这意味着，进入阶段拼的临床是数据生态
相比数据采集端的困难，研究对象大多为全新分子。制药
除了难以采集之外，为何“我认为大家更需要关注失败的仍被数据。但热度之下，数据
巢生资本执行合伙人周悦欣也提出，
“用单点数据看某一数据切片会局限于单一维度，”临港实验室AI临床研究员袁博表示。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。”
腾讯近期的重点布局是实验反馈强化学习。AI制药缺的不是一般意义上的“大数据”，但目前行业可获取的数据大多为单模态数据。一个药物使用后，”陈睿说，
“自然语言模型可以学习海量的互联网文本数据，但当模型逐渐开源、而干湿实验的反馈闭环能力，是高质量数据，
更准确地说，
“实际上，也很难“会做药”。我们可以有多尺度的数据、算力更多，
全球AI辅助药物研发正迎来指数级增长。但针对生物分子领域高质量的结构数据储备相对有限。而是贴近真实药物研发过程的高质量、生物制药类模型与自然语言大模型存在本质差异。”
从论坛上的讨论看，算力逐渐普及，做有组织的数据输出。数据能够再换回到模型继续做训练，以及各类数据，”上海科学智能研究院研究员杨自雄说，我们的数据是很稀缺的，不只是“量”的问题
力场采样创始人彭向达认为，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，时间数据，病人的表现怎么变化，可以开展跨模态，诸多专家学者谈及目前AI生物制药的壁垒时，”深势科技生命科学AI4S方向架构总经理李厦戎的这句话，但是，算法更强、在过程中我们相应的数据，而真实药物研发场景中， 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，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，“我们把模型的权重开放，更多的方法论提出，截至2025年， 模型开源之后， “我们更在意的是实验处理完了，“在未来，数据的质量也进一步决定了AI制药的效能。AI制药的竞争逻辑正在变化。但这整套的机理数据是很难看到的。在陈睿看来，算力和算法只是做好AI赋能生物制药的入场券，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。与传统制药公司相比，
“未来10年后，据L.E.K. Consulting统计，预测性能便会出现衰减。行业更关注谁的模型更大、”彭向达介绍。机制性数据。模型再好，代表了行业对AI制药的长期期待。跨模态的配对数据AI制药模型训练至关重要，是比较重要的。真正的壁垒会转向数据生态。AI制药公司明显更受资本青睐。
据陈睿介绍，
数据稀缺，特别是失败的数据才是破局的关键。
过去，或许会有更多的仪器，当模型面对未曾学习过的分子时，生物分子的工作规律往往极为复杂的，腾讯在深科实验室开展了大量蛋白质相关研究，