AlphaFold2 横空出世后，AI 医疗赛道的竞争格局发生了显著变化：技术高地由 DeepMind（谷歌）凭借 AlphaFold2 占据，其开源策略将竞争焦点从“预测结构”推向“设计蛋白”，并直接催化了 AI 制药从传统小分子向蛋白质工程、酶工程等新方向的赛道切换。这一事件让行业竞争从“数据与算力的军备竞赛”转向“对生物底层逻辑的理解深度”，头部企业的分化也因此加速。

竞争格局的变与不变

AlphaFold2 解决了蛋白结构预测问题，其精度被官方表述为“和实验一个精度”，并启发了基于深度学习的蛋白质设计新方法。这直接改变了竞争格局：

  • 上游技术被重新定义：DeepMind 找到了一个将 1D 序列和 3D 结构联系起来的数学公式，相当于为行业提供了底层基础设施。其开源策略使得后来者不必重复“造轮子”，但也意味着单纯比拼预测精度已无意义，竞争转向了如何利用该工具进行下游创新。
  • 赛道重心迁移：AI 制药在小分子上的最大瓶颈是数据不足，而 AlphaFold2 让蛋白质工程（酶工程）成为“柳暗花明”的突破口。这一领域对数据质量的要求与小分子不同，且反馈周期更短，成为后 AlphaFold2 时代最具确定性的增长方向。
  • 大模型成为新变量：以 GPT 为代表的大模型在蛋白质设计上展现了强大能力，AI 设计蛋白的逻辑与人类完全不同，能够抓住人类经验之外的“反直觉”优化点位。这意味着竞争壁垒从“经验积累”转向“高维特征提取能力”。

头部企业的分化逻辑

在竞争格局变化中，头部企业的分水岭在于：是否将 AI 定位为“辅助工具”还是“核心引擎”。

  • AI 药物研发（AIDD）领域：目前整体仍处于发展初期，技术上面临数据、算法和专业人才挑战，商业模式需市场验证。我国 AI 药物研发主要应用于药物发现和临床前研究环节，受生物系统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，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，而非决策质量。
  • 蛋白质工程领域：这是 AlphaFold2 之后最被看好的方向。AI 通过学习已有蛋白质序列，可以创造自然界不存在但具备类似功能的蛋白（序列相似度低于 30%）。在实际工业或医药应用中，企业需要对蛋白质进行 5-20 个氨基酸的定点突变，以优化稳定性、结合力、亲和力、催化活性、底物选择性等性质，AI 在此过程中的价值已得到初步验证。

常见问题

AlphaFold2 是否意味着 AI 制药已经成熟？

没有。 药物研发是极度漫长严谨的过程，AI 的快和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，科学界和资本市场都很难完全承认 AIDD。AlphaFold2 主要解决的是蛋白结构预测问题，而药物研发涉及化合物-蛋白质-作用机理-药效的完整链条，目前尚难以理清这些复杂联系。

国内 AI 医疗企业与海外巨头的主要差距在哪里？

差距主要体现在基础数据积累和底层模型能力上。 高质量的生物医学数据缺乏、数据孤岛是长期难解决的问题。不过，国内企业在蛋白质设计的应用层面已有积极探索，例如利用深海耐高温蛋白数据训练大模型来设计目标蛋白。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的各个环节，这一差距有望逐步缩小。

投资者应如何看待 AI 医疗赛道的投资机会？

应关注 AI 技术能否真正解决生物医药领域的核心痛点，而非追逐概念。 判断企业是否“AI ready”有三个标准：行业是否积累了丰富的人类经验、经验能否被量化定义成算法、经验是否有分级好坏的标准。目前药物开发距离广泛使用 AI 仍有较长距离，但蛋白质工程领域因其数据相对充足、反馈周期较短，是更具确定性的切入点。