李鋼 徐鼎梁/文

人工智能在醫療領域被資本的風吹上九尺云霄，然而，歷史永遠沒有只吹不停的風，反復表演著居高摔重的戲碼，如何做好一只被風吹上天的豬可能也是一種至關重要的生存之道。

核心是，這陣風的實質是深度學習概念為人工智能在醫療領域帶來的商業化落地機會，核心是深度學習和商業化；目前中國對美國風向的跟從效應明顯，但數據優勢下，AI的未來在中國。

最火熱的AI+醫學影像領域很快會遭遇融資瓶頸，變現仍是生死關，建議提前做好準備；而AI+新藥研發將成為下一個熱點。

強科學屬性下，數據是最有價值的

現在所提及的AI+醫療，其實是在談，深度學習方法的出現，為人工智能在醫療領域帶來的商業化落地機會。關鍵詞在“深度學習”和“商業化”。

這種定義或許能夠對讀者在當前浩浩蕩蕩掛著醫療AI大旗的公司里區分出李逵和李鬼有所幫助——畢竟并不是每一家能夠通過計算機的輸入與輸出運算出一些結果的公司都是我們現在要談的人工智能，雖然他們都會這么宣稱。創業者在風中也應該對自己有清晰的認識，對未來有正確的定位和目標——被誤吹起來的豬總是最先落地。

以2015年為分水嶺，之前都在談論“移動醫療”，年后默默地被替換成“數字醫療”，直到現在“人工智能”的出現。這種轉變勾勒出了最近十年來醫療信息化領域依次出場的三陣風：移動醫療—大數據—人工智能。

這三陣風，并不是簡單的資本輪流炒作，其背后產業發展的邏輯是異常清晰的。但不得不承認，過去我們的認識可能走過一些彎路。

移動醫療興起之初，資本市場更傾向于視其為一場移動互聯技術帶來的商業模式創新，就像ebay和淘寶把交易從線下搬到線上。然而，事實最終并未能很快復制TMT移動化的發展與輝煌，風很快就停了。究其原因，醫療領域有著更強的科學屬性和更弱的商業屬性，與電商、娛樂等強商業屬性不同。

強科學屬性下，數據才是這個領域最有價值的部分。大數據產業分為三個環節，數據收集、數據結構化和數據挖掘。移動醫療解決的是數據收集的問題，人工智能則提供數據挖掘的強有力工具。風就沿著數據這條產業化路徑吹了下來。鏈條中數據收集和結構化都是低附加值的部分，而數據挖掘才是產生最終價值的一步。當產業還停留在低附加值階段，沒有獲得令人滿意的商業回報便是順理成章的事了。

如果人工智能技術能夠突破應用關，整條產業鏈都將因此重新煥發出巨大價值——然而，站在現在這個時點上，我們都還在積極嘗試和等待結果。

國內的風口，怎么找

對于中國的創業者和投資人而言，一切似乎可以變得相對簡單一些。從移動醫療到人工智能，美國的領頭羊效應明顯，中國的行業起步可能比美國平均晚2年－3年，當然這個差距在逐步縮短（但趨勢衰退時則反應靈敏得多）。從幾個案例能夠說明這一問題。

線上問診領域，美國領先者Teladoc成立于2002年，在2011年獲KPCB的1800萬美元投資；同年，在中國，春雨醫生成立，獲藍馳創投300萬美元投資，到2014年獲得千萬美元級別投資。

醫生預約領域，美國領先者Zocdoc成立于2007年，2010年中拿到1500萬美元投資。也是在2010年，在中國，掛號網成立，并在年底獲得2200萬美元投資。

腫瘤大數據領域，美國領先者Flatiron Health成立于2012年，于2014年獲得1.3億美元投資。在中國，新嶼科技、思派網絡和零氪科技在2013年－2014年間逐次成立，并在2016年前后分別獲得超過千萬美元投資。

在AI于醫學影像的應用領域，2015年IBM以10億美元收購醫療影像公司Merge Healthcare，并入同年成立的Watson Health care，利用Merge公司擁有的海量圖像數據進行深度學習，成為AI+醫學影像的標志性事件。而2017年國內紛紛獲得大額融資的影像AI公司，大多在2016年成立。

