AI蛋白质设计正在绕开人类经验依赖——AI通过高维向量表征蛋白质特征，有可能抓住比人类经验规律更本质的因素，甚至能设计出违背人类直觉却更稳定的蛋白点位。这一路径的自主可控，核心取决于算法框架、训练数据与算力底座三个环节的国产化程度。目前国内在蛋白质设计大模型上已有实质性探索，但整体仍处于发展初期，技术上面临数据、算法和专业人才方面的挑战。

高维向量如何突破人类经验局限

传统蛋白质工程依赖人类从实验中归纳低维特征，但在生物医学这类复杂学科中，人类提取的特征太少，规律往往只有相关性而非因果性。AI 蛋白质设计则不同——用高维向量描述蛋白质特征时，有可能抓住更本质的决定性因素。例如上海交大洪亮教授团队利用深海耐高温蛋白数据训练大模型，AI 就能设计出具备耐高温目标蛋白；有些 AI 找到的优化点位违背人类直觉，却同样能提高蛋白质稳定性。

这意味着 AI 不再只是复制人类经验，而是在人类尚未充分理解的维度上独立探索。在蛋白质设计方面，以 GPT 为代表的大模型的能力已经大幅超越人类经验总结的范畴。

自主可控的关键变量

国产自主可控的评估，需要拆解为三个层面：

环节现状与挑战
算法框架深度学习蛋白质设计方法受 AlphaFold 启发，国内已有自主大模型训练实践，但底层框架生态仍需积累
训练数据蛋白质序列与结构数据是核心资源，数据孤岛问题长期存在，高质量生物医学数据仍缺乏
算力底座高维向量表征训练需要大规模计算资源，算力平台的自主可控程度直接影响研发节奏

从产业阶段看，目前 AI 药物研发整体仍处于探索阶段，AI 在药物发现上的作用仍局限在速度和成本上，而不是决策质量。但未来随着算法更新、算力突破及大数据发展，AI 技术将深入应用到新药研发各环节。

常见问题

AI 蛋白质设计与 AI 制药是一回事吗？

不完全相同。AI 制药（AIDD）受制于药物研发的漫长周期和临床反馈的滞后性，在第一个 AI 设计药物跑完全程之前，科学界和资本市场都难以完全承认。而蛋白质工程领域因 AlphaFold 解决了结构预测问题，成为 AI 更快落地的方向。

国产 AI 蛋白质设计当前处于什么阶段？

整体处于发展初期，主要应用于药物发现和临床前研究环节。受生物系统内在复杂性和疾病异质性制约，AI 尚不能为药物研发的效率和成功率带来革命性改变，但蛋白质设计方向已出现自主大模型训练的成功实践。

自主可控最需要关注哪个环节？

算力底座与训练数据是两大基础约束。高维向量表征需要大规模计算资源支撑，而蛋白质结构数据的质量和规模直接决定模型能力上限。两者都需要持续投入，且难以单点突破。