导览

自2023年起，AI医疗领域热度飙升，尤其因ChatGPT的火爆，AI技术、生成式技术与其他行业融合的探讨及实践达到了新的高度。医药行业成为了这些创新技术应用的关键领域，企业家与投资者在相关行业会议上频繁讨论这一趋势。

AI医疗概念在资本市场持续升温，自年初至今，智能医疗板块累计涨幅超过15%，显示出市场的高度关注与投资热情。

AI医疗并非首次引发热潮，此番兴起有何独特之处？行业当前发展水平如何？面临的挑战有哪些？这些都是业界热议的话题。

《科创板日报》记者参与了多场AI医疗领域的行业论坛，旨在整合最新资讯与采访，为读者提供深入见解，解答上述疑问。

AI潜力重塑创新药研发

2021年7月，DeepMind与欧洲生物信息研究所合作的AI系统AlphaFold2登顶Science杂志年度科学突破榜单，其预测蛋白质结构的能力在制药界引发巨大反响。不同于AlphaFold2的预测功能，生成式AI模型能够创造全新的蛋白序列或结构。

市场观点认为，AI与医药行业的结合，尤其是生成式AI的应用，能开辟新路径，使以往难以发现的靶点和成药机制成为可能，扩大药物研发的初始蛋白结构库，开拓新的药物研发方向与市场。

启明创投执行董事毛硕在第七届未来医疗100强大会上强调，AI作为持续增长与泛化能力强的技术，有望显著改变医疗领域。然而，首先需明确问题所在，然后考虑如何运用技术解决。

英矽智能联合首席执行官任峰指出，传统药物研发面临高昂成本、低成功率和漫长周期的挑战，主要源于缺乏有效的靶点、分子生成和临床试验设计。AI在此环节展现出潜力，如英矽智能的AI平台，通过PandaOmics、Chemistry42和inClinico等工具，成功助力多款抗肿瘤候选药物的发现与设计。

AI赋能药物发现

英矽智能采用生成式AI构建的多模态强化学习平台Chemistry42，基于多年对生物、化学和文本数据集的建模与训练，包含42种生成式AI模型和逾500个评分预测模型。该平台通过结构基于药物设计（SBDD）和配体基于药物设计（LBDD）策略，利用深度学习技术生成具有特定特性的分子。

该平台利用强化学习技术，通过惩罚生成不达标分子结构的算法，奖励准确分子，实现高效过滤。这一过程与ChatGPT的强化学习（RLHF）模型原理相似。

孙伟杰认为，AI不仅能解决传统药物研发中难以解决的问题，还能将生命科学问题转化为计算工程问题。AI for Science的概念正在步入预训练模型时代，其能力超越单一科学问题的小模型，标志着领域发展由预训练模型驱动。

合作生态的成熟

近年来，AI制药行业更加多元化，聚焦细分领域解决问题，企业对AI在各环节的潜力与战略定位有了更清晰的认识。2020年后，药企对AI制药的态度从谨慎转向大规模合作。例如，晶泰科技与正大天晴等企业达成合作，共同研发抗肿瘤药物；英矽智能与复星医药建立管线合作；深势科技与翰森制药合作，推动药物研发，并与上海交通大学药学院、晶泰科技等机构达成战略合作，推进AI for Science在药物设计中的实践。

挑战与展望

AI技术与医药行业的融合仍面临数据安全、数据共享、患者隐私保护、伦理道德等法律和社会制度的挑战。确保AI技术的安全应用与合规性是行业发展的关键。同时，AI for Science基础设施建设还需解决跨学科人才短缺、硬件需求升级以及应用适配等问题，确保技术的有效落地与广泛采纳。

结语

AI医疗领域的热度与日俱增，不仅体现在技术创新上，更在于其对医药行业变革的深远影响。从数据安全到基础设施建设，从合作生态的成熟到面临的挑战与机遇，AI与医药行业的融合正开启新篇章。