陈立实：非常感谢，下面有请曹先生上来主持。

曹弋博：大家下午好，感谢各位来宾仍然坚持到最后一个环节，这一部分也是想要将我们的发言人产出最大化，我们打算用中文发言，如果大家需要的话可以借同传设备。我们过去的三到四年里一直都有据个单元做科技和医疗相关的结合部分。过去几年我们更多谈的移动医疗，也请移动医疗领域最领先的公司来做演讲，可能我们也观察到过去18个月里面，医疗AI成了这个市场新的风口，我们今天非常有幸请到三家领先企业做他们的介绍，我们会有后面一个短的环节讨论一下这个领域发展的方向上的思考。

我邀请嘉宾的时候也在试图在产业链各个方向都能够有所涉及，想我们今天有晶泰科技也是做药品研发的AI应用，我们也有深度智耀，专注于药品开发阶段，后面还有推想，市场上非常知名AI辅助诊断的项目，我们还想再邀请第四家公司就是AI和治疗方面应用的嘉宾，但是其实还是有个别的公司涉及这个领域，我们也可以看到这是最难的理解，我们没有找到合适的人讲，我们希望未来可以找到这个方向的人。

我们请第一位演讲嘉宾，每个人会有10分钟先介绍他的公司，我们再开始这个小组讨论。

李星：大家下午好，非常感谢邀请，让我有机会可以跟大家分享我的企业，这是我自创业企业以来，第一次比较大的站在这么大的会上宣传我们的公司。我们2017年9月份在北京亦庄成立的公司，我们用最先进的人工智能和区块技术覆盖，我们做的是颠覆性的创新。

我们跟市场上软件公司不太一样，我们是新生态的智能化的公司，我们致力于用三年时间打造端对端人工智能新药研发平台。我们制药行业是离IT非常遥远的一个行业，现在我们的制药行业还处在人海战术的阶段，还远远没有能够实现自动化。在2017年底开始到2018年特定历史阶段下，我们的新药研发可能会直接迈过自动化到达智能化，会实现两极跳跃，这也是深度智耀在做的事情。

我们认为无论从技术的上线还是历史的机遇来说，这个拐点都已经到了。

全球有不下十家企业用人工智能赋能，深度智耀2018年这个药物已经进入到模型，到临床实验，再到上市后，我们看全球用人工智能改造这块的公司不是很多，甚至除了深度智耀之外没有看到系统性改造这块。因为这块的业务场景太琐碎太零散了，在新药研发部门，有十几个。他一定是要从这个业务场景走出这些人，跟专家结合才能真正改造这部分。我们的AI技术主要是三个方面，一方面是深度学习，一方面是自然源处理，一方面是知识图谱。新药研发大大小小不下100个系统，但是都是静止不动的，无论是我们深度智耀自己用的系统还是即将部署给各大药企业系统，都是可以深度学习的系统。自然源处理其实就是机器阅读，机器理解，它理解以后就构建知识图谱，未来新药研发的体系是由一个知识图谱所支撑多维特的新药决策大脑。

2018年我们部署了大概9条产品线，我就不一一跟大家讲了，大概有自动写作、知识翻译、CMS领域还有医学部医学大脑，智能注册事务，我们也为今年5月份的新政准备了一套智能化的PV系统，还有区块链。

我们应该是中国第一家落地的新药研发基因组学的区块链系统，真正落地会在5月份，前端和AI匹配层已经构建完成，现在正在进行区块链底层的开发。这个生态圈里面我们会有药企，会有医院会基因测序平台，还会有基因的分析平台，还会有个体化基因药物靶点公司以及治疗公司都会入列。

2018年我们现在已经比较成熟的一条产品线是从AIWriting到后面几个。CMC领域也是我们重点布局的。这是我们已经在开发的上市后的医学部准备的医学大脑，我们认为说未来的医学部，它应该有一套知识图谱所支撑的一个决策大脑。上层的话我们医学部的工作分为两大类，一类是内容的生成以及传播，一类是辅助的决策。这个大脑会支撑去做这两方面的工作。

