徽声在线9月19日讯（记者 林晓 苏然）在近日举办的“2026张江药谷大会暨上海国际生物医药产业周‘未来智药：AI+制药前沿论坛’”上，众多专家学者围绕AI生物制药的发展瓶颈展开深入探讨，其中数据问题成为焦点话题。

更精准地讲，行业所面临的挑战不仅在于数据量，更在于高质量数据的获取以及构建数据持续回流的闭环机制。

当前，全球AI辅助药物研发正呈现爆发式增长态势。据L.E.K. Consulting最新统计数据显示，截至2025年，全球进入临床阶段的AI辅助药物分子数量已突破100个；在中国市场，超过90家本土药企已与AI生物科技公司建立战略合作关系，共同推进创新药物研发。

巢生资本执行合伙人周悦欣指出，相较于传统制药企业，AI制药公司更受资本市场的青睐。然而，在行业热度持续升温的背后，AI制药的发展仍面临显著瓶颈。

数据困境：质量与机制的双重挑战

力场采样创始人彭向达强调，生物制药模型与自然语言大模型存在根本性差异。他解释道：“自然语言模型可以依托互联网海量文本数据进行训练，但生物分子领域的高质量结构数据储备却相对匮乏。生物分子的作用机制极为复杂，当模型遇到未学习过的分子时，预测性能就会显著下降。而在实际药物研发中，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补充道：“目前的数据稀缺性不仅体现在数量上，更体现在机制层面。例如，药物使用后病人的病理变化数据可以大量采集，但背后的作用机理数据却难以获取。未来或许会有更多仪器和方法论出现，帮助我们获取多尺度、时间序列数据，但现阶段仍难以实现。”

这意味着，AI制药真正缺乏的不是传统意义上的“大数据”，而是能够真实反映药物研发过程的高质量、机制性数据。没有这些数据支撑，即使模型再先进，也难以实现有效的药物研发。

除了采集难度大，数据质量也直接影响着AI制药的效能。

上海交通大学数学科学学院和人工智能学院教授陈洛南指出，跨模态配对数据对AI制药模型训练至关重要，但目前行业获取的数据大多为单模态数据。他解释道：“单点数据只能反映某一维度的信息，而通过时间扰动等手段获取的多维度数据，才能实现跨模态、有组织的数据输出。”

临港实验室AI临床研究员袁博也持类似观点，他认为：“多维度数据的整合分析能够更全面地揭示生物分子的作用机制，从而提升模型的预测准确性。”

模型开源时代：数据生态成为核心竞争力

腾讯健康首席架构师陈睿认为，相比数据采集的困难，模型本身并非AI制药的最大壁垒。他透露：“腾讯在深科实验室开展了大量蛋白质相关研究，不少模型已经开源供行业使用。我们开放模型权重，就是因为认识到模型本身不是决定性因素。”

陈睿进一步介绍，腾讯近期重点布局实验反馈强化学习技术。他强调：“算力和算法只是AI制药的入场券，真正的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数据的积累。我们更关注实验完成后数据能否回流到模型进行持续训练，这个过程中积累的数据和工程能力才是核心竞争力。”

他还特别指出：“失败数据同样具有重要价值，它们能够帮助模型避免重复错误，提升研发效率。”

从论坛讨论可以看出，AI制药的竞争逻辑正在发生深刻变化。

过去，行业更关注模型规模、算法强度和算力资源，但随着模型逐渐开源、算力日益普及，真正的竞争壁垒正转向数据生态的构建。谁能建立更完善的数据采集、整合和反馈机制，谁就能在未来的AI制药竞争中占据优势。

“未来10年，我们一定会看到一批通过AI重构药物研发流程的伟大公司出现。”深势科技生命科学AI4S方向架构总经理李厦戎的这句话，代表了行业对AI制药未来的共同期待。

（徽声在线记者 林晓 苏然）