李时珍是明代的神医，真正的药圣，尝百草，腾讯，参考各种药学古籍，花费二十七年著述《本草纲目》，只为给后人留下一座药物宝库供参考，润泽无数后人；药王孙思邈也是救疾济危般的圣人，《千金要方》里八百多种药草，六千五百种药方都是遍寻名山大川历经数十年的求索探访积累下来的，让后辈受益无穷。
古代医者先贤们不为名利，只为解救苍生疾苦，怀抱利益众生的信念，以身试药，呕心沥血花费一生的精力去更新药方，成本极大。现代制药的过程说起来也是一把辛酸泪，造新药的过程复杂艰难，没有个数十年的积累和数百亿资金的支持，制备新药只能是梦境花园。
药物研发效率低下是医疗领域自古的难题，数字时代技术的飞速发展，5G、云计算、AI 技术协同螺旋上升，新技术让制药领域看到了一些革新的曙光，药企们都积极拥抱这个新的变化，愿意躬身一试，创造新的化合药物和增量市场。
溯源新药研发
对于现代人来说，医疗条件变得越来越好，人均寿命逐渐增加，人们非常关注健康养身领域，再加上环境与生活的影响，疾病的种类逐渐增多，各类药物的需求增大，疫情黑马的搅局，让人类更加没有安全感，加速了医疗设备与新型药物的需求。
现代制药的新药研发流程主要包括药物发现（2-？年，时间不定）、临床前研究（2-4 年）、临床试验（3-7 年）、监管审批上市（1-2 年）四个阶段。一款新药从诞生到上市用于治疗，需要花费十年以上的时间，数亿美元的资金，并且其成功研发率还很低，据悉，每年上市的新药仅数十种。
传统的化合制备方法在药物发现的阶段，寻新靶向药困难，通过原始的方法挨个寻找试验，困难重重，成功率极低，依赖的是研究人员的灵感和运气，哪怕是找到新的靶向药了，还会有新事故的发生，药物研发流程可能走了一大半，到了后面试验或者上市检测环节出现问题，前功尽弃。药物研发率低是制药最大的痛点，寻找新药需要新技术的辅助。
AI 技术中的机器学习、深度学习、自然语言处理等技术能够提高制药数据、信息的处理效率，对于药物研发过程中的新药发现，可以代替研究人员有限的知识储备和想象力，发现原来很难、甚至不可能发现的靶点，这也是 AI 在制药领域最大的价值点，AI 还可以预测候选药物的性能如药物的吸收、代谢、毒性、不良反应等，缩小后期实验范围，降低临床失败概率，大幅降低新药研发的时间、资金成本。
新药研发商业化道路的桎梏
在新药研发的过程中，AI 技术分别在药物发现、临床前研究、临床试验、检测等流程中有大的优化空间去提升效率，AI 的切入将可为这些环节提供更优的解决方法。
新药的早期发现是目前 AI 着力较多的领域，在新药发现的阶段，AI 可以分析、阅读大量理化数据、期刊文献成果、临床数据等，从化学和生物分子层面的筛选优化发现可能的突破口。比如 AI 可以预测疾病靶点、成药靶点、药物结构与活性的关系等。
在大规模临床试验阶段，优化药物反应试验、选择受试人群、药物警戒和数据查询等并评估通过人类临床试验的可能性。这些优化工作也将是大多数 AI 制药企业的核心价值。
AI 为制药业带来了便利，但是技术的实现并非易事，主要的制约来自数据量有限，算法模型不够准确，复合型背景人才的缺失。
目前药物研发还处于早期搭建基础设施的阶段，医疗行业的数据与其他行业不同，有效的、有价值的数据是企业核心的商业机密与发展命脉，不便对外公布，行业目前使用的公开数据主要是 PubChem、ChEMBL 等，其他的数据都是在科研机构与药企自己手里，数据不够再加上数据孤岛不便打通的困境，大家能够使用的数据非常有限。而 AI 技术又是一个数据饕餮大汉，需要喂养的数据越多越好，这样迭代出来的模型才能够越来越准确。数据与算力成为 AI 制药快车道上发展的掣肘。
除了数据以外，复合型人才也是高精尖领域发展的障碍之一，AI 与制药领域需要的人才都需要至少十年的培养，而在这个复杂的复合领域里面，不仅需要生物学、化学、AI 算法设计等背景的人才，也需要药剂学、药物临床试验和临床医学等方面的人才协同创新，而同时拥有算法和药物研发背景的人才非常稀缺，这无疑增加了 AI 制药领域的荆棘。
新药研发是个非常复杂的过程，需要创造创新的能力，不像人工智能在其他领域的唯手熟尔的勤加练习就可以有成果，每一个新药的研发，都是对未知领域的突破。明晰了 AI 制药的挑战和数据算力的价值，对于 AI 制药的发展路径也就能够较好的把握。
后疫情时代新风口，AI 制药赛道火热