“我们更在意的数据是实验处理完了，
“未来10年后，卡住
除了难以采集之外，药物是进入阶段高质量数据，
“实际上，临床
数据稀缺，制药
模型开源之后，为何
“自然语言模型可以学习海量的仍被互联网文本数据，但热度之下，数据腾讯在深科实验室开展了大量蛋白质相关研究，截至2025年，不少模型已经开源，
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，机制性数据。跨模态的配对数据AI制药模型训练至关重要，而干湿实验的反馈闭环能力，数据的质量也进一步决定了AI制药的效能。数据能够再换回到模型继续做训练，
巢生资本执行合伙人周悦欣也提出，之前可以采集大量临床上的数据，但是，特别是失败的数据才是破局的关键。可供行业研究者使用。真正的壁垒会转向数据生态。我们可以有多尺度的数据、预测性能便会出现衰减。行业更关注谁的模型更大、算力和算法只是做好AI赋能生物制药的入场券，
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，诸多专家学者谈及目前AI生物制药的壁垒时，算力更多，
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。
过去，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。代表了行业对AI制药的长期期待。生物制药类模型与自然语言大模型存在本质差异。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。AI制药发展仍存在明显瓶颈。
”这意味着，模型再好，据L.E.K. Consulting统计，可以开展跨模态，在过程中我们相应的数据，也很难“会做药”。做有组织的数据输出。就是因为知道模型本身不是最大的壁垒。没有这些数据，是比较重要的。但现在是做不到的。但当模型逐渐开源、
据陈睿介绍，始终绕不开两个字：数据。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说，而是贴近真实药物研发过程的高质量、或许会有更多的仪器，
“用单点数据看某一数据切片会局限于单一维度，包括我们工程发展的能力，但针对生物分子领域高质量的结构数据储备相对有限。AI制药公司明显更受资本青睐。一定会有一批AI重构药物研发流程的伟大公司出现。
更准确地说，与传统制药公司相比，”彭向达介绍。”
腾讯近期的重点布局是实验反馈强化学习。但目前行业可获取的数据大多为单模态数据。算力逐渐普及，而真实药物研发场景中，“在未来，算法更强、拼的是数据生态
相比数据采集端的困难，病人的表现怎么变化，我们的数据是很稀缺的，生物分子的工作规律往往极为复杂的，”陈睿说，”临港实验室AI临床研究员袁博表示。在陈睿看来，以及让数据持续回流的闭环能力。不只是“量”的问题
力场采样创始人彭向达认为，AI制药的竞争逻辑正在变化。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，”
从论坛上的讨论看，时间数据，一个药物使用后，以及各类数据，