这个产品是我们4月份会重磅发布的一款产品，DEEP DOSSIER MACHINE。这个领域欧美已经有很多成熟的产品，软件专门用ECTD很多年了，我们是一款改写历史的产品。当我们把所有CTD文档准备好以后，一个人工作15天以后，才可以做好一个ETCD。但从我们内部测序结果来看，用我们深度智耀这个产品，里面加入人工智能没有太多的训练，一个人5小时就可以做好一个ETCD，当中还会包括QC的工作，一会儿我会放一段时间就是讲这个产品的。如果我们会回头来看，这款产品代表着我们这么古老的新药研发，这么离IT遥远的新药研发就要从此被撕开一个口子，真正走向智能化。

这是整个新药决策大脑里面基于模型的药物开发，我们都是有一整套的AI驱动的体系。

这里在罕见病领域也会有布局，罕见病终究会与癌症相遇的，很多癌症的患者其实是有基因缺陷的。我们在自然源处理包括机器翻译方面有超过37年的积累，人类的语言是最难的智能，我们在机器翻译领域的算法，包括端对端基于网络的算法，其实是很多难题在做，其他产品都可以给我们很多的一些扩展。

这是我们的创始团队，我们在过去3个月里面共引入了16个合伙人，大概7位来自于跨国药企，他们会做产品经理设计这些产品，同时我们有6位来自BAT的专家一位来自于百度，五位来自于阿里巴巴，我们是一群真的有理想，愿意为了理想奋斗的一群人在一起做这件事情。

我们的融资状况，天使轮融资2017年9月份完成，2017年12月份有400万的美金，现在我们正在进行A轮的融资，请放一下视频。

（视频）

谢谢大家。

曹弋博：非常震撼的一个视频，我们下面有请推想科技的陈宽。

陈宽：非常感谢邀请我来参加这个会议。简单介绍一下推想科技主要做医学影像AI，中国咱们医疗行业最大痛点之一就是供给非常稀缺，好的医生很有限，影像诊断包括一般的诊断也是工作效率比较低，造成当我要完成这么大诊断的时候，不可避免解决我诊断的精确率会有牺牲。大家可能都会很好奇医疗AI包括影像AI说了差不多三年时间，到底它走什么程度了。在这也是给大家展示一下我们推想科技在这块的尝试，包括我们已经在医院里进行应用的场景，我们觉得任何AI高深的技术，最核心的点还是在于它能不能真的在临床里面发挥作用。

今天我们的AI已经润物细无声走到了咱们中国最顶级的一批医院里面，中国前50医院我们已经进去了25家，大家今年去医院体检的时候，体检门诊医生可能就会使用到医生帮助完成AI使用完成报告。简单介绍几款使用的产品，第一就是AI针对肺部的CT，肺部是一个三维的扫描，一般来说做一个正常肺部扫描，大概是250到300张影像，医生需要在影像里面把疾病找出来，我们就用AI帮助医生提高工作效率，并且降低他们可能疲劳所产生的漏诊，这些都是医院在上线使用之后客户给我们提供的，AI帮助他们找到非常疑难的病例和问题，包括空洞很小的结节，包括非常淡的磨玻璃结节，有99%的概率会恶化成为肺癌，包括血管边上的结节，我们自己内部会说因为长在血管边上，融资能力特别强的结节会长得非常快很危险，这些也是特别容易在日常工作当中漏诊的问题，血管旁的小结节等等。

医生在诊断的时候，他非常需要作对比，比如我的疾病在一定时间之内，它的变化是什么。这种对比事实上并没有那么容易实现。比如我现在肺里面小问题非常多，它很难做到一一对疾病本身细微的变化作对比的。