以上，不難看出美國對中國存在明顯示范效應。這降低了國內創業者和投資人在選擇方向上的難度——只需要緊盯美國市場，一旦某一領域首次出現千萬美元級別融資，那么這個方向在未來幾年內很可能成為國內風口。

最大的挑戰來自于新技術與模式在中國可能出現的水土不服。中國的社保制度、商業保險發展階段、醫院管理方式與利益分配機制都是中國獨有的商業化障礙。

不過，AI產業長期來看是技術驅動性的行業，需要足夠多的數據作為支撐，人口與數據中國得天獨厚，這是中國產生后發優勢的決定性基礎。未來，不僅是國內AI創業風起云涌，更多國際化的力量都會往中國做聚焦，帶來技術的輸入和潛在的跨國合作機會。

 移除點擊此處添加圖片說明文字

（AI產業長期來看是技術驅動性的行業，需要足夠多的數據作為支撐，人口與數據中國得天獨厚，這是中國產生后發優勢的決定性基礎。圖/視覺中國）

站在風中的中國投資人，在想什么？

隨著移動醫療到人工智能的風起風落，我們時刻感受著中國投資人的情緒波動，或許有資格來談論一些觀察。

觀察一，影像已然成為AI在醫療領域落地的主要突破口。資金率先集中在影像應用領域，在2017年該領域紛紛涌現億元左右融資，進入B輪規模。醫療的其他應用領域主要依賴于技術發展和數據積累的速度。

資本風向吹出了影像領域的三大派別，第一，算法驅動型。這一類公司的主要特點是大多成立于2016年及以后，創始人往往是海歸，對深度學習的最新技術具有充分了解，試圖搭建一支跨學科團隊，把這種最新技術應用于醫療領域。他們能夠通過不斷的訓練與調整，去平衡精確度和假陽性率，精益求精以滿足用戶需求。

第二，數據驅動型。這一類公司的主要特點是創始人大多來自傳統影像歸檔和通信系統（PACS）行業，或者大型影像設備的代理商和維修商。他們認為，中國與美國一個很大的區別在于，中國的數據孤島現象并未在移動醫療時代得到有效解決，所以影像數據的來源在國內依然足以成為壁壘。所以他們往往在云PACS角度切入，先通過連接醫院獲得持續獲取數據的能力，再搭建團隊涉足人工智能分析。其長處在于，了解醫生需求，也懂得在醫院做事要掌握的尺度和方法，這注定了他們未來商業化落地會有更加扎實的基礎。

第三，資源驅動型。標志性代表是IBM，在中國則是BAT這樣的巨頭。它們擁有所有創業者所無法比擬的資源優勢——成熟的人才團隊，足夠的社會、品牌資源，更重要的是有源源不斷的資金支持，可以隨時有能力開啟“買買買”模式，遇到競爭隨時可以開啟免費戰略甚至大額補貼。IBM和BAT的強勢進場讓整個生態圈都面臨巨大壓力，也讓不少投資人因此對這個領域避而遠之。

雖有三種派別，然而由于深度學習核心算法的開源性，以及數據獲取實際并非完全一塊鐵板，在短期內，算法也好，數據也罷，誰都無法迅速構建起足夠有效的壁壘，這才導致了當前激烈的同質競爭。

我們預期，未來一年到兩年資金將迅速在頭部公司集結，這將迫使業內每一家公司，必須至少在某一方面證明自己的先進性才能立足，剩下的企業只能在競爭中走向湮滅。而巨頭的進入，必會加速行業洗牌和整合。這對行業并非壞事，為投資人也提供了一種潛在退出的渠道。

