AI的未来在中国，这跟移动支付类似，因为我们不仅有市场，我们还有更丰富的数据。然而，跟互联网+一样，不是所有AI+都能落地。

人工智能在医疗领域被资本的风吹上九尺云霄，然而，历史永远没有只吹不停的风，反复表演着居高摔重的戏码，如何做好一只被风吹上天的猪可能也是一种至关重要的生存之道。

核心是，这阵风的实质是深度学习概念为人工智能在医疗领域带来的商业化落地机会，核心是深度学习和商业化;目前中国对美国风向的跟从效应明显，但数据优势下，AI的未来在中国。

最火热的AI+医学影像领域很快会遭遇融资瓶颈，变现仍是生死关，建议提前做好准备;而AI+新药研发将成为下一个热点。

强科学属性下，数据是最有价值的

现在所提及的AI+医疗，其实是在谈，深度学习方法的出现，为人工智能在医疗领域带来的商业化落地机会。关键词在“深度学习”和“商业化”。

这种定义或许能够对读者在当前浩浩荡荡挂着医疗AI大旗的公司里区分出李逵和李鬼有所帮助——毕竟并不是每一家能够通过计算机的输入与输出运算出一些结果的公司都是我们现在要谈的人工智能，虽然他们都会这么宣称。创业者在风中也应该对自己有清晰的认识，对未来有正确的定位和目标——被误吹起来的猪总是最先落地。

以2015年为分水岭，之前都在谈论“移动医疗”，此后“医疗云”“医疗大数据”陆续掀起高潮，直到现在“人工智能”的出现。这种转变勾勒出了最近十年来医疗信息化领域依次出场的三阵风：移动医疗—大数据—人工智能。

这三阵风，并不是简单的资本轮流炒作，其背后产业发展的逻辑是异常清晰的。但不得不承认，过去我们的认识可能走过一些弯路。

移动医疗兴起之初，资本市场更倾向于视其为一场移动互联技术带来的商业模式创新，就像ebay和淘宝把交易从线下搬到线上。然而，事实最终并未能很快复制TMT移动化的发展与辉煌，风很快就停了。究其原因，医疗领域有着更强的科学属性和更弱的商业属性，与电商、娱乐等强商业属性不同。

强科学属性下，数据才是这个领域最有价值的部分。大数据产业分为三个环节，数据收集、数据结构化和数据挖掘。移动医疗解决的是数据收集的问题，人工智能则提供数据挖掘的强有力工具。风就沿着数据这条产业化路径吹了下来。链条中数据收集和结构化都是低附加值的部分，而数据挖掘才是产生最终价值的一步。当产业还停留在低附加值阶段，没有获得令人满意的商业回报便是顺理成章的事了。

如果人工智能技术能够突破应用关，整条产业链都将因此重新焕发出巨大价值——然而，站在现在这个时点上，我们都还在积极尝试和等待结果。

国内的风口，怎么找

对于中国的创业者和投资人而言，一切似乎可以变得相对简单一些。从移动医疗到人工智能，美国的领头羊效应明显，中国的行业起步可能比美国平均晚2年-3年，当然这个差距在逐步缩短(但趋势衰退时则反应灵敏得多)。从几个案例能够说明这一问题。

线上问诊领域，美国领先者Teladoc成立于2002年，在2011年获KPCB的1800万美元投资;同年，在中国，春雨医生成立，获蓝驰创投300万美元投资，到2014年获得千万美元级别投资。

医生预约领域，美国领先者Zocdoc成立于2007年，2010年中拿到1500万美元投资。也是在2010年，在中国，挂号网成立，并在年底获得2200万美元投资。

肿瘤大数据领域，美国领先者Flatiron Health成立于2012年，于2014年获得1.3亿美元投资。在中国，新屿科技、思派网络和零氪科技在2013年-2014年间逐次成立，并在2016年前后分别获得超过千万美元投资。

