观点 | 医疗AI:新瓶装旧酒VS新瓶装新酒?——道彤投资创始合伙人孙琦

百家 作者:AI100 2017-09-29 12:53:09

“AI只是个算法,没有独立的门槛。”,“医疗AI只是一阵风,就像互联网医疗一样”,面对医疗AI的种种质疑,道彤投资创始合伙人孙琦这样说。

 

今年以来,医疗AI的投融资非常热,就像前两年的互联网医疗、精准医疗热一样,很多创业者及资本涌入其中。来自CB Insights报告显示,2017年第一季度,AI初创企业融资成交了245笔,融资总额超过17亿美元。医疗健康一直是AI的重要领域,在海外及中国市场,均出现了单笔亿元以上的融资。


在这个过程中,也有很多声音与质疑。比如医疗AI到底是不是一阵风?AI+还是+AI?技术重要还是场景重要?2B还是2C?自2016年初起,道彤投资就开始布局医疗AI,近期我们还将完成一个新项目的投资。在这个过程中,道彤投资也思考了关于医疗AI的种种问题:

 

1. 医疗AI是不是一个长期赛道?


医疗AI现在这么热,有它的道理。我们看到,无论是语音识别、人脸识别,还是自动驾驶,AI的发展都会有一个由浅入深、从基础到应用的过程,一步步从简单劳动深入到复杂劳动。技术与环境已日趋成熟,AI人才的瓶颈在两三年后也会逐步得到缓解。


医疗AI当下从影像病理切入,也有它的道理,因为这个相对简单和成熟,不像沃森机器人,那个要做的事难度太大,所以也有很多质疑。道彤投资在布局时,也是先布局了兰丁医学后布局了“脑医生”项目,因为“脑医生”从事的是中枢神经系统的辅助诊断,这个技术难度更大,进入壁垒更高。兰丁医学做得相对较早,正逐步成功商业化,目前领跑病理AI企业。


市场上也有一种担心,医疗AI会不会像互联网医疗那样,一阵风就过去?互联网医疗之所以一阵风,一是绝大多数场景不靠谱,没有从根本上解决医疗资源供给问题,中国的医疗市场总体是优质医疗资源供给不足;二是互联网医疗不同于其他互联网应用,受到比较严格的政策管制,注定有一个政策博弈到逐步接受的过程,不会一蹴而就。不同于互联网医疗,医疗AI解决的是医疗资源供给瓶颈的问题,值得长期布局。单就医疗AI在影像、病理等方向上的应用来说,肯定会不断向前,不断迭代,能够从事诊断的广度及精度都会提升。在新药研发、营养膳食、基因检测、疾病诊断与治疗方面,也会有更多应用。


另一个问题是估值。医疗AI估值怎么谈?业界传说早期基本看创始团队的学术背景,我想这个阶段已经过去,譬如说影像AI领域还没启动的公司,很大概率挤不上这个赛道了。那么第二轮、第三轮怎么估?我们会看其商业化的合作阵地,形成的样本数量,以及形成了多少产品化的东西。但再往后,又会是不一样的逻辑,那时可能会更关注产品形成的收入与行业口碑。

 

2. “AI+”还是“+AI”?


也有投资圈的同行不看好医疗AI,认为AI只是个算法,一个技术,没有独立的运营门槛。你可以把它理解成一个功能模块或插件,加载在应用上,比如加载在GPS这三大巨头的影像设备上,或者PACS厂商的系统上。当然,这些厂商们也可以自己独立开发。


这样的质疑,让我想起了三四年前另一个热门的争论——“互联网+”还是“+互联网”,后来我们看到,凡是传统产业“+互联网”的鲜有大成功,几乎都被“互联网+”杀得片甲不留。


我们还可以再往前看一些,当移动互联网出来时,也有人争论是互联网的移动化还是会自成体系,今天我们都看到移动互联网自成生态。想明白这个问题后,再回答到底是“AI+”还是“+AI”时?我想答案已经很明了。


一个传统厂商,比如PACS厂商,进入这个领域,尽管会有局部优势,但也要从头去搭一个算法团队,并且他们做的事往往是给以前的产品增加一个功能,并不是公司的主战略,更不太可能成为颠覆旧生态的新生态。我们看到大公司的内部创新总是很容易受到制约,真正成功的极少。


所以医疗AI大的生态,一定不是大公司里长出来的,而是从创业公司里打出来的。数百家公司里杀出几十家,几十家又不断整合,医院阵地与地域的整合,胸腹部、脑部、消化道等不同影像诊断技术的整合,甚至是影像、病理检验、病历、单病种智能诊断的整合,最终成为三五家大公司,医疗智能化诊断系统集成商。那时,他们可以卖产品、卖服务,做远程诊断,想象一下这个市场是多么巨大!等到那时,对传统产业的颠覆或是影响可能又是另一种形式。


以并不遥远的语音技术为例,语音技术并不是手机厂商做出来后装进手机里的,而是专门的语音识别公司做的。人脸识别技术亦是同样,也并不是传统安防公司做出来的。

 

3. 技术重要还是场景重要?