觀察二，變現依然會是終極大考，資本耐心有限，行業參與者馬上就要面對“C輪死”魔咒的挑戰。

當細分行業龍頭融資紛紛都達到億元級別后，這些領先企業融資最困難的階段已近在眼前，而它們是否能夠克服“C輪死”的魔咒，將對行業的風口持續性產生決定性影響。

這個困難階段出現的必然性，是投資人的偏好分布決定的。在中國的一級市場，機構兩極化正在愈演愈烈：或者選擇早期項目，小金額、廣撒網、博概率，走孵化路線；或者選擇成熟項目，有利潤、談對賭、博上市，走Pre IPO路線。這兩條路線，并不需要過多的技術鉆研判斷和深入的行業理解，就能夠讓機構獲得相對安全的回報，這是近年來市場對資本回報的高要求與行業慢增長屬性，私募基金爆炸式發展與真正優秀的投資人才匱乏，這兩大根本矛盾產生的必然結果。

現在，AI+醫療影像的龍頭公司已經飛到兩條路線中間的那個巨大缺口之中。在這個階段，對風險偏好較高的VC而言，公司需要的融資額已經超過它們能夠投資的體量；而對于較大體量的PE而言，AI+影像依然處于商業化的探索階段，沒有亮眼的財務數字卻頂著極高的估值，實在無法下手。這樣的狀況下，可選擇的領投機構將被迅速縮小到極少數資金雄厚，對前沿技術有一定判斷，敢于引領時代潮流作出決策的出資人。這樣的機構不會超過30家。

資本永遠是逐利的，與情懷無關，而且他們的耐心往往有限。創始人務必要重視變現這個問題，必須有清晰的解決方法和思路。沒有解決商業化難題的企業永遠是沒有翅膀的豬，風停就會非死即傷。

觀察三，TMT領域的投資人是影像+AI領域的主要布局者，而醫療領域投資人態度明顯趨于保守。長周期基金或產業資本參與能力更強。

要克服融資的瓶頸，找對投資人就變得異常重要。在這一波AI+影像的熱潮中，我們看到了一個非常明顯的趨勢。

不同于幾年前移動醫療大熱之時，各類專注于醫療的投資團隊都出手頻頻，但在這一輪AI的狂歡里，少了這些團隊的身影。我們看到只有極少數案例是醫療團隊主導，絕大多數投資來自于基金內部TMT團隊的推動。這點發現讓我們初時十分驚訝，但細細想來并不奇怪。

對于扎根于醫療這一相對傳統行業的投資人而言，在思維模式上本就有巨大挑戰，需要從傳統醫療的長周期慢發展規律切換到類TMT的短周期指數增長思維。移動醫療熱潮是他們第一次轉變的嘗試，但不幸的是最終大部分人為此交了學費——移動醫療熱度斷崖式崩潰的根源，恰恰就是無法解決變現與盈利問題，至今還在艱難求生。慘痛的教訓讓醫療領域投資人都變得趨于保守，而TMT恰恰對變現的容忍度更高，且幸運的是，影像需要的醫療專業性有限——如果未來AI+新藥研發領域，可能就無法指望TMT領域投資人了。

之外，我們預測在前商業化階段能在這個領域投出大額資金的，還有至少兩類機構可以考慮：一類是退出壓力較小的長存續期基金或長青基金；二類是從協同性出發考慮問題的產業內戰略投資人。

觀察四，AI+新藥研發部分，很可能成為下一個爆發點。

AI在影像領域商業化尚不明朗，新藥研發領域的AI應用，很可能后來居上。2016年12月，輝瑞與 IBM Watson Health簽署協議，將Watson的超級計算能力用于其研發新型抗癌藥中；美國創業公司Atomwise通過IBM超級計算機分析數據庫，利用深度學習神經網絡分析化合物的構效關系，一周時間就發現了抗擊埃博拉病毒的潛在藥物，比傳統藥物研發節約數年時間。

藥物研發的商業化路徑也更清晰，成功研發新藥或轉讓或售賣均可獲得動輒上億美元的回報。中國特有的商業風險和政策風險在新藥研發上的影響相較影像小得多。并且，新藥研發的科學性和邏輯性更強，對技術的要求更高，但也更純粹，有利于參與者通過技術建立有效壁壘。

總之，AI+醫療風口能持續多久很難預測，這會是一場持久戰，在風的起起落落中，活下來比什么都重要。

（作者李鋼為易凱資本健康產業組聯席負責人、徐鼎梁為健康產業組副總裁，編輯：王小）

（本文首刊于2018年2月5日出版的《財經》雜志）