AlphaFold2 之后，AI 医疗在蛋白结构预测上的供给能力实现了一次跨越式提升，但需求端受制于药物研发的漫长周期，供需之间呈现出阶段性错配与周期波动的特征。当前 AI 药物研发整体仍处于发展初期，供给能力的跃升并未立刻转化为研发效率和成功率的革命性改变，把握节奏的关键在于区分“AI 的快”与“制药的慢”之间的结构性矛盾。
供给跃升：AlphaFold2 打开的结构预测新空间
AlphaFold2 的核心突破在于解决了蛋白结构预测的问题，且精度与实验相当。这一进展将蛋白质的 1D 序列与 3D 结构通过数学方式联系起来，并启发了基于深度学习的蛋白质设计新方法。在蛋白质设计方面，以大模型为代表的技术路径已经展现出超越人类经验的能力——例如，AI 可以基于深海耐高温蛋白数据训练模型，设计出具备耐高温特性的目标蛋白，且其找到的优化点位有时违背人类直觉，却能有效提升稳定性。
这意味着，在蛋白结构预测与设计这一细分环节，AI 的供给能力已经不再是瓶颈。但需要明确，这一能力跃升主要集中在蛋白质工程领域，而非整个药物研发链条。
需求约束：制药周期的“慢”决定了释放节奏
AI 药物研发的困难之处，在于药品研发是一个极度漫长严谨的过程，AI 的快和制药的慢有着不可调和的矛盾。目前 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；药物开发距离“AI ready”的广泛性使用仍有较长距离。原因在于：
- 人类经验不足：化学结构空间广阔，人类对大部分蛋白功能、修饰变化及细胞信号通路的理解仍十分有限；
- 数据难以量化：对健康和表型的定量测量刚刚起步，高质量生物医学数据缺乏，数据孤岛问题长期存在；
- 反馈周期过长：药物从细胞体系到小动物模型再到人类个体，效果差异巨大，优劣分级和正负反馈的积累成本高、速度慢。
这些约束决定了 AI 医疗在临床前研究环节的需求释放是渐进的，而非爆发式的。
周期节奏：供需错配下的阶段特征
综合来看，当前 AI 医疗蛋白结构预测领域呈现出供给能力先行、需求释放滞后的阶段性错配。供给端，AlphaFold2 后蛋白设计能力快速提升；需求端，药物研发的整体节奏并未因单一环节的突破而显著加速。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 的完整价值。
对于周期节奏的把握，应关注以下维度：算法更新、算力突破及大数据发展的进度，AI 技术在化合物合成、药效预测及自动化研发等环节的渗透深度，以及企业商业模式在市场中验证的进程。
常见问题
AlphaFold2 是否意味着 AI 制药已经成熟？
不是。AlphaFold2 解决了蛋白结构预测这一具体问题，但 AI 药物研发整体仍处于发展初期，受生物系统内在复杂性和疾病异质性特征的制约，AI 技术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 蛋白设计与传统方法相比有何不同？
AI 进行蛋白质设计的逻辑与人类完全不同。人类经验总结出的规律多具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，甚至找到违背人类直觉但能提高稳定性的优化点位。
如何判断 AI 医疗行业的投资节奏？
可参照“AI ready”的三个标准：行业是否积累了丰富的人类经验、经验能否被量化和定义成算法、经验是否有分级且能判断好坏。目前药物开发在这三方面均未完全达标，需求释放将是一个渐进过程，需关注数据积累、反馈周期和商业模式验证的进展。