近年來，人工智能技術與醫療健康領域的融合不斷加深。然而新事物的發展注定要背負人們嚴格的標準和考驗，這不AI醫療界的“網紅”——IBM Watson就迎來了人紅是非多的困擾……

甚至可以說，在AlphaGo出世前，IBM Watson一直是人工智能的代名詞，而且一直被視作醫療AI領域的旗艦產品。但是最近，“IBM Watson到底能不能治病？”的疑問更多的出現在媒體報端，IBM Watson到底怎么了？

IBM Watson的“里程碑”和“黑暗時刻”

自從2011年在《危機邊緣》一戰成名后，IBM Watson就成了人工智能發展史上一座里程碑，和IBM的深藍一樣，只要回顧AI歷史，Watson和深藍都是不可忽略的名字。

得益于IBM對Watson的品牌和市場推廣不遺余力，從咨詢轉型為醫療后更是如此，提出“認知計算”的口號，在IBM的認知解決服務方案中，Watson醫療占了很大一塊，與政府、醫院、藥企和其他健康機構傾力合作。

2013年，IBM與世界頂級的腫瘤治療與研究機構——MD安德森癌癥中心宣布合作，用Watson輔助醫生開展抗癌藥物的臨床測試。在當時看來，一扇新的大門正在對人類敞開，門后是AI與現代醫療結合的無限可能。對此，福布斯發表了題為《在 MD安德森癌癥中心，IBM Watson解決了臨床測試難題》（“IBM's Watson Now Tackles Clinical Trials At MD Anderson Cancer Center”）的社論。

而前不久福布斯的新文章，標題則是 《Watson是不是一個笑話？》（"Is IBM Watson A 'Joke?'"）。而MD安德森，也中斷了與IBM的合作。

與此同時，IBM醫療部分發生大規模裁員，隨后又爆出Watson給出錯誤的治療方案。外媒Gimodo的一篇報道中，更是直言Watson“一無是處”。研發方面，單是2015年，IBM在Watson上的投入就是150億美元。現在，6年過去了，幾百億美元砸下，而Watson的前景卻似乎越來越糟。

MIT科技評論對IBM的AI醫療項目與“野心”進行了梳理，呼吁各方以平常心看待。文章的觀點可概括為：“Watson近幾年進展緩慢、難堪大用，究其原因，是有許多醫療行業客觀存在的桎梏因素，比喻數據匱乏、昂貴。而我們當年對Watson以及它所代表的人工智能技術期望過高，甚至脫離實際，也是造成如今失望的原因之一。”

于是，業內流傳著這樣一個認知：AI能革新醫療，但IBM Watson可能無法做到這一點。

國內外巨頭紛紛布局醫療人工智能

當下人工智能發展趨勢不可阻擋，對醫療的革命只是時間問題，不會因為受到IBM Watson質疑而停滯不前。如你所見，科技巨頭和資本巨頭都在積極布局智能醫療產業，大批專注細分領域的初創公司也蓄勢待發。

谷歌在糖尿病、神經性疾病診療和醫療器械的研究方面發力，谷歌deepmind與英國國家健康體系（NHS）合作共同開發新技術；微軟發布了面向個人的健康管理平臺，整合不同的健康及健身設備搜集的數據，蘋果、Facebook等公司也通過設立醫療健康部門、開發醫療健康類應用、收購醫療健康類初創企業等方式，逐步踏入醫療健康行業。

除了科技巨頭紛紛進場，初創公司也大批出現，專注智能醫療細分領域。僅2013年以來，美國至少有100家初創企業已小有成就，其中醫療影像與診斷成為初創公司業績增長最快的領域。致力于藥物研發的企業利用人工智能技術降低了藥物開發成本；一些初創類企業運用人工智能技術，針對心血管病、糖尿病等特定病癥制訂了手機終端應用及可穿戴設備。

數據顯示，全球人工智能風險投資已經從2012年的5.89億美元，增至2016年的50多億美元。預計到2025年，人工智能應用市場總值將達到1270億美元，其中，醫療人工智能行業將占市場規模的五分之一。

我國人工智能醫療發展雖然起步稍晚，但是熱度不減。數據顯示，2017年中國人工智能醫療市場規模超過130億元人民幣，并有望在2018年達到200億元人民幣。

我國人工智能醫療企業聚焦的應用場景運用領域

第一，基于聲音、對話模式的人工智能虛擬助理。2018年6月21日，騰訊公司開放旗下首款人工智能醫療產品“騰訊覓影”輔診平臺，該輔診引擎能輔助醫生診斷、預測700多種疾病；廣州市婦女兒童醫療中心主導開發的人工智能平臺可實現精確導診、輔助醫生診斷。

第二，基于計算機視覺技術對醫療影像進行快速讀片和智能診斷。騰訊人工智能實驗室專家姚建華介紹，目前人工智能技術與醫療影像診斷的結合場景包括肺癌檢查、糖網眼底檢查、食管癌檢查以及部分疾病的核醫學檢查、核病理檢查等。中山大學中山眼科中心開發的糖尿病眼病快速診斷系統，能通過閱讀影像資料快速出具人工智能診斷報告。

第三，基于海量醫學文獻和臨床試驗信息的藥物研發。目前我國制藥企業也紛紛布局人工智能領域，人工智能可以從海量醫學文獻和臨床試驗信息等數據中，尋找到可用的信息并提取生物學知識，進行生物化學預測，據預測該方法有望將藥物研發時間和成本各縮短約50%。