醫療是人工智能落地的重要領域之一，互聯網醫療界的每一位從業者都在密切關注該領域動向，因為每一次技術的變革都是威脅裹挾著機遇，錯過會被時代拋下，抓住則能迎風向前。

日前，在丁香園近日的一次內部會議上，ceo張進分享了他對時下火熱的醫療人工智能的理解。他強調，以下觀點主要基于人工智能在醫療場景落地的假設。

1.人工智能在外行看起來有力而魔幻，比起技術布道者各種鼓吹，真正的從業者們都保持非常克制的樂觀。建議要和真正一流的人工智能從業者交流，并且到實際技術落地的場景去看看。去看看在醫院的“機器人”過的好不好，去看看那些已經比醫生準確度更高的人工智能算法是停留在paper、公關稿上還是真的可以在醫療場景落地。

2.總的來說，人工智能還在出發點附近，走的并不遠，距離人們期待的智能還非常遙遠。人工智能概念加持可以讓你的項目聽起來更加sexy，乃至獲得資本溢價，但真正要在項目中落地還是要保持冷靜和清醒。

3.人工智能目前還是分類系統而不是感知系統，分類能力很強，理解、推理和泛化能力很弱，還在弱人工智能時代，強人工智能還只是一個概念，且并沒有明確的實現路徑。

4.人工智能需要基礎研究及理論的重大突破，目前看起來挺困難。所以，弱人工智能時代會持續相當長的時間(至少在基礎理論獲得重大突破以前)，弱人工智能比較適合解決明確輸入輸出，不需要長鏈推理和泛化，不需要詳細解釋，允許出錯的窄場景。

5.很多人誤以為醫療診療決策是基于精確的科學依據、統一的診斷標準和統一的治療方法。但實際上大量的醫療決策經常是基于經驗、推測、慣例，甚至是便利或習慣，還有患者的支付能力等等因素。簡單地說，除了醫療的標準，還有大量非標準的推理在起重要作用，這和弱人工智能的確定性數據和場景及弱推理能力相去甚遠。

6.在醫療某個確定的小場景，算法可以帶來一定的輔助作用，但是如果不能帶來體驗、效率或者質量、數量級的提升，也很難在醫療領域落地實施，因為成本太高，獲益有限。很多做醫療影像的人工智能公司都宣傳讀片某個環節的準確度超過了醫生，“但很多時候只是在電腦上多了一個“不常使用的ai功能鍵”，(醫生)一般不會用。”行業人士曾這樣說。只能識別肺部結節的ai對于需要全面解讀片子的影像科醫生來說，有時候甚至是累贅。以相對成熟的語音識別來說，技術上確實已經可以實現比較高的識別率，但用它來寫報告和病歷的醫生非常少，因為大部分時候，實際上還不如模板加鍵盤的效率高。

7.弱人工智能很容易受干擾，魯棒性很差，這在醫療的核心診療領域基本不可被接受。醫生是“小錯不斷、大錯不犯”，人工智能則是“小錯不犯，一犯就犯大錯”。

8.與機器相比，人類算的慢，但可以通過推理和理性糾正；機器又快又認真，但容易出大錯。比如特斯拉無人駕駛汽車未能識別橫穿公路、白色車身且車身過高的拖掛車，從而導致重大事故，新手司機應該也不太會犯這種錯誤。說白了，在無人駕駛和醫療應用領域，無法預先讓機器學習所有未來可能遇到的場景數據集，需要推理和泛化。從分級上看，無人駕駛已經到了僅次于最高級別的 l4 ,但是要從 4 到 5 ，需要完成的不是簡單的爬坡升級，而是質的飛躍。包括 google 在內的大量無人駕駛團隊，之前宣稱要在 2020 年量產 l5 級別的車，大考之日臨近，這一目標能否實現？如果不能實現 l5 級別的無人駕駛， l4 級別輔助無人駕駛根本談不上數量級以上的體驗和效率提升，就像很多汽車有自動泊車功能，但實際運營非常少。這一點，無人駕駛和醫療領域非常相像。

9.提到無人駕駛和醫療人工智能，就不得不提倫理和法理。無人駕駛汽車撞死人，應該誰負責？涉及到人體，倫理是回避不了的話題。如果拋開倫理的限制，藥物臨床研究會快很多，但是沒有倫理，好萊塢電影中的“邪惡博士”就真的會降臨人間。

10.另外，人工智能是一個底層的工具，和互聯網一樣。未來不會有人工智能公司，人工智能會成為每個公司的一個部門，就像公司的大數據團隊一樣，輸出底層的數據和算力。人工智能現在還不是一個嚴絲合縫的工程科學，還遠沒有到可以像安卓一樣成為行業大規模應用的工具平臺。

11.在醫療領域只有場景明確且狹窄、容錯性相對高，并且容易得到確定數據(少推理)的少數問題我們可以進行嘗試性的投入和關注。實際上我們也在皮膚病和智能分診上做了一些嘗試，并借此保持對這個領域接觸和關注。但必須明確，技術層面的關注和公司戰略層面的實施是兩個事情。

12.最后，即便人工智能技術能夠在短期內取得突破性的進展，從實驗狀態打敗人類的算法到真正的產業應用也是非常漫長的過程，尤其是醫療領域。“老技術”在消費互聯網領域似乎示弱，但是在醫療領域，哪怕是簡單的信息化帶來的效率和體驗提升都遠大于人工智能。我們對人工智能保持長期樂觀，但短期的泡沫還是挺明顯的。

以上是網絡信息轉載，信息真實性自行斟酌。