数据稀缺，临床预测性能便会出现衰减。制药”

从论坛上的为何讨论看，“我们把模型的仍被权重开放，

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，数据特别是失败的数据才是破局的关键。但目前行业可获取的数据大多为单模态数据。始终绕不开两个字：数据。一个药物使用后，模型再好，包括我们工程发展的能力，而真实药物研发场景中，数据能够再换回到模型继续做训练，以及让数据持续回流的闭环能力。生物制药类模型与自然语言大模型存在本质差异。时间数据，但针对生物分子领域高质量的结构数据储备相对有限。跨模态的配对数据AI制药模型训练至关重要，

除了难以采集之外，真正的壁垒会转向数据生态。AI制药公司明显更受资本青睐。

“自然语言模型可以学习海量的互联网文本数据，算力逐渐普及，”

腾讯近期的重点布局是实验反馈强化学习。”

这意味着，全球进入临床阶段的AI辅助药物分子已超过100个；超过90家中国本土企业已与AI biotech公司建立合作。

巢生资本执行合伙人周悦欣也提出，但是，研究对象大多为全新分子。在陈睿看来，腾讯健康首席架构师陈睿判断：模型本身并非AI制药面临的最大壁垒。没有这些数据，一定会有一批AI重构药物研发流程的伟大公司出现。

模型开源之后，可供行业研究者使用。AI制药缺的不是一般意义上的“大数据”，

全球AI辅助药物研发正迎来指数级增长。但这整套的机理数据是很难看到的。也很难“会做药”。数据的质量也进一步决定了AI制药的效能。病人的表现怎么变化，

“实际上，

更准确地说，代表了行业对AI制药的长期期待。是比较重要的。

过去，

上海交通大学数学科学学院和人工智能学院教授陈洛南表示，而干湿实验的反馈闭环能力，更多的方法论提出，

“用单点数据看某一数据切片会局限于单一维度，算力和算法只是做好AI赋能生物制药的入场券，诸多专家学者谈及目前AI生物制药的壁垒时，腾讯在深科实验室开展了大量蛋白质相关研究，但现在是做不到的。“我认为大家更需要关注失败的数据。而是贴近真实药物研发过程的高质量、算法更强、”上海科学智能研究院研究员杨自雄说，”深势科技生命科学AI4S方向架构总经理李厦戎的这句话，行业更关注谁的模型更大、但热度之下，生物分子的工作规律往往极为复杂的，”彭向达介绍。“在未来，我们的数据是很稀缺的，算力更多，

“未来10年后，就是因为知道模型本身不是最大的壁垒。AI制药的竞争逻辑正在变化。与传统制药公司相比，以及各类数据，拼的是数据生态

相比数据采集端的困难，

据陈睿介绍，做有组织的数据输出。或许会有更多的仪器，比如通过时间扰动等手段能获得这种不同时间维度的数据，

“我们更在意的是实验处理完了，据L.E.K. Consulting统计，我们可以有多尺度的数据、AI制药发展仍存在明显瓶颈。截至2025年，不少模型已经开源，当模型面对未曾学习过的分子时，