需要承认的是，到目前为止，全球还没有一款真正意义上通过AI技术设计出的药物。大家都在期待，AI与药物研发的结合究竟能带来哪些颠覆性价值。

吕强指出，AI未来需要在海量数据之下，发现隐藏于临床前研发和临床阶段研究之中的规律。

数据是AI建模的基础，可在AI药物研发领域，数据也是最大的挑战。

从上世纪80年代起，医药行业就开始呼唤AI，但直到今天仍处在探索阶段，数据就是其中重要的“卡脖子”因素。新药研发领域的数据基本掌握在药企手里，有高壁垒、高成本、高机密的特性，获取的成本十分昂贵，这也成为AI药物研发发展的一大障碍。

王劲松强调，AI的三大核心—算法、算力和数据中，数据是相对更难解决的问题，这涉及了每家药企的核心机密、专利技术、患者隐私等一系列问题，无法轻易共享。企业间也在利用合作寻求各种解决方案。

陈建新也直言，目前解决这一问题的有效方法并不多，这不仅有企业之间的博弈，也有各国政府之间的合作与抗衡问题。

一个思路是药企和AI-tech公司深度合作，通过投资人或者直接收购、合资等方式解决数据归属问题，这相当于是变相地购买了数据。另一个思路是尝试通过算法的优化和突破来减少对有效数据量的依赖，达到小量有效数据也能得到高质量的结果。不管哪种办法，都不容易，需要长时间的探索。国外的一种做法是成立联盟，大家共同贡献数据，分享结果。

童友之也认同通过建立联盟的方式来共享数据，打破数据孤岛的现象。有很多药企已在各自组建或者加入一些联盟，在药企之间共享数据，从而促进整个行业的发展。

徐霆提出，应该排除零和博弈，通过社区学习，加密计算和正向的奖励机制来鼓励数据分享。除此以外，还应实现数据采集模式和质量标准的统一。

徐霆口中的数据标准，目前正在被大家所正视。事实上，AI药物研发落地的过程，也是一个长期的数据能力建设的过程，这种研发数据体系的完善，的确需要某种标准。

启德医药CEO秦刚指出，AI只是新药研发的一种技术策略，传统新药研发过程中对数据的标准不应该被降低。”

一旦AI在药物研发中发挥主导作用，必然需要在数据的质量、管理、使用和追溯等方面建立标准，规范数据和AI算法的使用不能造成不良后果。其次，类似GMP的标准，一般只在原则上规定什么需要做，什么不能做，而不会在实际操作上做具体的规范，这也意味着，各个企业不管是制药公司还是AI技术公司，都要自己根据标准来制定切合自身实际可操作的规范。

王劲松进一步指出，不同的研发公司数据格式、种类、分类等都不尽相同，只有以统一的标准来建立并完善数据体系，才能实现企业间的数据互通、互联及整合。

童友之强调，一些龙头企业应该率先担起责任，牵头建立好行业标准，促进整个行业更健康、更有序地发展。”

然而数据标准的制定，也需要顶层设计。

翰森生物执行副总谢岳峻就认为，这一工作需要由跨国GMO组织，如WHO或者WTO来协调，可以从资料库的数据结构规划开始。

吕强也同意数据应有标准，但他同时认为，AI药物研发才刚刚开始发展，标准究竟该如何设置尚需要仔细考量，还是应以发现新分子实体、探索适应证的结果为导向，鼓励更多创新、防止垄断。