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