用AI ready三标准评估医疗AI项目时，最容易被忽视的风险点在于：一个领域即使宣称“AI赋能”，若其医疗经验尚未被充分量化、算法定义不清、优劣判断标准模糊，那么该项目很可能只是“伪AI ready”，实际落地效果会远不及预期，从而构成实质性投资风险。
判断一个医疗细分领域是否真正“AI ready”，需要同时满足三个条件：行业积累了丰富的人类经验；经验能被量化并定义成算法；经验有分级，能判断出好坏。 这三个标准看似简单，却恰好能反向筛选出大量表面光鲜、实则根基不稳的项目。对照这三条标准，最容易被忽视的风险往往不是技术本身，而是行业经验的数据化程度和反馈闭环的完整性。
经验量化不足：AI的“无米之炊”
AI的本质是复制并优化人类经验，如果人类经验本身就不足，就很难让AI去操作。在药物开发领域，虽然积累了海量信息，但未知的更多。例如，人类对大部分蛋白质的功能及修饰变化并不完全知晓，对细胞信号通路中各蛋白质、细胞器之间如何“对话”的机制理解依然局限。化学结构空间广阔，目前我们了解的只是冰山一角。
当行业经验很难被数据化时，短时间内想用上AI就比较难。 高质量的生物医学数据缺乏，数据孤岛一直是难以解决的问题。如果项目方无法清晰说明其核心数据的来源、标注标准与覆盖维度，那么其AI模型的可靠性就要打上问号。
算法定义不清与反馈周期过长
第二个常被忽视的风险在于，即便有数据，经验也未必能被清晰定义成算法。比如，通过作用机理和适应症来对药物进行标签注释十分困难，尚难以理清化合物-蛋白质-作用机理-药效等几方面的联系，这使得AI方法在缺少标签的数据集中很难发挥作用。
第三个风险点是优劣分级和正负反馈不足，且反馈周期长。AI需要明确的好坏标准才知道该往哪优化。一个药物是否真正有效，什么样的是“好药”、什么样的是“毒药”，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、反馈周期太长。药物在细胞体系表现出的效果，迁移到小动物模型有很大差距，再到更加复杂的人类个体就更不同。如果一个医疗AI项目所处的领域，其“金标准”本身还在争议中，或验证周期长达数年，那么该项目的迭代速度和商业化前景都将面临重大不确定性。
常见问题
如何识别一个医疗AI项目是“伪AI ready”？
可以从三个维度反向审视：其一，该领域的核心经验是否已经被大规模、标准化地数据化？如果数据仍依赖手工整理或孤岛化存在，则量化基础薄弱。其二，该领域是否已有公认的算法定义来表征经验？若机理尚不明晰，AI难以发挥效用。其三，该领域是否有快速、明确的优劣反馈机制？若验证周期过长，AI的优化迭代将严重受阻。
为什么说AI在药物发现上的作用仍局限在速度和成本上？
因为AI目前的作用仍局限在速度和成本上，而不是决策的质量。例如，过多使用替代量度（如靶点活性），而不是与有效性或安全性相关的数据结果。将配体-蛋白质活性、靶点识别以及PK性质等进行综合考虑，依然是所面临的一大挑战。
哪些医疗细分领域相对更接近“AI ready”？
相比小分子药物研发，蛋白质工程或酶工程领域展现出了不同的景象。以AlphaFold为代表的技术解决了蛋白结构预测的问题，且达到了与实验相当的精度，并启发了基于深度学习的蛋白质设计新方法。AI可以通过学习已有的蛋白质序列，创造自然界不存在但具备类似功能的蛋白。在某些学科研究上，AI是可能更精准的，尤其是在生物医学这类人类提取的低维特征不足以完备解释现象的学科中，AI用高维向量描述特征，有可能抓住更本质的因素。