目前，国内AI制药企业大多集中于分子设计环节，制剂与药物递送技术有着广阔的发展空间，但尚需加大对这一领域的探索。
基于现有的“干湿结合”模式，全球首家以人工智能驱动制剂开发和药物递送技术的创新企业剂泰科技，则是想通过AI赋能药物制剂开发和递送。目前，剂泰科技通过整合AI、量子模拟和高通量试验平台等交叉学科技术，搭建了特有的AiLNP、AiRNA、AiTEM核心技术平台。当然，专家表示，AI要想真正发挥作用，并非能够预测药物就行，还要能够去验证，知道预测得到底好还是不好，不好的话又该怎样去改正。
结合干湿实验，未来能够解决掉绝大多数的非必要性实验，尽可能地缩小实验空间，同时基于计算的智能化去指导。同时，智能化和自动化是一体两面的事情，必须要紧密地结合起来。
深势科技更多在智能化这一方面，致力于突破过去的局限，找到能够跟实验的精度和效率可比的一系列方法，其首创的“多尺度建模+机器学习+高性能计算”的范式，突破性地实现了多尺度分子模拟中精度与效率的统一。
当然，不管是在智能化还是自动化上采取什么方法，都是AI制药在不断实现量变，最终引起质变的过程。
无论新的模式是什么，新的方向、趋势是什么，问题关键都要落到AI制药本身能否给药物研发流程带来实际价值上来。降本增效肯定是其中一种价值。另外一种是从0到1的突破，要为人所不为，解决目前尚未解决的问题，包括现在难成药的靶点，这是更为重要的价值。”
在探索新靶点时，不一定要从难成药的靶点入手，可以从一个比较简单的、信息较为丰富的一个靶点入手，用AI的方法去检测、验证能否用这一靶点做出别样的东西来。而集中一个靶点的潜力与可能性，也有助于短时间正视自己的平台和管线。
当然，一个新兴行业与传统行业的结合，仍面临数据、算力、政策等诸多挑战与风险。
一是市场教育不足。要承认的是，资本市场预期和实际产业发展阶段之间有差距。新药开发是一个非常复杂的过程，AI目前只在个别环节上起了较大的作用，但从新药研发总体上来看，AI能帮助到多少还需要时间来进一步验证，不仅需要实验手段的补足，也需要同行之间多进行交流和合作，一起来共建生态。
从最初很多人并不看好AI，但现在比较了解AI后，又觉得AI是万能的，对其产生不切实际、不太合理的期望。这都是不对的。这也迫切需要市场教育。一方面，要让大家知道AI是何物；另一方面，还要让大家建立起一个比较理性的预期，这需要行业同仁一起携手去努力。”
二是数据问题。在数据方面，AI需要大量的、高质量的数据作为基础。但其实医药领域很多数据都是保密的，或者非常敏感、难以接触，有些企业并不愿意公开分享。只有海量的数据加持，才能充分训练AI模型，提升其准确性。
三是对生物学的理解。对疾病生物学的理解对于AI新药开发非常关键。只有当AI对生物学的理解在这个行业的平均水平之上，才能够有力支持创新药物研发。”
很多时候，AI制药要面临的挑战来自于对生物学机理的认知。所谓创新药物的创新靶点，并非是‘别人不敢做的我敢做’，或者在没有临床实验数据可以佐证的情况下敢于‘杀’进去，而是对于要做的这一目标靶点，对于适应证、适用人群、联用方案等的选择，有着比同行更为深刻的理解。
四是跨领域融合困难，“水土不服”，复合型人才缺乏。在文化层面上，行业的属性造成了比较大的文化差异。进入医药领域之后的话，如何怎样跟医药领域人士沟通，对于原本是计算背景的人来讲，是一个比较大的挑战，这需要一些成功合作案例给行业启示。
前沿算法的突破需要非常顶尖的科研团队，然后同时要有交叉学科的复合型人才配置。很多前沿算法都处于“无人区”，没有人能来定义前进的方向，可能还是得靠自己做一些原创性的突破。
除此之外，也有监管难题。监管部门是否认可AI制药？预测建立模型、预测数据时，数据是不是可以用于申报？有了AI预测，是否就可以少做一些动物实验？”这些问题还需解决。
不过，“新旧融合”是一个过程，总能够走出一条路。但这需要行业各方一起努力，从技术突破到产业落地，会需要一个过程，各方要抓好时间窗，把握好商业化的节奏。
千里之行，始于足下，企业们要坚定的走下去，经得住寂寞，守得住底线，相信AI在不久的将来，可以真正为新药研发赋能。