在这用AI的手段能够很容易做到这一点，我一一对比这个疾病在上次和这次的变化到底有多大。刚刚介绍的是CT，像X光，我们的所谓的DR是目前全世界范围内应用史最广的检查手段，虽然它的检查始终有它的不足，但始终还是在基层在偏远地区用得非常多。X光最老的影像检查用上AI之后，我们现在看到影像圈，医学影像圈就有一种说法，X光胸片王者归来，这是上海长征医院刘主任的说法，AI帮助把X光重新带回到大众视野里面来。这是刚上线碰到的案例，医生刚看的时候时候说没有问题，AI给出了提示，医生觉得这是AI的假阳性，就是并没有任何的问题，但是AI就说它有问题。后来证明这个病人照一个CT以后，发现确实是一个2厘米的磨玻璃结节，病理证实就是一个肺癌。将AI学过了足够的病例，它可以在某些边缘案例当中比人做的更加精准，包括有些非常难看到的。

这边都是用户在实际使用当中采集的一些案例，他们自己漏的，用AI本身他们找到很好的问题。这里有一个肿瘤直接藏在心脏后面，AI都可以很好的看到。

这个基础上不同场景里面AI能够发挥非常多不同的作用，比如说刚刚在肺癌的筛查，它是因为很容易漏诊，非常繁琐。AI可以帮助医生降低漏诊率，这个医生不会漏诊，但是可能需要非常快速给出一个精准的诊断，因为它的情况很紧急，AI在这个场景里面就可以帮助医生提速。AI可能在不同场景里面做到可以做得更精准更快，但是不同临床场景里面临床的意义就是不同的。脑卒中就是帮助医生更快黑暗出一个更准确的判断。

我们也是非常幸运，我们的脑卒中产品也是世界上第一个推出脑卒中产品的推想科技，48小时内世界范围内非常顶级的媒体对我们进行了报道。包括脑卒中在半小时之内它的变化，也可以通过AI的手段作一个精确的测量，就有助于我们判断病人应该用激进的手段还是保守的手段进行干预。对我们来说比较重要是看行业里面专家对于我们是否有足够的认可，我们也是非常幸运基本上中华放射学会里面最顶级放射科专家和主任都对我们有很好的认可，包括我们走出海外，在日本最大的心脏影像对骨折医生对我们是非常认可的。

在这个基础上，我们觉得中国的AI特别在医疗行业完全有这个机会，技术并不落后于海外，同时它也有特别大量的训练数据。任何一个其他国家都无法比拟的训练数据。我们完全有可能在中国开发出AI，但是我们把我们的技术把我们的产品走向全世界。我们也是在美国、在日本、在西班牙、在德国都开始有上线的客户，对我们的产品非常认可。我们同时也是首家获得日本东京都国家高新技术企业，日本的高新技术企业比我们在中国拿到的高新还快。我们很幸运海外的媒体对我们也是相对比较关注，也是在去年12月31号的时候，登陆了央视新闻。包括纽约时报和福布斯，这是我们基本团队的情况。

我自己是芝加哥大学，把深度学习和金融领域进行应用，2014年看到医学影像巨大产能的缺失，当时觉得深度学习可以在这里面发挥比较大的作用，就回来。我们团队包括从科学家到资深专家都有，这就是我们推想科技的基本情况。这是我们的推想的介绍，谢谢大家。

曹弋博：谢谢陈宽，我们请晶泰科技的马总介绍一下公司。

马健：非常高兴今天可以跟大家介绍一下晶泰科技。这是公司的发展历程，我们是2014年我和另外两个合伙人在麻省理工做博士后，我们做计算化学和计算物理方向。我们融资到了B轮，刚刚去年交割，我们的投资方包括红杉、谷歌、恒瑞等。我们核心两个技术，一个小分子药物的晶体预测，这个可能面向药物的开发过程，以及包括仿制药的需求。第二块内容我们有一个非常不错的通用分子立场的工具。这个是我们每一个医药论坛各方面我们都会看到的医药行业的研发是一个风险高投入长周期的过程，我们想借助这个跟大家讲我们公司的业务是什么样的情况。

