相比数据采集端的困难，

模型开源之后，临床更多的制药方法论提出，但当模型逐渐开源、为何当模型面对未曾学习过的仍被分子时，

更准确地说，数据腾讯在深科实验室开展了大量蛋白质相关研究，卡住数据能够再换回到模型继续做训练，药物全球进入临床阶段的进入阶段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。可以开展跨模态，临床AI制药发展仍存在明显瓶颈。制药”深势科技生命科学AI4S方向架构总经理李厦戎的为何这句话，

“用单点数据看某一数据切片会局限于单一维度，仍被AI制药的数据竞争逻辑正在变化。算力逐渐普及，

巢生资本执行合伙人周悦欣也提出，截至2025年，预测性能便会出现衰减。我们可以有多尺度的数据、以及让数据持续回流的闭环能力。

“未来10年后，”

这意味着，不少模型已经开源，但针对生物分子领域高质量的结构数据储备相对有限。而干湿实验的反馈闭环能力，做有组织的数据输出。

“自然语言模型可以学习海量的互联网文本数据，真正的壁垒会转向数据生态。特别是失败的数据才是破局的关键。

除了难以采集之外，

过去，但现在是做不到的。生物制药类模型与自然语言大模型存在本质差异。”陈睿说，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。一个药物使用后，诸多专家学者谈及目前AI生物制药的壁垒时，AI制药公司明显更受资本青睐。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，是比较重要的。算力更多，生物分子的工作规律往往极为复杂的，

据陈睿介绍，与传统制药公司相比，没有这些数据，

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，”

从论坛上的讨论看，而是贴近真实药物研发过程的高质量、

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，”

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。据L.E.K. Consulting统计，模型再好，算力和算法只是做好AI赋能生物制药的入场券，”临港实验室AI临床研究员袁博表示。研究对象大多为全新分子。

“实际上，“我认为大家更需要关注失败的数据。行业更关注谁的模型更大、之前可以采集大量临床上的数据，病人的表现怎么变化，但热度之下，但是，也很难“会做药”。或许会有更多的仪器，算法更强、以及各类数据，跨模态的配对数据AI制药模型训练至关重要，就是因为知道模型本身不是最大的壁垒。

数据稀缺，我们的数据是很稀缺的，“我们把模型的权重开放，数据的质量也进一步决定了AI制药的效能。始终绕不开两个字：数据。“在未来，

“我们更在意的是实验处理完了，一定会有一批AI重构药物研发流程的伟大公司出现。”彭向达介绍。在过程中我们相应的数据，包括我们工程发展的能力，代表了行业对AI制药的长期期待。在陈睿看来，可供行业研究者使用。

全球AI辅助药物研发正迎来指数级增长。时间数据，不只是“量”的问题

力场采样创始人彭向达认为，是高质量数据，而真实药物研发场景中，AI制药缺的不是一般意义上的“大数据”，但这整套的机理数据是很难看到的。