前一段时间,我还看到有投资人说,医疗AI的技术不重要,场景才最重要。真的吗?这话也对,也不对。我们也经历过这样的误区,一度认为只有场景最重要。

以Echo音响为例,它成功的一个重要因素是抓到了一个特定的美国式场景,跟美国人生活的融入度很高。很多AI公司的成功都在于找到了一个很好的场景,包括网络鉴黄。失败则是场景抓错了,没有抓到用户真正的需求。


医疗AI亦要抓对场景,这是眼下最重要的事。因为当下技术的重要性还没法得以显现,就像大学生和小学生同时比赛做四则混合运算,看不出区别。或者说互联网发展早期,大家都能做个网站,但不是每个网站都能应付双十一的并发。


这样来说,短期看场景很重要,没有场景落地能力,都活不到发挥技术的那天。但长期来看,技术能力也很重要。就像你还用笔在计算时,别人已用计算机。我们已经看到一些公司,只用一个月就把其他创业公司半年做的事做完了。越往后去,这种技术能力差异越重要。长期来看,能够冲出来的公司一定是技术上有持续续航能力的公司。


另一个常见的误解是数据,很多企业认为能够占有数据就可以了,但占有数据与可持续占有优质数据是有区别的。初期时,你跟医院、厂商的科研合作,都不是排他的,而未来商业合作,都是排他的。 目前跑得快的公司,已开始在各医院跑马圈地部署服务器了。

 

4. 是2B 还是2C?


短期来看,肯定是2B,长期来看,2C也有很大机会。就像电脑,最初是卖给公司,后来则是进入到家庭,医疗AI也会经历由医院到家庭的过程。


今天的病人,还很难获取病历资料,但影像资料已经很容易获取,只是病人拿到片子后不知道给谁看。未来病人拿到片子,如果摄片的机构不能提供令其满意的诊断服务,就可以自己选择用哪家医疗AI商的服务。作为AI技术服务公司,不需要完全自建影像中心以形成闭环,就像电商公司无需都自建物流。同样,这些第三方影像提供商,也不需要自己再去组建这样一只医疗团队。所以,我们拉长时间轴,从未来十年二十年往回看,就会明白到底是2B还是2C。


回到当下,2B时代,怎样让自己的产品进入到医院?我们要看看这里的利益相关方,医生是使用者,他们肯定不希望被机器替代,但是普通的影像医生也不是购买行为的决策者。决策者是院长、科室主任,想想他们有什么动力引入医疗AI,是降低成本,还是降低误诊率?


从这个角度想,2B产品的竞争力在哪里?技术固然重要,但不是最重要。95%的准确率与90%的准确率,这个差异并不是医院最为关心的,也很难去验证。医院更在乎的会是相关方的利益和安全性。所以初期,最重要的是有渠道说服决策者让你的产品先进去,渠道优势也是我们在投资时所看重的。我们也希望道彤在医疗服务领域的资源优势能够帮到我们投资的医疗AI企业讯速地进入阵地、占领阵地。

 

5. 医疗AI会替代医生吗?


尽管医疗AI的目标是替代部分医生的工作,但就现状来看,影像等资料不能作为独立诊断的依据,对于医生它只是个参考,并且还需要医生的帮助来提升它的性能,就像用户为导航纠偏一样。但未来,随着医疗AI技术的发展,其能够结合的内容也将越来越多,替代的能力越来越强。


一个孩子学步时摇摇晃晃步履蹒跚,我们能说他长大了连路走不稳吗?可以肯定的说,不管是否愿意,医技人员及影像医生的部分工作未来都会被替代,技术洪流是不可阻挡的。一两年内,可能还有一些小波折,但五年十年,一定会。


至于收费问题,比较复杂,不仅涉及到医院的态度,还涉及到卫计委、医保、发改委等政府部门的意见,初期的商业化产品也有一个不断完善的过程。从目前各级政府大力推进人工智能的积极态度来看,我们有理由乐观预期,在不久的将来,逐步会有一些更明朗的解决方案。



资源推荐

斯坦福大学Tensorflow深度学习课程表  

资源 | 多伦多大学“神经网络与机器学习导论”2017年课程表

爆款 | Medium上6900个赞的AI学习路线图,让你快速上手机器学习

Chatbot大牛推荐:AI、机器学习、深度学习必看9大入门视频

Quora十大机器学习作者与Facebook十大机器学习、数据科学群组

128篇论文,21大领域,深度学习最值得看的资源全在这了(附一键下载)

葵花宝典之机器学习:全网最重要的AI资源都在这里了(大牛,研究机构,视频,博客,书籍,Quora......)

重磅|数据科学入门必看:来自斯坦福、MIT、微软、Twitter等名校名企的20门课程清单

资源 | 机器学习进阶,给你推荐13款ML框架


 ☞ 点赞和分享是一种积极的学习态度

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接