西达本胺的CADD之路证明了计算方法的价值，但AI医疗相比传统CADD的技术壁垒主要体现在高质量训练数据的获取、模型的可解释性、算力成本以及从计算到临床验证的闭环能力。传统CADD（计算机辅助药物设计）依赖分子模拟和定量构效关系，而AI医疗（AIDD）则需深度学习、生成模型等前沿算法，二者在技术路径上存在本质差异。
技术路径的差异
传统CADD如西达本胺的开发，主要基于分子模拟和定量构效关系，这是1966年由赛勒斯·利文索尔将计算机模拟与分子图像相结合开始的常规操作。而AI医疗（AIDD）则引入机器学习、自然语言处理及大数据等技术，覆盖靶点确认、分子生成、化合物筛选、ADMET性质检测等环节，显著优化研发效率和质量。
核心壁垒：数据与算力
AI医疗的技术壁垒首先体现在高质量训练数据的获取上。产业链上游的医药数据是行业关键竞争壁垒，云计算平台则保障算力供给。此外，模型的可解释性也是一大挑战——AI生成的分子结构需要从计算到临床验证的闭环能力，而当前全球AI药物管线中，仅4%涉及新靶点发现，大部分仍处于积累训练期。
常见问题
AI医疗能完全取代传统CADD吗？
不能。当前AI医疗仍处于从CADD向AIDD转型的过程中，主要起辅助作用。全球80条获批临床的AI药物管线中，仅3条运用AI发现新靶点，说明AI更多是优化而非替代传统方法。
AI医疗的主要应用场景有哪些？
目前主要集中在临床前药物发现阶段，包括靶点确认、分子生成、化合物筛选等。部分公司也开始探索将AI应用于临床试验患者招募和成功率评估，例如通过匹配医疗记录和受试药物信息来优化招募。
AI医疗的商业模式有哪些？
主要有三类：AI SaaS（售卖软件）、AI CRO（提供研发外包服务）和AI Biotech（自主研发药物）。预计未来SaaS模式会逐渐减少，企业更多向AI CRO和AI Biotech转型。