编者按：本文来自于微信公众号“金沙江创投”（ID：GSR-Ventures）。原作者金沙江创投董事总经理林仁俊，金沙江创投合伙人张清，动点科技经授权发布。
这个时间点有点尴尬，悲观点说是资本寒冬，中立点的说法是互联网进入了下半场。无论投资人或是创业者，无时无刻不在思考： 下一个风口在哪里？在众多方向或是概念中，AI 之热，无需多言。 然而， 即便 AI 就是下一个风口，它也太过宽泛。今天，我们来讲点具体的，比如 AI 与医疗。
如果 AI 是“风”，那么医疗或者说大健康领域会不会是那个“口”？
近几年， 纵观人工智能的大版图，医疗健康已经成长为最热门的领域之一。2012 年以来，共有 15 亿美金投入到 188 家初创公司。2015 年，公司数量增长高达 60%，而 2016 年将再次刷新历史数据。今年二季度已经出现了如 Flatiron，iCarbonX（碳云智能）以及 Butterfly Network 这样的独角兽级别公司。
看来， 资本早就以实际行动对这个领域表示了青睐。 深究其本质， 当医疗这一繁复而保守的传统领域，遇上人工智能这一欣欣向荣的科技创新，两者如何碰撞出最大的价值和突破？这是我们一直试图回答的问题。要回答这个问题，首先得把人工智能和医疗两者分别做一个基本面的梳理和研究。下面，我们来分享金沙江的研究和基本观点。
AI 是什么：究竟有多智能？
回顾 AI 的历史发展：John McCarthy 在 1956 年的 The Dartmouth Conference 上首次提出人工智能的概念； 其演变从以“推理”为重点到以“知识”为重点，再到以“学习”为重点。 机器学习成为最凸显的一个分支， 应用领域包括：数据挖掘、计算机视觉、自然语言处理、推理能力、知识呈现、感知以及通用智能——我们的终极目标。
经历过三起三落的人工智能，现在能够走出寒冬， 主要受益于三个进步：大数据的产生；算法的进步， 尤其是深度学习的技术，能够大量地处理未标记的数据、无监督地训练以及有监督地反向支持运算（如聚类）； 以及 GPU 对计算速度的支持。
今年 3 月的 Alpha Go 极好地验证了一个道理： 对于大量、重复、有迹可循的数据来说，计算机远远胜于人类。 当前，人工智能并非是真正意义上的智能。更妥帖的定义，应该说是一个高级的概率统计学方法， 提供了一个强有力的工具，来处理现实中诸多不确定性。 参数越多， 变化越明显，结构越复杂， 直截了当的原始分析法就越不可靠。 曾经令人不知所措的随机和混沌，第一次有了不错的解决方法。
医疗：无数个复杂、动态更新的数据库？
再看医疗：医疗健康和生命科学的复杂程度也许能够满足深度学习的胃口。 其诸多方面都可以借力于人工智能， 例如风险识别、行为监测/干涉、影像诊断、医院管理，到虚拟助手、营养学、精神疾病、精准治疗等。 下图有一个很好的总结，可以看到这个领域枝繁叶茂的蓬勃发展。
对于个体，从基因、分子结构，到细胞、组织、器官、系统和人体，生理和病理在时空层面的变化，无时无刻不在产生大量的数据。 随手翻翻医院的电子病历系统，对于每一个患者的每一次就诊， 从社会信息、主诉症状、既往病史、家族病史、检查结果，到初步诊断、治疗计划和随访记录，都是一个复杂、动态更新的数据库。
医生看病是一个病人、一个病人来看的，电子病例对于医生而言， 更多的是一个便捷记事本和备忘录，而非一个信息宝藏。 因为医生不可能将全部信息汇总，并迅速地测试各种模型，来验证某些理论、发现某种规律。 作为医疗主体，医生的视角是专注于一个病人，了解并跟踪其生理变化过程。一名优秀的医生，一天能看的病例也极为有限，很快就达到瓶颈，即便不吃不睡， 也最多在百人的量级。 稍有复杂的多系统性疾病，一两例可能就让医生吃不消了。原因何在？可能要引用前文所说，在 大量、重复、有迹可循的数据领域，计算机远远胜于人类。
这仅仅是从个体的角度来看。 从疾病演化的角度，从医疗资源调配的角度，从诊治规范不断更新变化的角度，从数据类型和体量的角度等等， 医疗健康的量级实在太庞大 。 仅仅是信息汇总的过程就不容易，更何况要基于这些信息作出决策、采取行动呢？
不断延长医学院学习的时间，不断增加住院医师培训的时间和内容，不断新建医院和科研机构， 真的是解决问题的方法吗？ 如果不是，那么， 我们需要什么样的方法，才能改进这个不可持续的现状呢？ 这个问题的答案，价值万亿、利在千秋。
人工智能的逻辑也许碰巧满足了医学知识的特点
针对大量、重复、有迹可循的数据，针对不确定性、随机性和混沌的本质，针对动态演变、推陈出新的知识，助力于信息统计、推理决策、监督反馈等诸多方面。随着医疗信息电子化的完善，让很多愿景成为可能。
回顾历史，第一场 AI 在医学领域的大会是 1975 年 6 月，The First Rutgers AIM Workshop。当时引用了 因果、分类、关联、规则以及基于框架的模型来分析 。Edward Hance Shortliffe 医生是这个领域的先驱，开发了 MYCIN 系统，成立了 American Medical informatics Association，第一个学术团体。 但 AI 在医学领域的发展却或多或少有些阻力。
MYCIN 是用来诊断菌血症并提供治疗方案的一套体系，拥有各种症状以及细菌谱的庞大数据库。 它比医学生甚至医生都要优秀， 但其局限性在于，缺少人类的常识和直觉 ，对医生、医院以及操作流程很陌生，没有病人、医生、医院、死亡、康复、复发等信息，这就极大限制了其使用范围。
当下，Google、Facebook、BAT 等领军科技公司都在这个交叉点有所布局。 例如，“百度医疗大脑”主要是在医疗数据和专业文献的基础上，设计出人工智能化的产品，模拟医生问诊的流程，并给出最终建议，在这个过程中 收集、汇总、分类和整 理病人的描述，辅助医生问诊。 庞大的神经网络被赋予了超强的记忆能力和计算能力，使得智能诊断成为可能，在日常诊疗过程中成为医生的得力助手。
这只是冰山一角。 但当传统、沉睡的行业被唤醒时，这的确是一个令人激动的时点。 我们会精挑细选地和大家分享案例，在之后的文字中讲几个好故事。
One more thing…
科技本身难以等价于价值或者影响力。 创新、创业的核心永远是围绕未满足的需求和真实而顽固的痛点。 抓住这些本质问题，再来看是否能够借力于新技术来满足需求和解决痛点。
