時下如果要問醫療圈最火熱的領域是什麼， 十個人會有八個人告訴你， 人工智慧， 就是AI！數以百計的創業團隊湧入這個領域，
對於BAT這種體量的公司來說， 只要決定進入一個行業， 或自建或合作或投資， 就會用技術+資本快速攻城掠地。
以阿裡為例， 縱觀其在醫療的佈局， 發現他們就是要打造一個覆蓋藥品、醫院、醫生、協力廠商檢驗機構、醫療保險、健康管理和患者的完整生態。 其互聯網醫療佈局以支付寶、天貓醫藥為框架， 阿裡健康為重要載體， 阿裡系基金（包括雲峰基金）為開路先鋒， 合縱連橫。 以移動支付和流程再造為核心， 在醫院端重點搭建支付寶未來醫院。 在健康管理和智慧設備領域大刀闊斧與多家上市醫療醫藥公司合作。
醫藥O2O領域以天貓醫藥館、阿裡健康APP為核心， 結合慢病管理和醫患溝通，
而我認為醫療AI的突破性應用， 可能首先來自大公司， 大批的中小創業公司很可能需要在大平臺成熟後， 才會迎來更大的機會。 其原因是綜合性的， 我們先看下阿裡醫療AI的進展。
其實這兩年人工智慧在各領域都發展得熱火朝天， 而今年3月， 阿裡雲在雲棲大會·深圳峰會發佈了ET醫療大腦， 宣佈正式進入醫療AI領域。 經過一年多的研究訓練， 他們認為其自主開發的人工智慧ET， “可在患者虛擬助理、醫學影像、精准醫療、藥效挖掘、新藥研發、健康管理等領域承擔醫生助手的角色”。
根據現場發佈的資訊，
如果人工智慧只是可以提高醫生部分工作效率的話， 那還是初級階段， 當深度學習的演算法配合圖像識別， 就可以大大提高結果的準確度， 甚至超過人類醫生。 浙江大學附屬第一醫院就利用ET實現了甲狀腺B超的快速分析。 借助電腦視覺技術， 這套演算法可以對甲狀腺B超快速掃描分析， 圈出結節區域， 並給出良性與惡性的判斷， 大大節省了醫生的診斷時間。 一般來說， 人類醫生的準確率為60%-70%，
同樣在肺癌篩查領域， 準確發現結節也是診斷的第一步。 據介紹， 一位經過嚴格訓練， 有著多年臨床經驗的醫生， 診斷一個病例平均需要查看200張以上的CT掃描圖片， 診斷時間在20分鐘以上。 而電腦結節檢測系統通過學習大量有經驗醫師標注的樣本， 就能在短時間內快速提升診斷能力， 輔助基層醫療機構的醫生減少誤診。
那麼， 這樣的人工智慧真實的效果如何， 在今年7月1日， 國際權威肺結節檢測大賽LUNA16上， 阿裡雲的ET醫療大腦充分展示了其優秀成果， 獲得冠軍並創造了記錄。 大賽要求對888份肺部CT樣本進行分析， 尋找其中的肺結節。 樣本共包含1186個肺結節， 75%以上為小於10mm的小結節。
基因測序時間和測序成本一直在基因檢測領域兩大關注焦點。 近年來， 隨著測序技術的成熟, 看誰算得快， 誰算得准， 誰算得好， 誰的成本更低成為基因行業比拼的“戰場”。 而隨著未來資料爆炸， 採集和處理資料的極速增長， 如何解決海量資料的計算問題成了擺在基因行業面前的一道難題。
華大基因、阿裡雲和安徽醫科大學曾共同宣佈， 在21小時47分12秒內完成了1000例人類全外顯子組資料的分析。 而在40年前， 人類若想對埃希氏大腸桿菌進行全基因組測序， 需要1000年的時間。 因此ET醫療大腦的應用領域中， 其中一項是利用演算法模型尋找疾病同基因突變的關係， 比如對大量肺腺癌病例的DNA序列進行分析，尋找致病的關鍵基因突變。
其實在ET醫療大腦之前，阿裡雲就已經開始在醫藥領域進行探索。比如某新藥研發中，上海華山醫院借助了阿裡雲的計算能力，用數位化模型代替部分臨床實驗，以及類比小白鼠的活體實驗，用於加快特效藥研發。還有些新的進展也在不斷探索中，綜合來說，醫療AI的成功落地還是會先由大公司主導，原因有以下幾點：
1、首先醫療AI不同於其他細分行業，比如醫生社區，醫患溝通和患者健康教育等領域，使用者不需要千篇一律的標準回答，有更多個性化需求，多樣性需求可以讓創業企業和巨頭處在同一起跑線，甚至更靈活，成本更低。
但在醫療AI的具體應用場景中，只要某種技術出現一種碾壓性的優勢，就會全面覆蓋，因為技術實施的邊際成本趨向於零，很難構建地域和細分領域“護城河”，換句話說，有最好的，很可能就不需要第二第三好的技術了，也無法用價格差構建梯度。