现在晶泰科技是位于中间开发的阶段，在药物走向动物实验到临床的时候，一定要做制剂开发和研究，就是你有多少种可能的晶体结构。在这块我们最核心的主要技术就是晶形预测技术。自然你往下游走，也需要通过像晶形专利工具，使得你原研药有机会进行上市，我们也在做晶形专利的开发。

还有一个方向，晶体预测来说，它的理论是基于计算化学的设计。你往药物的上游去走，你都会涉及到计算化学的内容。业务的情况就是说，我们第一块其实现在已经在给若干家大型国际药企提供技术服务。下游我们也跟一些做制剂仿制药，包括国家的实验室来联合做一些新晶形开发。

我简单要求介绍一下我们之前最早做的事情就是晶体的预测，这个事情是一个物理问题。我们三个人创立公司的时候，我是做量子计算的出身的，抽象出来的话，药物结晶的晶体行为是一个物理问题。药物开发过程当中是非常重要的，要去判断哪一个晶体是适合于后期的开发和稳定。你如果做得不好，上市之后出问题虽然没有那么多，也有一个典型的案例，1998年雅培抗艾滋病的药，上市之后晶形就发生了变化，就不溶解了，就召回了。

通过实验的手段，我们不知道一个分子有多少种可能的晶体，也很难判断你得到的实验结果是否稳定。晶体预测重要的环节都可以起了作用。实验上已经做了一些结果，不太清楚晶体会怎么样，或者分子多晶形行为是什么样。那个时候我们的预测就帮了它很大的忙。

这是包括我们内部的案例，还有其他的，第三栏就是多晶形的行为，最复杂倒数第二个是三个水加一个盐加主分子形成的晶体，这块都是非常成功给了它预测的结果。这是去年美国化学年会上我们当时授的案例，RCT是一个非常有名的分子，也是研究多晶形行为当中晶体非常多。对这个体系来讲，我们目前是做得最好的。

这是对外介绍相关工作的时候，它有一个收购的药物出现了晶形问题，研究了大概半年的时间，但是我们用了17天的时间告诉，Form1它继续在开发的晶体。

我们之所以能够在不断两年时间从初创到晶体里面做得最好的，简单来讲我们用了云计算，云计算这个事情打破了我们对于科学计算的框架。以前一个教授有多大的超算资源，我们是常规维持十万个核心，你一个月或者半年你快速迭代在里面，比如说你一年做4个案例，我现在可以做50个、100个，这样我们的算法迭代也会比别人快很多。这里你有很多的数据，可以进行挖掘可以做更多的工作。

我们团队当中有一半人做IT，包括算法和开发的团队。现在其实我们大家在说AI，我们并不是一个纯粹AI的公司，我们是基础计算化学和算法做药物研发过程当中的技术。AI这个事情包括我们通用分子立场都是内嵌算法本身里面，我们也在往新药物开发这个方向走，因为我们也积累了这块相关的经验。如果大家对于我们公司有兴趣，欢迎私下跟我联系，谢谢大家。

曹弋博：我们做一个简短的小组讨论。三位嘉宾都把他们做的事情向大家展示了。第一个问题先抛出来，可以看到三家公司成立的时间不是特别长，但是融资的速度和进展非常快，还有很多知名的机构都参与了这些投资。我想问问三位嘉宾，为什么在过去这段时间里，这个领域会变得这么热和发展的这么快，谁准备好就先答，每个人先说一下。

