徽声在线9月19日讯（记者 林浩 苏瑶）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，众多专家学者围绕当前AI生物制药领域面临的挑战展开了深入探讨，而话题的核心始终聚焦于一个关键因素：数据。

更精准地讲，是高质量的数据资源，以及构建数据持续回流与循环利用的闭环能力。

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的最新统计数据，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家中国本土制药企业已与AI生物技术公司建立了合作关系，共同探索AI在药物研发中的应用潜力。

巢生资本执行合伙人周悦欣在论坛上指出，与传统制药企业相比，AI制药公司明显更受资本市场的青睐。然而，在这股热潮背后，AI制药的发展仍面临着显著的瓶颈制约。

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在论坛上分享了他的观点，他认为生物制药类模型与自然语言大模型在本质上存在显著差异。

“自然语言模型可以充分利用互联网上海量文本数据进行学习，但生物分子领域的高质量结构数据却相对匮乏。生物分子的作用机制往往极为复杂，当模型遇到未曾学习过的分子时，其预测性能就会出现明显下降。而在真实的药物研发场景中，研究对象大多是全新分子。”彭向达解释道。

上海科学智能研究院研究员杨自雄也表达了类似的看法：“实际上，我们的数据资源非常稀缺。一个药物使用后，病人的表现如何变化，虽然我们可以采集到大量的临床数据，但整套的机理数据却很难获取。未来，或许会有更多的仪器和方法论出现，使我们能够获得多尺度的数据、时间序列数据，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，也难以真正掌握药物研发的精髓。

除了数据采集困难外，数据质量也是决定AI制药效能的关键因素。

上海交通大学数学科学学院和人工智能学院教授陈洛南强调，跨模态的配对数据对于AI制药模型的训练至关重要。然而，目前行业可获取的数据大多为单模态数据，这限制了模型的训练效果和应用范围。

临港实验室AI临床研究员袁博进一步解释说：“用单点数据来看某一数据切片会局限于单一维度，但如果通过时间扰动等手段获得不同时间维度的数据，就可以开展跨模态分析，实现有组织的数据输出。这将有助于提升AI制药模型的准确性和可靠性。”

模型开源后：数据生态成为竞争焦点

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

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，并已开源了不少模型供行业研究者使用。“我们将模型的权重开放出来，就是因为我们知道模型本身并不是最大的壁垒。真正的挑战在于如何构建一个完善的数据生态。”

腾讯近期的重点布局是实验反馈强化学习。在陈睿看来，算力和算法只是做好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破局的关键。

“我们更在意的是实验处理完成后，数据能够再反馈到模型中继续进行训练。在这个过程中，我们积累的数据以及工程发展的能力都是非常重要的。”陈睿强调说，“我认为大家更需要关注失败的数据，因为它们往往蕴含着宝贵的经验和教训。”

从论坛上的讨论来看，AI制药的竞争逻辑正在发生深刻变化。

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。如何获取高质量的数据资源、如何建立数据持续回流的闭环机制、如何利用失败的数据提升模型性能，将成为未来AI制药企业竞争的核心。

“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。”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制药的长期期待和坚定信心。

（徽声在线记者 林浩 苏瑶）