量度脱节

目前AI制药处于发展初期，技术上面临数据、算法和专业人才挑战，企业商业模式也需要市场进一步验证。AI在药物发现上的作用仍局限在速度和成本上，而非决策质量。一个突出问题是过多使用替代量度（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性质等进行综合考量，仍是重大挑战——替代量度与真实药效之间的脱节，可能导致AI优化的方向与临床获益出现偏差。

常见问题

数据孤岛问题短期内能被技术解决吗？

很难。数据孤岛的根源在于行业经验本身难以被量化，且高质量生物医学数据缺乏。即便算法进步，若缺乏跨机构、标准化的高质量数据共享机制，AI训练所需的数据基础仍受制约。

反馈周期长对AI制药意味着什么？

意味着AI模型的迭代速度远低于其他AI应用领域。药物研发的反馈需经过实验、临床等多阶段验证，周期漫长且成本高昂，使得AI难以快速试错和优化，也拉长了商业模式验证的时间。

替代量度与真实药效脱节的风险有多大？

这是当前AI制药面临的核心挑战之一。若AI优化基于靶点活性等替代指标，而非有效性与安全性的直接数据，可能导致研发出的候选药物在后续阶段失败率较高。这一问题的解决，有赖于对化合物-蛋白质-作用机理-药效全链条关系的更深入理解。