在“2026张江药谷大会暨上海国际生物医药产业周”举办的未来智药论坛上，多位业内权威专家一致强调：ai驱动的生物制药领域最核心的瓶颈在于数据——尤其是高精度、高一致性、可复用的高质量数据，以及支撑模型持续进化的数据闭环反馈机制。
L.E.K. Consulting最新数据显示，截至2025年，全球已有逾100个由AI技术赋能研发的药物分子进入临床试验阶段；与此同时，国内已有超过90家本土药企与AI驱动型生物科技公司达成实质性合作；AI制药企业亦持续获得资本市场的高度关注。然而，行业整体仍面临显著的发展制约。
力场采样联合创始人彭向达指出，生物制药专用AI模型与通用大语言模型存在根本性区别：前者严重依赖分子结构层面的精准三维信息，而当前高质量、大规模、标注完备的生物分子结构数据库仍极为稀缺；一旦面对全新化学空间中的未知分子，模型预测的可靠性将明显下降。上海科学智能研究院研究员杨自雄进一步补充，真实世界中患者用药后的动态生理响应、病理演化及长期随访数据极难系统性采集，尤其缺乏涵盖多尺度（分子→细胞→组织→个体）与全时间轴（给药前→起效中→维持期→停药后）的完整机理数据链。
上海交通大学陈洛南教授强调，跨模态对齐数据（如基因组+蛋白质组+表型+影像+临床记录）是训练鲁棒AI制药模型的关键燃料，但当前产业界可稳定获取的数据仍以单一模态为主。临港实验室AI临床方向研究员袁博则提出，可通过引入时间扰动实验设计（如梯度给药、时序采样、动态监测等），主动构建具备时间维度的多模态数据集，从而推动模型实现跨模态协同推理与输出。
腾讯健康首席架构师陈睿认为，模型架构本身已非最大障碍——腾讯已开源多个面向蛋白质结构预测与功能分析的前沿模型。他明确指出：“算力与算法只是入场的基本门槛；真正决定成败的，是‘干实验’（湿实验）与‘湿实验’（干实验）之间能否形成高频、可信、可迭代的闭环验证能力，尤其是对失败案例背后深层原因的数据沉淀与归因分析。”
综合本次论坛观点可见，AI制药的竞争范式正经历深刻迁移：早期比拼聚焦于参数规模、算法创新度与算力堆叠强度；而随着主流模型逐步开源、算力基础设施日益普惠，竞争重心正加速转向以数据质量、数据多样性、数据时效性及数据闭环效率为核心的“数据生态体系”。深势科技联合创始人李厦戎展望称：“未来十年，必将涌现出一批以AI为底层引擎、深度重塑药物发现与开发全流程的标杆型企业。”
