AI 医疗在蛋白质设计上的能力优势，目前还不足以直接转化为定价权。 从价格传导链条看，AI 制药服务仍主要靠“降本增效”向药企收费；由于 AI 在药物发现上的作用仍局限在速度和成本上，而不是决策的质量，整体议价能力偏弱。相对而言，蛋白质设计（酶工程）因验证周期短、效果可量化，议价能力比小分子药物发现更强。上游算力与数据提供方掌握关键卡位，下游药企虽有管线压力带来的付费意愿，但压价能力同样强。
能力优势为何难变成定价权
蛋白质设计是当前 AI 医疗中较具代表性的方向。以 GPT 为代表的大模型在蛋白质设计方面已经完全碾压了人类，AlphaFold2 解决了蛋白结构预测问题，并启发了基于深度学习的蛋白质设计新方法，使 AI 能够设计出与自然界蛋白序列相似度低于30%、但具备类似功能的蛋白。
但“设计得出来”不等于“收得上价”。AI 制药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，商业模式也需市场进一步验证。更关键的是，AI 在药物发现上的作用仍局限在速度和成本上，而不是决策的质量——它优化的是效率，而非替药企承担研发成败的责任，这决定了议价的天花板。
价格传导：钱从哪来，卡在哪一环
AI 医疗服务的收费逻辑，本质是把算力、数据与算法投入，转化为药企可感知的研发效率提升，再向药企收费。这条链条上有两个卡位：
- 上游算力与数据提供方：高质量生物医学数据缺乏、数据孤岛难解，谁掌握稀缺数据与算力，谁就在链条中占据关键位置。
- 下游药企：管线压力带来付费意愿，但作为买单方，压价能力同样强。
而 AIDD 的困难在于，药品研发是极度漫长严谨的过程，AI 的快与制药的慢存在不可调和的矛盾；在第一个 AIDD 药物跑完全程之前，无论科学界还是资本市场都很难完全承认它。验证周期越长，议价越弱。
为什么蛋白质设计议价能力相对更强
蛋白质工程面向的是稳定性、结合力、亲和力、催化活性、底物选择性等可量化指标，且天然蛋白需经突变优化才能适配工业或医药的实际使用环境，需求明确、反馈相对快。效果可量化、验证周期短，意味着服务价值更容易被定价和复购，这是它比小分子药物发现议价能力更强的原因。
| 维度 | 小分子药物发现 | 蛋白质设计 |
|---|---|---|
| AI 作用 | 速度与成本 | 速度与成本，并可设计新序列 |
| 验证周期 | 长，需跑完全程 | 相对短 |
| 效果可量化 | 较难，缺标签数据 | 指标明确 |
| 议价能力 | 偏弱 | 相对更强 |
常见问题
AI 蛋白质设计大模型的能力，能直接变成定价权吗？
不能直接等同。能力优势要经过“药企是否愿意为可量化结果付费”这一关，而 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，因此定价权整体仍偏弱。
AI 医疗服务当前主要靠什么向药企收费？
主要靠降本增效。AI 制药仍处发展初期，商业模式需市场验证，服务方多以提升研发效率为价值主张向药企收费，而非分享研发决策权。
产业链上谁最有议价能力？
上游算力与数据提供方掌握关键卡位，下游药企付费意愿强但压价能力也强。中游 AI 服务方能否提升议价权，取决于其效果能否被快速、量化地验证——这也是蛋白质设计相对占优的原因。