超100个AI药物进临床阶段数据仍是AI制药最大瓶颈

截至2025年，全球已有超过100个AI辅助药物分子进入临床试验阶段，标志着人工智能在生物医药领域的应用正迎来爆发式增长。然而，在这一看似繁荣的景象背后，AI制药行业却面临着一个共同的瓶颈——数据问题。

"数据是AI制药的核心命门。"力场采样创始人彭向达在2026张江药谷大会的未来智药论坛上表示，生物制药类模型与自然语言处理模型存在本质差异。"自然语言模型可以学习海量的互联网文本数据，但针对生物分子领域，高质量的结构数据储备相对有限。当模型面对未曾学习过的分子时，预测性能会出现明显衰减。而真实药物研发场景中，研究对象大多为全新分子。"

上海科学智能研究院研究员杨自雄进一步指出，生物分子的工作规律极为复杂，现有数据采集手段难以捕捉完整的机制性信息。"一个药物使用后，病人的表现如何变化，之前可以采集大量临床上的数据，但这整套的机理数据是很难看到的。未来或许会有更多仪器和方法论提出，但现在我们还做不到多尺度、时间维度的数据采集。"

这意味着，AI制药面临的不是一般意义上的"大数据"问题，而是贴近真实药物研发过程的高质量、机制性数据的缺失。没有这些关键数据，即使最先进的AI模型也难以胜任"会做药"的任务。

除了数据采集困难外，数据质量也成为影响AI制药效能的关键因素。上海交通大学陈洛南教授强调，跨模态的配对数据对于AI制药模型训练至关重要。"用单点数据看某一数据切片会局限于单一维度，但通过时间扰动等手段获得不同时间维度的数据，可以开展跨模态分析，实现有组织的数据输出。"

临港实验室AI临床研究员袁博补充道："目前行业可获取的数据大多为单模态数据，缺乏系统性的跨模态整合能力。"

腾讯健康首席架构师陈睿则从另一个角度指出了AI制药的竞争逻辑转变。"模型本身并非AI制药面临的最大壁垒。我们已经开源了大量蛋白质相关研究模型，可供行业使用。真正的破局关键在于干湿实验的反馈闭环能力，以及各类数据，特别是失败的数据。"

陈睿认为，实验处理后的数据能够再换回到模型继续训练，这种持续的数据回流机制才是AI制药的核心竞争力所在。"在这个过程中，我们的工程发展能力也很重要。我认为大家更需要关注失败的数据，因为它们往往蕴含着最有价值的信息。"

深势科技生命科学AI4S方向架构总经理李厦戎在论坛上表示："未来10年后，一定会有一批AI重构药物研发流程的伟大公司出现。"这一观点代表了行业对AI制药长期发展的期待，但也提醒从业者必须解决当前的数据瓶颈问题。

随着AI制药技术的不断进步，数据问题将成为决定行业发展的关键因素。只有建立起高质量、机制性的数据体系，并实现数据的持续回流，AI制药才能真正突破瓶颈，实现其在生物医药领域的革命性应用。