醫學人工智能發展的熱度歷經IBM Waston的裁員、DeepMind醫療項目負責人“被休假”之后似乎有所回落。但仍不斷有醫學人工智能Start-up成立，僅以San Francisco區域為例，不到2年的時間，醫學人工智能創業公司數量就增長了3.9倍，創業公司的業務領域包含了從篩選新靶點到匹配臨床研究和患者等不同細分領域。

當然，誰也不能否認，人工智能是最令人期待的技術之一，并會對醫學研究、醫藥研發、醫療促進以及醫保優化等產生重大而深遠的影響。但面對技術浪潮，如何早期分辨誰在“裸泳”，而不用等到潮水退去時才知道。試著問問如下5個問題：醫學人工智能初創公司的核心技術或算法能否獲得制藥公司的青睞，這是一個關鍵性指標。因為大藥廠對于醫學人工智能的需求非常明確，就是能否幫助大藥廠提升日益困難的新藥研發能力和效率，在競爭性市場獲得先機。

當然，要獲得大藥廠的青睞，首先要有與大藥廠關鍵決策人的溝通機會，比如說會議。即便是已經獲得A輪融資的初創醫學人工智能公司，如果沒有經過大藥廠的“洗禮”或“檢驗”，其核心技術或算法的應用性可能無法脫穎而出，仍然是“眾多之一”。因此，醫學人工智能的創業團隊，應不僅僅只有算法天才或計算天才，還要有醫學人才，了解醫療這個行業的本質和特點。

也就是創業團隊的核心技術、算法和團隊是否具有獨特性，可以讓大藥廠的關鍵決策人看到，選擇創業團隊比內設部門要高效。目前如諾華、葛蘭素史克、安進等財大氣粗的公司已經開始著手組建自己的人工智能和數據挖掘團隊。這就要求創業公司不僅技術領先，還有互補的團隊和洞察制藥企業核心需求的能力，當然還得要有成本效益方面的優勢。

這一點非常重要，醫學人工智能初創公司的發展是依賴他人的數據，還是自己產生數據？依賴他人數據的初創公司采取的是，通過“吃進”已有的公開文獻，期望經過分析后有新發現；或通過分析已有的藥品應用情況，希望發現新的適應癥等。這在新藥研發領域可能不太有吸引力。就好比，在圍棋領域取得進展的“Deep Learning”照搬到新藥研發可能就不太適用。“Deep Learning”好比是增強記憶的“渦輪增壓”，但醫療領域卻存在大量的“特例”，或者是許多細分領域中“未被滿足的需求”。這會不會是曾因“阿爾法狗”轟動世界的DeepMind聯合創始人兼醫療負責人“被休假”的原因呢？

所以，依靠已有公開數據的模式可能不會產生重大突破，也就是無法賦能藥廠的新藥研發能力與效率。大藥廠更需要基于某一個特定的目標，或臨床上一個重大未被滿足的臨床需求而來的算法或技術，也就是，能自己產生數據的人工智能團隊更具有競爭性。

硅谷發展的特征之一就是，大公司為了避免競爭，通常在早期就以并購的方式對有可能威脅其未來發展的創業公司進行“團滅”。但醫學人工智能領域似乎還沒有表現出硅谷“贏者通吃”的這一基本特性。醫學人工智能有細分領域特點，不同的需求只覆蓋一定的人口基數并要求相應的技術和算法；而不像社交網絡公司，一個APP就可以覆蓋足夠多的人口基數和市場份額。

所以，也不必因為沒有互聯網巨頭對其感興趣就因此而低估創業公司的潛能，關鍵還是要有慧眼，也就是判定該團隊的核心技術或算法是否與其研究的應用領域相匹配，比如Deep Learning，如果用于對海量的病理切片進行模式分類的話，可能會更高效。

目前國際醫學人工智能領域資本流向特點是，20%的初創公司吸引了近80%的風險投資。大多數初創公司還是舉步維艱，要么創始人自己注資，要么天使投資。目前，醫學人工智能領域雖然還沒有出現“公司破產”的情形，但已有“僵尸初創公司”出現了，沒有活力，缺乏資金等。

當然，雖然也有一些交易，但由于行業仍處于培育期，仍難以判斷真正好的有發展潛力的初創公司，即便是那些已經獲得大藥廠投資的醫學人工智能公司的發展潛力也需要時間才能做出判斷。