> 数据图表我想了解一下1.3 底层技术决定AI效用，算法+数据是“限速步骤”2026-1-41.3 底层技术决定AI效用，算法+数据是“限速步骤” 回顾发展延用上述框架分析，分子生成（AI创新价值的代表）的限制因素为算法和数据： 1、尚未有算法能够同时兼顾分子结构创新和合成性：分子生成采用的是深度学习等模型，基于虚拟筛选形成的数据库进行“学习”，但是其学习框架依旧在CADD的基础之上：基于配体的药物设计（LBDD）/基于结构的药物设计（SBDD）。因此通过建模获得的分子符合基础的药化原理，但是往往会缺乏合成性原则导致无法在真实世界中合成。 2、分子生成所需的数据更多维，且来源往往受到保护不会公开。分子生成的数据需要考虑到多个维度：符合化学规则、生物途径、可合成等。同时，AI模型的训练需要兼顾成功与失败的数据，而往往公开的数据都是成功的案例。 AI+制药公司的项目分为两类——仿制药与创新药。创新药的研发AI的表现如前文所述，尚未概念性验证，AI管线整体偏临床早期；而在仿制药的开发上，由于靶点、阳性参考物（仿制的创新药分子）结构等已确立，以CADD的传统方法即可完成开发，AI的边际效应可能不大。 综上，我们认为AI增效作用将会助力AI+药物研发在“1-10”阶段快速发展。同时，我们看好AI的创新价值，分子生成具备诞生BIC/FIC的潜力。实现这一价值，在于算法的突破和数据的获取或者分享，而两者的攻克都需长期的付出和投入。图表14：CADD计算原理示意图资料来源：Arch Pharm Res，中邮证券研究所14中邮证券综合其他