陈宽：整个行业来说特别重要的环节在于深度学习技术的产生，深度学习技术从数据分析角度来说主要解决非结构化数据分析，在医疗行业绝大部分数据产生都是非结构化数据，影像、文字、三维的结构，都属于结构化数据，技术产生可以解决实际需求。基础上这个技术融合到这个行业需要一定的时间，从深度学习第一次出现到2006年到一般影像识别2012年，再到深度学习技术在2014、2015、2016年走入医疗行业，在我看就是后激勃发的过程，后面就证明这个技术的确能在这个行业落地的时候，大家对这个事情的接受度和认可度就慢慢出现了。

从我自己个人角度也能很明显感受到，围棋高手出现的时候，就觉得这个技术确实走入了大众的视野，这些很重要的因素。

李星：我从大药企出来的，我2017年12月10号从强生出来的，我特别能感觉到一个趋势来了温度的变化，我本人非常喜欢技术，我从2016年初就自己学习AI包括自然源处理机器翻译再到2016年谷歌推出基于神经网络，我出来之前我也在强生杨森中国研发新药开发领导成员里面，从2016年开始，每次我们开会，大家都会讲怎么样去加速，要么就是加人头，要么就是让大家加班，从来没有让想到IT。我每次的提案都不能被认可，大家觉得我还不如讲讲怎么具体做项目处理，这个拐点出现在2017年3月份，在强生内部大大小小从3月份到5月份做了不下十场报告，总部都给我出机票，让我给大家分享AI怎么样做，我主导了我们强生的AI项目，我们部署了机器翻译引擎，大家让我讲。2017年3月份开始我晚上都睡不着觉，我强烈感觉到一辆车会朝我们开过来了，这一辈子会遇到好几次的变革，这辈子的车已经来了，必须要上车。

我在药企里面，我真真正正感觉到了这种拐点是怎么样到来的。还有一点就是技术的上线，确实像您分享的，也确实是到来了，谢谢。

马健：之所以会这么热就是陈总讲的，AlphaGo。神经网络听过，自然语言处理，我读研究生的时候，那时候大家想的是能够做出一个像人的大脑图灵机的东西，但是真正我感觉这个事情还是在围棋高手打败人类的时候，给大家的震撼。大家觉得产生一个联想，这个事情应该能在很多领域得到应用，当然也会也一个问题。现在我们算法方面来讲一些大的IT巨头已经把很多门槛降到很低。

曹弋博：你为什么当时选了这条方向作为创业的方向，除了你已经创业的方向领域以外，在AI领域你觉得还有哪些方向是你会发展比较快的领域？

陈宽：AI这个技术很明显的特征是说是提升效率的，它可能需求和痛点最明显的地方是在产能严重不中的地方，产能严重不足的行业，走访各行各业的时候，觉得医疗特别是我所看到的医学影像这一块，的确它的问题非常严重，咱们放射科医生从早上7点半有些开始工作到晚上10点，如果有科研任务压下来的话，大医院医生直接通宵到第二天7点继续开始上班。这种行业本身它的产能严重不足，问题非常严重，我觉得这就是一个非常适合落地的地方。在这个基础上可能同时也就判断说，因为深度学习它不完全只是技术的问题，还需要有很多训练的数据。我的训练数据是否存在，是否以电子化的形式存在，这个训练数据是否很容易被某些巨头垄断，这些都是评判的标准。医学影像数据是存在的，中国从2001年开始，当时因为有sass的原因，政府已经在推行医疗数据的电子化，完整的数据有些医院都是在5到10年之间。同时这些数据并不是只在BAT手里面，这个恰恰就是说真的有机会能够去形成一个突破，对于创业公司来说。当时觉得这是一个比较合适的场景。

曹弋博：你个人觉得还有什么其他方向？

陈宽：最近没有花足够多时间想这个事情，在我看来所有能成立的条件还是没有变化，你是否有足够的数据，是否数据掌握在少数寡头手里，是否这个行业本身真的产能稀缺，并不是产能非常多，要不要AI都没有区别，这些评判标准还是在那。

