中國在AI藥物開發領域已經開始起步，但遠未成熟，還有非常大發展空間。在筆者看來，我國進行AI藥物研發需要在人才培養、數據共享和商業模式創新等方面進行發力。

1.培養高端人工智能人才，探索跨學科人才合作機制。

創業的競爭歸根結底是人才的競爭，這在人工智能領域表現得愈加明顯。在全球范圍內，大約有2.2萬名具有博士以上學歷的人工智能從業人員和研究人員，中國僅600名左右。國內人工智能人才幾乎被幾大頭部企業壟斷，比如商湯有150多名人工智能博士，占比全國人工智能博士總數1/4。

數據顯示，未來中國人工智能人才缺口高達500萬，唯一的解決辦法就是成體系地培養人工智能人才。

2018華為全聯接大會上，華為云推出了“沃土AI開發者計劃”，投入10億人民幣培養高校和研究所的AI人才，并與清華大學、中科院、中國科學技術大學、浙江大學等達成AI合作。

2018年8月，商湯科技攜手香港中文大學、亞馬遜、南洋理工大學、悉尼大學聯合舉辦的首屆WIDER Face and Pedestrian Challenge 2018（簡稱：WIDER Challenge）挑戰賽，包括中科院計算所、微軟亞洲研究院、北京大學、卡耐基梅隆大學、香港大學以及雅虎、京東、曠視、科大訊飛、滴滴等科技公司參賽。

此外，AI應用于藥物研發需要若干個垂直領域的專家共同參與才能有所突破。既需要物理學家、化學專家、藥物學家、藥企研發高管，又需要人工智能科學家、云計算工程師等跨學科人才。通過在多個領域人才和經驗的積累，

整個團隊需要緊密合作，這樣才更容易獲得突破性的思路和好的成果。

2.建立研發數據標準體系，完善數據共享機制。

AI藥物研發需要高質量數據支持。國內創新藥研發起步較晚，與國外相比，對于優質數據的積累還有一定差距。

制藥產業的專業門檻高、鏈條長，加之國內長期以來的“多頭管理”體制，造成了國內的藥品數據極度割裂，標準不統一、數據孤島現象嚴重；另外，醫藥領域的監管政策與機構改革頻繁，造成歷史藥品數據銜接難度較大。這些都會導致醫藥數據統計在完整度和精準度上的不足，從而影響相關決策。

當前國內企業“大數據化”采取的一個路徑，便是以“專業人工+機器輔助”方式建立數據標準詞典（包括藥品、企業、靶點、疾病等），持續進行數據清洗、識別、匹配和挖掘算法，將市場上分散的數據全面重構，形成一系統標準數據模塊倉庫，根據用戶場景對數據模塊進行組合。比如國內的醫藥魔方、米內數據、藥渡等醫藥大數據服務公司。