在AI于医学影像的应用领域，2015年IBM以10亿美元收购医疗影像公司Merge Healthcare，并入同年成立的Watson Health care，利用Merge公司拥有的海量图像数据进行深度学习，成为AI+医学影像的标志性事件。而2017年国内纷纷获得大额融资的影像AI公司，大多在2016年成立。

以上，不难看出美国对中国存在明显示范效应。这降低了国内创业者和投资人在选择方向上的难度——只需要紧盯美国市场，一旦某一领域首次出现千万美元级别融资，那么这个方向在未来几年内很可能成为国内风口。

最大的挑战来自于新技术与模式在中国可能出现的水土不服。中国的社保制度、商业保险发展阶段、医院管理方式与利益分配机制都是中国独有的商业化障碍。

不过，AI产业长期来看是技术驱动性的行业，需要足够多的数据作为支撑，人口与数据中国得天独厚，这是中国产生后发优势的决定性基础。未来，不仅是国内AI创业风起云涌，更多国际化的力量都会往中国做聚焦，带来技术的输入和潜在的跨国合作机会。

站在风中的中国投资人，在想什么?

随着移动医疗到人工智能的风起风落，我们时刻感受着中国投资人的情绪波动，或许有资格来谈论一些观察。

观察一，影像已然成为AI在医疗领域落地的主要突破口。资金率先集中在影像应用领域，在2017年该领域纷纷涌现亿元左右融资，进入B轮规模。医疗的其他应用领域主要依赖于技术发展和数据积累的速度。

资本风向吹出了影像领域的三大派别，第一，算法驱动型。这一类公司的主要特点是大多成立于2016年及以后，创始人往往是海归，对深度学习的最新技术具有充分了解，试图搭建一支跨学科团队，把这种最新技术应用于医疗领域。他们能够通过不断的训练与调整，去平衡精确度和假阳性率，精益求精以满足用户需求。

第二，数据驱动型。这一类公司的主要特点是创始人大多来自传统影像归档和通信系统(PACS)行业，或者大型影像设备的代理商和维修商。他们认为，中国与美国一个很大的区别在于，中国的数据孤岛现象并未在移动医疗时代得到有效解决，所以影像数据的来源在国内依然足以成为壁垒。所以他们往往在云PACS角度切入，先通过连接医院获得持续获取数据的能力，再搭建团队涉足人工智能分析。其长处在于，了解医生需求，也懂得在医院做事要掌握的尺度和方法，这注定了他们未来商业化落地会有更加扎实的基础。

第三，资源驱动型。标志性代表是IBM，在中国则是BAT这样的巨头。它们拥有所有创业者所无法比拟的资源优势——成熟的人才团队，足够的社会、品牌资源，更重要的是有源源不断的资金支持，可以随时有能力开启“买买买”模式，遇到竞争随时可以开启免费战略甚至大额补贴。IBM和BAT的强势进场让整个生态圈都面临巨大压力，也让不少投资人因此对这个领域避而远之。

虽有三种派别，然而由于深度学习核心算法的开源性，以及数据获取实际并非完全一块铁板，在短期内，算法也好，数据也罢，谁都无法迅速构建起足够有效的壁垒，这才导致了当前激烈的同质竞争。

我们预期，未来一年到两年资金将迅速在头部公司集结，这将迫使业内每一家公司，必须至少在某一方面证明自己的先进性才能立足，剩下的企业只能在竞争中走向湮灭。而巨头的进入，必会加速行业洗牌和整合。这对行业并非坏事，为投资人也提供了一种潜在退出的渠道。

