新藥研發具有成本高、研發周期長、成功率低三大高風險性質。據《Natrue》報道，新藥研發成本約為26億美元，耗時約10年，成功率不到1/10。如何加速新藥研發進程，降低研發費用已成為各大制藥公司迫切需要解決的問題。此外，藥品流通環節及醫療價值鏈的轉變，迫使制藥公司降低價格，提升藥物價值。

       如今藥物研發累計的數據高速增長，藥物研發領域數字化轉型加速。因此，藥企的首要任務在于利用這些數據來驅動價值，達到提高藥品生產效率和審批率，并降低成本的最終目標。

       最近為學習和預測新特征而建立的人工智能技術，尤其是深度神經網絡（DNNs）或遞歸神經網絡（RNNs）等的進步，讓人工智能技術應用更為廣泛，社會自動化程度提速。在此大背景環境之下，與大數據、云計算相結合的人工智能技術在藥物研發中的應用日益增多，應用優勢也得到突出體現。

    來自TechEmergence的一份報告顯示，人工智能可以將新藥研發的成功率從12％提高到14％，可以為生物制藥行業節省數十億美元。此外，據報道AI在化合物合成和篩選方面比傳統手段可節約40%-50%的時間，每年為藥企節約260億美元的化合物篩選成本。在臨床研究階段，可節約50%-60%的時間，每年可節約280億美元的臨床試驗費用。即AI每年能夠為藥企節約540億美元的研發費用。AI+藥物研發與傳統模式相比，時間和成本優勢明顯。

    現在，全球十大藥企已入局，而初創企業融資和合作也達到了歷史最高，領跑著已獲得高額融資回報，而優先布局的大型企業如羅氏也掌握了優質數據源。按此發展，未來AI+醫藥這一市場有著巨大的發展潛力。至2025年，AI+藥物研發的市場規模將超37億美元（不包括診療等）。

    但AI+藥物研發同樣面臨著不太樂觀的現狀及諸多挑戰。2019年4月，IBM公司因為財務業績低迷，決定停止開發和銷售藥物開發工具——Watson人工智能套件。作為醫藥健康領域人工智能的領跑者，也不得不面對財務業績低迷的狀態。

    此外，當下AI應用較為集中的靶點篩選方向，現已通過文獻分析等篩選出比已批準藥物更多的靶點，但是靶點的確證卻是一道難題，如何建立確證模型，又用什么來確證，人力財力是否跟得上，這也是需要思考的。另外，人工預測藥物的可成藥性，與通過試驗摸索得到的藥物相比，可信服度低。因為基于已不到2000個獲批藥物的數據集（質量未必高）來預測，這是遠遠達不到依賴高質量、有標識的數據集的深度學習的最基本的要求。而這也恰巧是AI在藥物合成方面的應用優勢。

    因此整體來看，AI+藥物研發真正意義的產出極少，大部分企業需要面對產出成果不足或者不優而導致財務狀況堪憂的現狀。因此，企業需要合理的定位產業鏈角色，選擇適合的創新商業模式。

    此外， AI+藥物研發的企業也面臨來自政策、人才、技術等方面的挑戰。新的技術的引進，讓原有藥物研發模式改變，監管人才、政策指南等均需要同步更新，而現在尚無針對性的政策指南出臺。就人才而言，高端復合型人才的缺失也限制了這一領域的發展。且AI多任務學習的“黑匣子”特征仍是深層神經網絡從復雜生物信息中提取關鍵關聯信息的阻力。未來需要政策監管同步提高，培養復合型高端人才，技術方面如自然語言處理實用化發展、知識圖譜的多維度應用，以及知識問答、分析決策和語義搜索等也需要較大提升。除此之外，對AI+藥物研發認知度和生物復雜性的理解提升也有待提高。在決定AI+藥物研發質量的數據問題中，如何建立研發數據標準體系完善數據，如何建立風險利益公擔的共享機制，也是未來AI+藥物研發所需要面對的。