上海近日舉行「2026 張江藥谷大會暨上海國際生物醫藥產業周」，多位業內專家在「未來智藥：AI+ 製藥前沿論壇」上指出，AI 生物製藥雖然發展迅速，但一直被高品質數據不足所困。專家認為，問題核心在於能否建立持續回流的數據閉環，與數據數量多寡無關。
全球 AI 藥物研發加速增長
L.E.K. Consulting 統計顯示，截至 2025 年，全球進入臨床階段的 AI 輔助藥物分子已超過 100 個，超過 90 家中國本土企業已與 AI biotech 公司建立合作。若計及全球其他地區，healthcarediscovery.ai 及 axis-intelligence.com 的最新分析顯示，截至 2026 年初，全球已有超過 200 個 AI 原創藥物處於臨床開發階段，其中 94 個處於第一期，56 個處於第二期，15 個已進入第三期。巢生資本執行合夥人周悅欣指出，相比傳統製藥公司，AI 製藥公司明顯更受資本青睞，但熱度之下瓶頸依然明顯。
在具體案例上，Insilico Medicine 研發的 rentosertib 已成為首個全流程由 AI 發現的藥物並進入第三期臨床試驗，於 2026 年 7 月啟動，在中國 47 個中心招募 320 名病人，主要療效指標為 52 周內的用力肺活量年變化率。這代表 AI 藥物研發正式踏入更接近上市階段，但截至目前，仍未有任何 AI 發現藥物取得 FDA 正式批核，分析預計首個批核最快要等到 2026 年底至 2027 年，機會率約六成。
數據稀缺不只是量的問題
力場採樣創始人彭向達認為，生物製藥類模型與自然語言大模型存在本質差異。他解釋，自然語言模型可以學習海量互聯網文字數據，但生物分子領域高品質結構數據儲備相對有限，加上生物分子運作規律極為複雜，模型遇上未學習過的新分子時，預測表現便會下降。真實藥物研發場景中，研究對象大多為全新分子，這正是模型表現受限主因。
上海科學智能研究院研究員楊自雄補充，藥物使用後病人表現如何變化，雖然可採集大量臨床數據，但背後整套機理數據卻很難取得。他認為，未來或會有更多儀器和方法論出現，讓業界取得多尺度、多時間維度數據，但現階段仍未能做到。
除了採集困難，數據品質同樣影響 AI 製藥效能。上海交通大學數學科學學院及人工智能學院教授陳洛南指出，跨模態配對數據對訓練 AI 製藥模型至關重要，但目前業界可取得的數據大多屬單模態。臨港實驗室 AI 臨床研究員袁博則表示，單點數據容易局限於單一維度，透過時間擾動等手段取得不同時間維度數據，才能開展跨模態、有組織的數據輸出。
模型開源後 競爭轉向數據生態
相比數據採集端困難，Tencent 健康首席架構師陳睿判斷，模型本身並非 AI 製藥面臨的最大障礙。陳睿透露，Tencent 在深科實驗室進行大量蛋白質相關研究，不少模型已經開源，供業界研究者使用。「我們把模型的權重開放，就是因為知道模型本身不是最大的壁壘」，陳睿說。
Tencent 近期重點布局實驗反饋強化學習。陳睿認為，算力和算法只是做好 AI 賦能生物製藥的入場券，乾濕實驗的反饋閉環能力，以及各類數據，特別是失敗數據，才是破局關鍵。他強調，業界更需要關注失敗數據，而非只看成功案例。
從論壇討論可見，AI 製藥的競爭邏輯正在轉變。過去業界更關注模型規模、算法強度和算力多寡，但隨着模型逐漸開源、算力逐漸普及，真正壁壘正轉向數據生態。自 2019 年起，全球 AI 製藥領域已累計吸引約 600 億美元投資（約港幣 4,680 億元），反映資本市場對這個領域的長期信心。深勢科技生命科學 AI4S 方向架構總經理李廈戎預期，未來 10 年後，一定會有一批 AI 重構藥物研發流程的偉大公司出現，代表業界對 AI 製藥的長期期待。
資料來源：快科技