2、很多小公司宣稱編制出了一些演算法，但其實縱觀醫療AI領域，最重要的可能並非演算法，而是獲得大量可靠的連續型醫療資源的能力，那麼從資源上來說，小公司即使在局部領域可以拓展一下，比如獲得幾個醫院的支持，再跟一些比較牛的教授合作，這也是常規標準套路。
但是在醫學各細分領域中，巨頭的全面優勢可能是無法比擬的，甚至可以省為單位攻城掠地，以治療領域為中心全面滲透。並且，一個個創業專案理論上是想從很多具體領域切入，然後橫向縱向拓展，其實異常艱難，而巨頭們好像隨意下圍棋一樣，東布一子，西落一塊，一開始不感覺，幾年後很多專案就會出現協同優勢，全面擠壓。
3、醫療AI領域構建商業模式異常艱難，支付方和收費場景很不成熟，那麼對小公司來說，很難熬過冰川期，即使後面可以局部拓展一部分市場的時候，技術成熟的巨頭們真的可以用全免費的方式反向覆蓋，因為同前所述，AI使用的邊際成本趨向於零。所以不同於在很多醫療細分領域，小公司甚至更有優勢，只要跑通商業模式後，其成本更低，決策更靈活，提供更個性化的服務。
相對來說，還是更看好BAT包括平安在醫療AI領域的佈局，因為AI的競爭其實是全世界範圍的競爭，而不是一城一地的得失，如果被國外巨頭率先壓制我們，就會重蹈之前很多領域的覆轍，只能淪為別人的市場，或者賺點邊角料而沾沾自喜。
相比之下，阿裡的醫療AI更為落地一些，在多個細分領域都有在實際執行的項目，並不是聽起來“玄之又玄”的概念。而人工智慧已經上升為國家戰略，同樣歷史也證明過，在高技術領域全民“大煉鋼鐵”是沒什麼用的，一萬家小公司瞎折騰也不如一家巨頭公司的全力投入。
所以，醫療投資圈的又一個大泡沫正在逐漸進入高潮！
比如對大量肺腺癌病例的DNA序列進行分析，尋找致病的關鍵基因突變。其實在ET醫療大腦之前，阿裡雲就已經開始在醫藥領域進行探索。比如某新藥研發中，上海華山醫院借助了阿裡雲的計算能力，用數位化模型代替部分臨床實驗，以及類比小白鼠的活體實驗，用於加快特效藥研發。還有些新的進展也在不斷探索中，綜合來說，醫療AI的成功落地還是會先由大公司主導，原因有以下幾點：
1、首先醫療AI不同於其他細分行業，比如醫生社區，醫患溝通和患者健康教育等領域，使用者不需要千篇一律的標準回答，有更多個性化需求，多樣性需求可以讓創業企業和巨頭處在同一起跑線，甚至更靈活，成本更低。
但在醫療AI的具體應用場景中，只要某種技術出現一種碾壓性的優勢，就會全面覆蓋，因為技術實施的邊際成本趨向於零，很難構建地域和細分領域“護城河”，換句話說，有最好的，很可能就不需要第二第三好的技術了，也無法用價格差構建梯度。
2、很多小公司宣稱編制出了一些演算法，但其實縱觀醫療AI領域，最重要的可能並非演算法，而是獲得大量可靠的連續型醫療資源的能力，那麼從資源上來說，小公司即使在局部領域可以拓展一下，比如獲得幾個醫院的支持，再跟一些比較牛的教授合作，這也是常規標準套路。
但是在醫學各細分領域中，巨頭的全面優勢可能是無法比擬的，甚至可以省為單位攻城掠地，以治療領域為中心全面滲透。並且，一個個創業專案理論上是想從很多具體領域切入，然後橫向縱向拓展，其實異常艱難，而巨頭們好像隨意下圍棋一樣，東布一子，西落一塊，一開始不感覺，幾年後很多專案就會出現協同優勢，全面擠壓。
3、醫療AI領域構建商業模式異常艱難，支付方和收費場景很不成熟，那麼對小公司來說，很難熬過冰川期，即使後面可以局部拓展一部分市場的時候，技術成熟的巨頭們真的可以用全免費的方式反向覆蓋，因為同前所述，AI使用的邊際成本趨向於零。所以不同於在很多醫療細分領域，小公司甚至更有優勢，只要跑通商業模式後，其成本更低，決策更靈活，提供更個性化的服務。
相對來說，還是更看好BAT包括平安在醫療AI領域的佈局，因為AI的競爭其實是全世界範圍的競爭，而不是一城一地的得失，如果被國外巨頭率先壓制我們，就會重蹈之前很多領域的覆轍，只能淪為別人的市場，或者賺點邊角料而沾沾自喜。
相比之下，阿裡的醫療AI更為落地一些，在多個細分領域都有在實際執行的項目，並不是聽起來“玄之又玄”的概念。而人工智慧已經上升為國家戰略，同樣歷史也證明過，在高技術領域全民“大煉鋼鐵”是沒什麼用的，一萬家小公司瞎折騰也不如一家巨頭公司的全力投入。
所以，醫療投資圈的又一個大泡沫正在逐漸進入高潮！