李星：这个问题我最近一直在思考，我也在跟朋友一起去聊，深度智耀已经在用AI加区块链覆盖医药研发了。我们还有互联网的概念，我们如果做AI你一定要有数据，你没有数据没有办法做分析，这个数据的入口来自于哪里，它其实就是来自于万物互联。深度智耀现在做的是软件，包括我们的区块链技术，病人怎么上传他的病例，他是自己主动自发有一个数据入口，APP上传。在未来世界里面，我认为连人都是虚拟的，人都是由一串数字构成的，我们会有更多的一些创业企业会做硬件，这个硬件就是作为一种智能搜集数据的终端，比如说我们现在这个肠道微生物非常热，肠道微生物需要收集粪便，这个粪便怎么收集怎么让它进入千家万户也许就是有一个智能的马桶，这是一个概念。就是说它一定未来能够进入千家万户的东西来收集数据，这个领域一定会出现独角兽。

马健：陈总李总分别介绍了，一个是医疗方面，另外一个是更多偏临床的阶段。我刚好更关注的是在药物发现阶段。我觉得药物发现它是一个大的系统工程，有非常多的环节。刚才问到有哪些地方，比如说靶点的确认需不需要用大数据，你的药物打分函数是不是可以用人工智能提高，你的ADM预测一系列的，在每个小的细分环节都出现相应人工智能这样的公司。

现在我认为大家还是关注在非常窄的方向。AI是一个提升效率的工具，我们传统大家的做法都是从下而上构建体系，现在一个外来者说你把数据丢给我，我就帮你解决问题，如果细分领域公司说有一家从靶点一直到结构优化临床都能够做的话，这个工作效率可能是最高的。

曹弋博：你一丝犹垂直一体化的开发公司，输入一个想法就可以给你上临床的。

马健：这是最美好的愿景。

曹弋博：刚才三位嘉宾分别说到AI很重要的数据来源。我们也可以就这个问题展开一下，在AI领域，各自领域里面你们认为什么是这方面成功的重要因素，可能是数据的获取，也可能是算法，也可能是其他方面，我想听各位在自己的领域里，你觉得你们这个领域成功因素主要是什么，你们自己有些什么优势？

马健：一直在谈数据和算法，我感觉我还是倾向于数据更重要一些。有数据没有AI你还有统计学的知识，但是光有方法没有数据你对得到的结果很难去把握。怎么去看，为什么我认为还是改良型工具，以我们技术来讲我们是计算化学的出身，当药物研发面对可能是医保面对可能是人，这个时候这些数据怎么样理解和消化，可能并不是只是一个表观层面的模型套用，我们现在很多可能做的工作是把一个模型套到数据上，我们嘉定里面有几个数据我们拿出来，这个需要一个更长的演化时间，最后数据这块能够得到更多的解决，那应该会有更大的应用。

李星：大家看到我们今年布局了9个产品线，最大的挑战就是来自业务场景的专家和AI顶级专家如何融合，AI复合新药研发，如果又是AI专家又是医药专家在一个人大脑当中完成，这是很简单的，但是在现实当中不可能。我们现在要让我们AI专家和场景专家在一起工作，而不是鸡头鸭脚，业务场景的专家是天马行空，但是它的想法是不能够被计算机所识别，我们中间后来又有专家把我们的业务场景专家要做的事情，一幅一幅设计成APP，这只是其中一个方面，我们还有从0到1的培训，我们会培训新药研发的专家，AI的知识，让他们能够更好去交融。我有一个客户说的一句话很印象深刻，他告诉我，李星我告诉你，我这里有全球最顶尖这个领域的专家，你只需要给我70分的AI专家就可以，你不需要全球最顶尖的AI专家派过来，这个事情都可以成，因为他是懂业务的，但是懂业务要懂AI的人真能够一步一步接起来，懂业务的人能够把那个界面画出来，同时还要把界面每个细节后面的逻辑实现出来就成了。我们看到很多AI公司包括微软、阿里巴巴都在做健康领域，但是新药研发的话不是那么容易能进来，不是因为他们的AI技术不成熟，而是因为业务场景的壁垒太高了。如果说有一天，各个业务场景专家坐成一排，他们都有AI思维，他把他的场景拆借到场景专家可以看懂的程度，那我想这个事情会推动得很多。

