腾讯 iDrug 是腾讯推出的 AI 药物发现平台，覆盖靶点发现、虚拟筛选、结构预测、ADMET 预测等环节。它是观察「互联网/科技公司切入 AI 制药」这一模式的样本之一——国内外都有类似的布局（谷歌之于 Isomorphic Labs、百度之于 PaddleHelix、字节跳动的相关团队等）。
科技公司做 AI 制药的天然优势
| 优势 | 说明 |
|---|---|
| 算力 | 自有云基础设施，大规模训练成本相对低 |
| AI 工程能力 | 大模型训练、分布式系统、MLOps 是强项 |
| 人才密度 | 顶尖算法人才储备充足 |
| 平台化经验 | 做产品、做规模化服务的经验成熟 |
| 长期投入能力 | 不依赖单个项目成败，可承受长周期 |
但也有结构性挑战
- 缺少湿实验闭环。这是最根本的挑战。AI 制药的核心难点不是算法，而是「预测-实验-反馈」的闭环。没有自己的实验室或深度绑定的实验伙伴，模型无法用真实的失败案例迭代，只能在公开数据上打转。
- 数据壁垒：公开数据（ChEMBL、PDB）人人可得，真正有价值的是药企内部的失败数据与完整项目数据，而这些拿不到。
- 领域知识深度：药物研发的关键判断（这个靶点能不能做、这个毒性能不能规避、这个终点监管认不认）需要多年积累的行业经验，不是招几个博士就能补齐。
- 验证周期极长：一个 AI 设计的分子要证明价值需要数年甚至十年，与互联网产品的迭代节奏完全不同。
- 商业模式不清晰：卖工具（药企有自己的团队，付费意愿有限）、做 CRO（利润率低）、还是自己做药（周期长、风险高）——各条路都不轻松。
常见的应对策略
- 与药企深度合作：科技公司出算法算力，药企出数据、实验和领域判断，共担风险共享收益。这是目前最主流的模式。
- 聚焦特定环节：不做全流程，而是把某个环节（如结构预测、虚拟筛选）做到极致，作为工具或服务提供。
- 做基础设施：不直接参与药物发现，而是提供算力、模型、平台（NVIDIA 的路线，见 289《NVIDIA BioNeMo》）。
- 投资与孵化：通过投资 AI 制药公司间接参与。
对使用者的实际建议
- 看能力而非看背景：不要因为是大厂出品就假定质量更高，也不要因为是互联网公司就低估。用自家已知体系做回测，这是唯一可靠的评估方式。
- 关注数据保密：使用第三方平台时，靶点与化合物信息的保密条款是首要问题，需与法务确认。
- 确认服务的持续性：科技公司的业务调整较频繁，评估时要考虑该产品线的战略地位与长期承诺。
- 核对模型的适用域：模型在公开数据上训练，对你的项目化学空间是否适用，需要验证。
- 不要指望端到端：任何平台都不能替代内部的领域判断与实验验证。
提示
公司战略、产品线与合作关系变动很快，本文为方向性观察，合作或采购前请核对官方最新信息，并优先确认数据保密条款与服务持续性。