徽声在线9月19日讯（记者 武超 于淼）在“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，众多专家学者围绕当前AI生物制药领域面临的挑战展开深入探讨，其中，数据问题成为焦点话题。

更确切地说，高质量的数据资源以及构建数据持续回流的闭环能力，是制约AI制药发展的关键因素。

全球范围内，AI辅助药物研发正呈现出爆发式增长态势。根据L.E.K. Consulting的统计数据，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；与此同时，超过90家中国本土企业已与AI生物技术公司达成合作，共同推进药物研发进程。

巢生资本执行合伙人周悦欣也指出，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，在热度背后，AI制药的发展仍面临诸多瓶颈。

数据稀缺：不仅仅是数量不足的问题

力场采样创始人彭向达认为，生物制药类模型与自然语言大模型在本质上有显著差异。

“自然语言模型可以依托海量的互联网文本数据进行学习，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，当模型遇到未曾学习过的分子时，其预测性能会显著下降。而在实际的药物研发场景中，研究对象大多为全新分子。”彭向达解释道。

“事实上，我们的数据非常稀缺。一个药物使用后，病人的表现如何变化，虽然可以采集到大量临床数据，但整套的机理数据却很难获取。”上海科学智能研究院研究员杨自雄表示，“未来，或许会有更多仪器和方法论的出现，使我们能够获得多尺度、时间序列的数据，但目前还无法实现。”

这意味着，AI制药所缺乏的并非一般意义上的“大数据”，而是贴近真实药物研发过程的高质量、机制性数据。没有这些数据，即使模型再先进，也难以实现“会做药”的目标。

除了数据采集困难外，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，跨模态的配对数据对于AI制药模型的训练至关重要，但目前行业可获取的数据大多为单模态数据。

“仅用单点数据观察某一数据切片会局限于单一维度，而通过时间扰动等手段获取不同时间维度的数据，可以实现跨模态的数据输出，从而开展更有组织的数据分析。”临港实验室AI临床研究员袁博补充道。

模型开源后，数据生态成为竞争核心

相比数据采集端的困境，腾讯健康首席架构师陈睿认为，模型本身并非AI制药面临的最大障碍。

据陈睿介绍，腾讯在深科实验室开展了大量蛋白质相关研究，并将不少模型开源，供行业研究者使用。“我们开放模型的权重，正是因为意识到模型本身并非最大的壁垒。”

腾讯近期的重点布局是实验反馈强化学习。在陈睿看来，算力和算法只是AI赋能生物制药的入场券，而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，才是突破困境的关键。

“我们更关注的是实验处理完成后，数据能否反馈到模型中继续训练。在这个过程中，相应的数据以及工程发展能力尤为重要。我认为，大家需要更加重视失败的数据。”陈睿强调。

从论坛上的讨论来看，AI制药的竞争逻辑正在发生变化。

过去，行业更关注谁的模型更大、算法更强、算力更多，但随着模型逐渐开源、算力逐渐普及，真正的壁垒将转向数据生态的构建。

“未来10年后，一定会有一批通过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制药的长期期待。

（徽声在线记者 武超 于淼）