AI蛋白质设计的研发成本结构，正从“以湿实验人力试错为主”转向“前期算力与数据投入高、后期边际成本低”的模式。传统蛋白质工程依赖资深专家的经验积累，通过大量湿实验反复试错来优化蛋白的稳定性、结合力、催化活性等指标；而AI蛋白质设计用高维向量描述蛋白质特征，替代部分人类经验判断，将成本重心前移至算力投入、数据训练与模型迭代，同时显著压缩了无效试错的湿实验消耗。

成本重心转移：从“试错”到“算力”

传统蛋白质工程中，成本主要沉淀在湿实验环节：每一次对氨基酸序列的突变（通常涉及5到20个氨基酸的替换）都需要在真实应用环境中验证性能，周期长、反馈慢，且大量实验可能指向无效路径。AI蛋白质设计则改变了这一结构——前期需要较高的算力与数据投入，用于训练大模型学习已有蛋白质序列与结构的关系；一旦模型成熟，设计新蛋白的边际成本大幅降低，因为AI可以在序列层面直接生成与自然界已知蛋白相似度低于30%的全新候选，再交由湿实验做精准验证。

反直觉优势：减少无效消耗

AI蛋白质设计的核心价值在于其“反直觉”能力。人类专家通过数十年经验总结出的蛋白质结构规律，往往只有相关性而非因果性；而深度学习用高维向量描述蛋白质特征，有可能抓住更本质的因素。这意味着AI能找到违背人类直觉但确实提升稳定性的突变点位，减少因经验局限导致的无效试错支出。在生物医学这类低维特征难以完备解释复杂现象的学科中，AI提取的高维数据精度更高，成本更低，从而重塑研发的投入产出比。

常见问题

AI蛋白质设计能完全替代湿实验吗？

不能。AI负责生成候选序列与预测结构，但最终的性能验证（如稳定性、结合力、催化活性）仍需湿实验确认。成本结构的变化在于湿实验从“广泛试错”转为“精准验证”，整体消耗显著下降。

前期算力投入有多大？

官方资料未公布具体投入数值。可以确定的是，AI蛋白质设计需要训练大模型学习海量蛋白质序列与结构数据，前期算力与数据成本较高，但这一投入属于一次性基础设施，后续设计新蛋白的边际成本较低。

这种成本结构变化对所有研发企业都适用吗？

并非所有企业都处于“AI ready”阶段。行业需满足经验丰富、可量化、有优劣分级三个标准，AI才能普遍入局。蛋白质工程因结构预测问题已被较好解决，成为AI应用较成熟的领域；而更广泛的新药研发仍面临数据缺乏、反馈周期长等挑战，成本结构转型尚需时日。