观察二，变现依然会是终极大考，资本耐心有限，行业参与者马上就要面对“C轮死”魔咒的挑战。

当细分行业龙头融资纷纷都达到亿元级别后，这些领先企业融资最困难的阶段已近在眼前，而它们是否能够克服“C轮死”的魔咒，将对行业的风口持续性产生决定性影响。

这个困难阶段出现的必然性，是投资人的偏好分布决定的。在中国的一级市场，机构两极化正在愈演愈烈：或者选择早期项目，小金额、广撒网、博概率，走孵化路线;或者选择成熟项目，有利润、谈对赌、博上市，走Pre IPO路线。这两条路线，并不需要过多的技术钻研判断和深入的行业理解，就能够让机构获得相对安全的回报，这是近年来市场对资本回报的高要求与行业慢增长属性，私募基金爆炸式发展与真正优秀的投资人才匮乏，这两大根本矛盾产生的必然结果。

现在，AI+医疗影像的龙头公司已经飞到两条路线中间的那个巨大缺口之中。在这个阶段，对风险偏好较高的VC而言，公司需要的融资额已经超过它们能够投资的体量;而对于较大体量的PE而言，AI+影像依然处于商业化的探索阶段，没有亮眼的财务数字却顶着极高的估值，实在无法下手。这样的状况下，可选择的领投机构将被迅速缩小到极少数资金雄厚，对前沿技术有一定判断，敢于引领时代潮流作出决策的出资人。这样的机构不会超过30家。

资本永远是逐利的，与情怀无关，而且他们的耐心往往有限。创始人务必要重视变现这个问题，必须有清晰的解决方法和思路。没有解决商业化难题的企业永远是没有翅膀的猪，风停就会非死即伤。

观察三，TMT领域的投资人是影像+AI领域的主要布局者，而医疗领域投资人态度明显趋于保守。长周期基金或产业资本参与能力更强。

要克服融资的瓶颈，找对投资人就变得异常重要。在这一波AI+影像的热潮中，我们看到了一个非常明显的趋势。

不同于几年前移动医疗大热之时，各类专注于医疗的投资团队都出手频频，但在这一轮AI的狂欢里，少了这些团队的身影。我们看到只有极少数案例是医疗团队主导，绝大多数投资来自于基金内部TMT团队的推动。这点发现让我们初时十分惊讶，但细细想来并不奇怪。

对于扎根于医疗这一相对传统行业的投资人而言，在思维模式上本就有巨大挑战，需要从传统医疗的长周期慢发展规律切换到类TMT的短周期指数增长思维。移动医疗热潮是他们第一次转变的尝试，但不幸的是最终大部分人为此交了学费——移动医疗热度断崖式崩溃的根源，恰恰就是无法解决变现与盈利问题，至今还在艰难求生。惨痛的教训让医疗领域投资人都变得趋于保守，而TMT恰恰对变现的容忍度更高，且幸运的是，影像需要的医疗专业性有限——如果未来AI+新药研发领域，可能就无法指望TMT领域投资人了。

之外，我们预测在前商业化阶段能在这个领域投出大额资金的，还有至少两类机构可以考虑：一类是退出压力较小的长存续期基金或长青基金;二类是从协同性出发考虑问题的产业内战略投资人。

观察四，AI+新药研发部分，很可能成为下一个爆发点。

AI在影像领域商业化尚不明朗，新药研发领域的AI应用，很可能后来居上。2016年12月，辉瑞与 IBM Watson Health签署协议，将Watson的超级计算能力用于其研发新型抗癌药中;美国创业公司Atomwise通过IBM超级计算机分析数据库，利用深度学习神经网络分析化合物的构效关系，一周时间就发现了抗击埃博拉病毒的潜在药物，比传统药物研发节约数年时间。

药物研发的商业化路径也更清晰，成功研发新药或转让或售卖均可获得动辄上亿美元的回报。中国特有的商业风险和政策风险在新药研发上的影响相较影像小得多。并且，新药研发的科学性和逻辑性更强，对技术的要求更高，但也更纯粹，有利于参与者通过技术建立有效壁垒。

总之，AI+医疗风口能持续多久很难预测，这会是一场持久战，在风的起起落落中，活下来比什么都重要。