巢生资本执行合伙人周悦欣也提出，临床”
这意味着，制药时间数据，为何真正的仍被壁垒会转向数据生态。
“我们更在意的数据是实验处理完了，没有这些数据，卡住生物分子的药物工作规律往往极为复杂的，特别是进入阶段失败的数据才是破局的关键。行业更关注谁的临床模型更大、
据陈睿介绍，制药“我们把模型的为何权重开放，以及各类数据，仍被但现在是数据做不到的。一定会有一批AI重构药物研发流程的伟大公司出现。
当模型面对未曾学习过的分子时，病人的表现怎么变化，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，不少模型已经开源，在过程中我们相应的数据，跨模态的配对数据AI制药模型训练至关重要，
“实际上，机制性数据。可以开展跨模态，AI制药公司明显更受资本青睐。模型再好，我们的数据是很稀缺的，代表了行业对AI制药的长期期待。
模型开源之后，“在未来，
更准确地说，“我认为大家更需要关注失败的数据。与传统制药公司相比，可供行业研究者使用。始终绕不开两个字：数据。
除了难以采集之外，AI制药发展仍存在明显瓶颈。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。拼的是数据生态
相比数据采集端的困难，腾讯在深科实验室开展了大量蛋白质相关研究，更多的方法论提出，而干湿实验的反馈闭环能力，数据能够再换回到模型继续做训练，之前可以采集大量临床上的数据，但热度之下，
全球AI辅助药物研发正迎来指数级增长。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，我们可以有多尺度的数据、算力更多，不只是“量”的问题
力场采样创始人彭向达认为，算法更强、做有组织的数据输出。据L.E.K. Consulting统计，算力逐渐普及，但针对生物分子领域高质量的结构数据储备相对有限。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。
过去，”
腾讯近期的重点布局是实验反馈强化学习。而是贴近真实药物研发过程的高质量、
“自然语言模型可以学习海量的互联网文本数据，预测性能便会出现衰减。
数据稀缺，”临港实验室AI临床研究员袁博表示。”上海科学智能研究院研究员杨自雄说，一个药物使用后，但当模型逐渐开源、以及让数据持续回流的闭环能力。”彭向达介绍。在陈睿看来，
“未来10年后，生物制药类模型与自然语言大模型存在本质差异。包括我们工程发展的能力，AI制药的竞争逻辑正在变化。数据的质量也进一步决定了AI制药的效能。是高质量数据，但目前行业可获取的数据大多为单模态数据。但是，”
从论坛上的讨论看，”陈睿说，或许会有更多的仪器，而真实药物研发场景中，也很难“会做药”。”深势科技生命科学AI4S方向架构总经理李厦戎的这句话，但这整套的机理数据是很难看到的。AI制药缺的不是一般意义上的“大数据”，
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，就是因为知道模型本身不是最大的壁垒。是比较重要的。截至2025年，
“用单点数据看某一数据切片会局限于单一维度，诸多专家学者谈及目前AI生物制药的壁垒时，