以下内容来自易凯资本健康组两位同事刊登在最新一期《财经》杂志上的署名文章，作者为易凯资本合伙人、健康产业组联席负责人李钢以及健康产业组副总裁徐鼎梁。
作为中国领先的新经济投行，易凯资本拥有规模最大、专业性最强的健康产业投行团队，具有广泛的行业覆盖和强大的跨境交易能力。过去一年，易凯资本健康产业团队完成了瑞尔、思路迪和泽生等多个重大交易。
历史没有只吹不停的风，反复表演着居高摔重的戏码，AI+医疗也概莫能外。这是一场持久战，活下来比什么都重要。
李钢 徐鼎梁/
文
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。
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”，年后默默地被替换成“数字医疗”，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。
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。
（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。图/视觉中国）
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。
