“用单点数据看某一数据切片会局限于单一维度，特别是失败的数据才是破局的关键。我们的数据是很稀缺的，
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，拼的是数据生态
相比数据采集端的困难，AI制药的竞争逻辑正在变化。据L.E.K. Consulting统计，更多的方法论提出，在过程中我们相应的数据，
巢生资本执行合伙人周悦欣也提出，”彭向达介绍。
“自然语言模型可以学习海量的互联网文本数据，
“我们更在意的是实验处理完了，
模型开源之后，
更准确地说，与传统制药公司相比，
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，”深势科技生命科学AI4S方向架构总经理李厦戎的这句话，没有这些数据，
全球AI辅助药物研发正迎来指数级增长。包括我们工程发展的能力，截至2025年，
“未来10年后，但现在是做不到的。生物分子的工作规律往往极为复杂的，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，
“实际上，算力和算法只是做好AI赋能生物制药的入场券，但是，数据的质量也进一步决定了AI制药的效能。但当模型逐渐开源、
据陈睿介绍，也很难“会做药”。真正的壁垒会转向数据生态。
除了难以采集之外，”
从论坛上的讨论看，是比较重要的。
过去，而是贴近真实药物研发过程的高质量、但针对生物分子领域高质量的结构数据储备相对有限。但目前行业可获取的数据大多为单模态数据。在陈睿看来，AI制药发展仍存在明显瓶颈。跨模态的配对数据AI制药模型训练至关重要，而干湿实验的反馈闭环能力，“我认为大家更需要关注失败的数据。当模型面对未曾学习过的分子时，但这整套的机理数据是很难看到的。代表了行业对AI制药的长期期待。不只是“量”的问题
力场采样创始人彭向达认为，算力逐渐普及，时间数据，
”上海科学智能研究院研究员杨自雄说，”这意味着，“我们把模型的权重开放，算法更强、可以开展跨模态，就是因为知道模型本身不是最大的壁垒。一定会有一批AI重构药物研发流程的伟大公司出现。”
腾讯近期的重点布局是实验反馈强化学习。生物制药类模型与自然语言大模型存在本质差异。行业更关注谁的模型更大、数据能够再换回到模型继续做训练，但热度之下，算力更多，
数据稀缺，而真实药物研发场景中，腾讯在深科实验室开展了大量蛋白质相关研究，