陈宽：我觉得我的角度来说，很多时候特别大的壁垒或者特别重要的一个环节就是团队，很多事情都是综合各种事情复杂的事情，比如说我们肯定最开始需要有深度学习的算法，有算法没有数据一样做不出东西，纯粹只有数据没有算法也做不出东西。有数据有算法做出模型，还需要对这个模型进行业务流程产品化的封装，封装好的产品真的在医院面前进行市场的一系列工作，你这些流程如果都有你没有CFDA的证你也不能卖，如果都OK，你没有办法融到钱把事情推起来也没有办法往前走。所有的这些环节，基本的一个关系是缺一不可的关系，缺了哪一个环节整个事情都是不行的。

这里面恰恰所有的环节对于团队来说要求非常不一样的团队，非常不一样的背景，非常不一样的经验大家坐在一起进行协调，进行工作，进行场景的拆解，这个对于我来说，推想发展到今天是我们最大的挑战，也是这个领域本身最大的壁垒，也是做这个领域最迷人的地方。能够建立起这样一个多元来自完全不同背景不同经验的团队坐在一起把这个事情做好，我认为这就是最大的一个点。

曹弋博：非常感谢，我们刚才触及到一点AI会给我们带来什么，我可能想请各位在5年、10年两个时间段想想你们的公司5年以后能给市场带来什么样的突破，10年的区间可能有什么更有想象空间的事情？

马健：我们现在正在做的其实还是对于方法上的改进，原来算得慢，现在算得快，原来比较粗糙，现在算得更准。在这样一个视角里面看，好比你说新药研发早期成功率5%，你的方法精度提高2%达到7%，但是这个东西没有太大的统计意义。更快的方法开发，更快速的方法上的改进，我觉得还是目前相对容易做的。但是它对于整个产业的影响，不会像大家预期那样变革性的。从国际象棋到AlphaGo打败了围棋，我感觉在医药行业的话，它并不是一个算法改变这个事情，尤其早期药物研发，我认为更多还是跟实际的实验相结合，把实验的数据，把之前没有想到的这么去表述换成一种新的方式，让AI更好应用上去，以及对于模型的理解，对于一些特征的理解，这样你看到5年之后，出现变革性的技术，比如说这家公司最自然语言处理可以变成专利的文本分析。我个人感觉在医药的行业当中，毕竟跟人是打交道，不像AlphaGo，AlphaGo是自己打自己，你设定或一个程序你就可以跟自己演化，医药行业一定跟实际的技术结合的。

我们是计算背景，我们特别热爱计算机辅助药物设计。90年代，CADD那时候很火，默克自己都投入资金开发投入分子立场MMMFFF，你知道为什么CADD为什么没有发展那么大吗，不是技术没有达到新阶段，而是高通量筛选更全面，有了机器人很多东西早期筛选成本更低，这样一个实验和真正算法新结合，我觉得可能能达到新的革命性事情，在以后。

曹弋博：你提到专利那个有AI以后，岂不是专利突破越来越难，有了AI以后就容易把所有漏洞堵住。

马健：这个地方永远是存在双刃剑的问题。

曹弋博：如果这个事可以理解的很透，在第一把专利申请的时候就可以把所有东西覆盖住了，会出现这个吗？

马健：还必须要结合实验跟活性相关的只不过说有没有可能出现新的空间，你能不能让它更广泛，这就是计算机辅助的专利突破，这是有可能的。

李星：我们的5年目标非常明确，我们要打造人工智能驱动端对端的新药研发平台。我们会全部用AI打通以后，再连起来，这种效率的提升是惊人的。10年来看我现在先划一个问号，深度智耀是做新药研发加速技术，我无法预见5年后有哪些突破性技术出来，如果那时候有更多研发新药的技术，我也希望深度智耀可以一起用得上，最后我们实现上人类没有无法治不好的疾病。

