AlphaFold2 在 2021 年解决了蛋白结构预测问题，且预测精度可与实验方法相当，这直接重塑了 AI 医疗中科研服务的供给侧格局。对下游药企和科研机构而言，AI 医疗的需求正从“能不能算”转向“算得准不准、用得好不好”，需求节奏也随之呈现项目制脉冲与平台订阅持续性并存的周期性特征。

供给侧：从“结构稀缺”到“算力普惠”

AlphaFold2 的核心突破在于找到了一个将 1D 序列和 3D 结构联系起来的数学公式，使得蛋白结构预测这一过去高度依赖实验、成本高昂的环节，在精度上达到与实验相当的水平。这一开源工具的普及，意味着结构预测服务的供给能力大幅提升，行业竞争从“谁能预测”转向“谁预测得更快、更贴合应用场景”。

更重要的是，AlphaFold2 启发了基于深度学习的蛋白质设计新方法。AI 能够通过学习已有蛋白质序列，创造自然界不存在但具备类似功能的蛋白，且序列相似度可低于 30%。在工业或医药应用中，蛋白质工程常需对天然蛋白进行 5-20 个氨基酸的突变，以优化稳定性、结合力、亲和力、催化活性等性质——AI 的高维特征提取能力，恰恰能抓住比人类经验更本质的因果因素，这让供给端的能力边界从“预测结构”延伸到了“设计蛋白”。

需求侧：药企与科研的节奏分化

下游需求的释放并非匀速。在制药领域，AI 药物研发仍处于发展初期，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，整体仍处于探索阶段。因此，药企对结构预测的需求更多嵌入在药物发现和临床前研究环节，属于项目制、脉冲式的采购——每当进入新的靶点或候选分子阶段，才会产生集中的计算需求。

相比之下，学术科研与合成生物学领域的持续性更强。蛋白结构预测已成为常规研究工具，科研团队对高精度结构的需求贯穿课题始终；而 AI 蛋白质设计在稳定性、催化活性等方向的优化，则需要反复迭代计算，天然适配平台订阅或长期合作的模式。项目制的“脉冲”与平台订阅的“持续”，构成了 AI 医疗科研服务需求节奏的双轨特征。

周期性判断：快与慢的矛盾仍在

尽管 AlphaFold2 带来了工具革命，但需求端的周期并未消失。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，科学界和资本市场都很难完全承认 AIDD 的价值。AI 在药物发现上的作用目前仍局限在速度和成本上，而非决策质量，且药物是否有效、何为“好药”的反馈周期极长，数据积累成本高、速度慢。

因此，结构预测的供给能力跃升，并不会立刻转化为制药全流程的效率革命。更现实的路径是：在反馈周期短、数据标签相对清晰的蛋白质工程领域，AI 的落地节奏会显著快于小分子药物研发。行业整体需等待算法更新、算力突破与大数据发展共同推动 AI 深入新药研发的各个环节。

常见问题

AlphaFold2 对科研服务商是利好还是利空？

对具备算法能力和应用落地能力的服务商是利好，因为需求场景从结构预测扩展到了蛋白质设计；对仅依赖开源工具做基础预测的同质化服务商，则面临竞争加剧的压力。

药企和科研机构谁的需求更稳定？

科研机构的持续性更强，结构预测已成为常规工具贯穿课题全程；药企的需求则偏项目制，集中在药物发现和临床前研究环节，随研发管线推进呈脉冲式释放。

AI 蛋白质设计目前处于什么阶段？

以 GPT 为代表的大模型在蛋白质设计方面已展现出超越人类经验的能力，例如通过深海耐高温蛋白数据训练模型，即可设计出耐高温的目标蛋白，但整体仍属前沿应用，需结合具体工业或医药场景逐步验证。