陈宽：我们推想科技也是成立刚刚好第3年，AI在市场上推广不到一年时间，我们自己给自己定的未来三年目标也是希望看到影像科的AI是特别值得炫耀的事，对于医生和医院来说是很新奇的东西，我们希望未来三年，三年之后我们可以看到全世界影像科、放射科，他们会觉得AI是一个基础设施，并没有任何可以值得炫耀的，你只要是放射科就应该在某些环节用到AI帮助把你自己的效率得到提升，成为基础设施，这就是我们3年的目标，我们希望全世界的放射科都可以实现这一点。未来10年，我们希望因为有了AI的技术，AI不会疲劳，而且对于这种早期的这些病变的筛查是非常高效的，这个我们已经证明了。很多的疾病你在早期的时候如果能够很好筛查检查出来，这个疾病本身死亡率不应该这么高。我们觉得有了AI的助力之后，很多早期难度很高的，特别在早期阶段对人来说难度比较高的病变，我们都可以通过AI的手段大大降低死亡率，像肺癌、乳腺癌、肝癌，这就是我们的目标，AI手段大大降低非常难的疾病死亡率。

曹弋博：谢谢三位嘉宾，我们听到了三个领域的看法。台下的观众听众有任何问题我们可以回答一到两个问题。

提问：我们怎么摆脱掉固化的静电函数形式？

马健：我们如果想去计算分子间的相互作用，我们可以用计算化学很精确但是很耗时间，我们就演算出来经典的函数形式，我们可以用一套分子拿出来训练这套立场，一开始它只是参数拟合，过去大部分做的都是参数拟合，实际上你发现你的函数形式是被限定死的，如果你再往下走一步，你想摆脱掉固化的经典函数形式，可以用深度学习网络方法做，这块本身我们本身有非常庞大的晶体训练级，这块我们有一些结果还不错。

提问：我这个问题想问李总，您的报告tattle写了除了人工智能还有区域链，你这个区域链的概念怎么应用在你现在的这些场景或者接下来想要解决的问题里面？

李星：区块链是分布式存储的新型的生产关系，我认为它可以深刻变革我们新药研发的组织形式。

两个场景，第一个场景就是药企要招募临床实验的病人，把入牌标准放在APP上，符合条件的病人就会自动推送到它那里，对于病人来说符合他自己病例或者病情的临床实验也会推到病人，所以是去中间化直接的匹配。还有一个场景假设我是一个个体化的癌症基因药物公司，我需要2000例肺癌所有的病例，我就会在上面说我需要这些数据，我会用最快数据开发适用于我收集到这些数据基因性病人个体化癌症药物，如果到了临床实验，贡献数据的病人可以优先入组实验。第二点，如果新药上市了，这些贡献病人的数据可以得到一部分的药费的减免。第三点，如果因为我得到了这些病人的数据，我可以发现核心的靶点我卖给大的制药公司，我得到很多经济利益，这些病人哪怕他去世了，受益人都可以得到一部分经济补偿。

在癌症尤其罕见病领域是非常有用的，对于罕见病全球有非常缜密的药企组织，大的药企非常迫切他们都筹集资金希望有制药公司为他们研发新药，这些场景都可以用在区块链上面，这是我的理解。

曹弋博：好的，非常感谢。

陈立实：首先感谢我们的讨论嘉宾，感谢他们的贡献，他们这种充满未来主义的构想和他们的工作让我们的这一节小组讨论非常精彩，我也要感谢大家一直坚持到今年健康投资论坛的结束，我期待着明年再次见到大家，也期待着在1月份在接近山见到大家，谢谢。