长城基金龙宇飞：中医和AI可能存在天然的适配
来源：百亿基金经理内参
从底层逻辑来看，AI在所有领域的应用其实是一致的。
过去，大家普遍认为AI在医疗医药领域难以发挥作用，比如新药研发的限速步骤是人体临床试验，或者医疗行业的严肃难以接受大模型问诊等。
这些确实是现实问题，但更多是基于静态的视角。
当我们回归到机器学习的底层逻辑时，会发现所有领域的应用都是相通的，机器学习和本质是通过相关性识别构建概率化的决策模型，不断迭代，寻找最优解。
当数据量和模型足够优化后，AI通过相关性得出的解可能会超越人脑在有限条件下的因果推理。
所以，无论是战胜人类围棋的 alphaGo，还是同一团队开发的预测蛋白质结构 alphafold，都是可类别的。
蛋白质结构解析对于了解生命微观活动和新药研发至关重要，这是一个耗时耗力的过程，而 alphafold 通过学习人类解析出来的蛋白结构数据，可以预测蛋白质结构，随着人类解析的蛋白结构越来越多，它的预测准确率也越来越高，展示了 AI 在医药领域的应用潜力。
类似还有人脸识别技术，作为早期判断式 AI，最初人们不敢信任，但当训练的数据足够多时，全世界 70 亿人的数据都喂给它，发现准确率大幅提高，甚至取用于支付场景，同样是图像类的医学影像学的 AI 应用，理论上也可以复制人脸识别的进步。
再比如生成式 openAI 的突破与生成式诊疗助手，自动驾驶和 AI 对空间维度药物构效关系的预测等，也都类似。
归根结底，推动 AI 在医药领域进展的基础变量与其他领域类似，即更大的可训练数据集和更低成本更好用的模型。
如果这两点能够取得突破，AI 在药品研发和健康诊疗中的作用将被加速提升。
至于在各细分场景中，具体多少数据量是临界点、具体哪一天能带来非线性的变化，只能跟踪，很难预判，就像 alphaGo 和 openAI 出来之前一样，预判不了哪天突然发生涌现。
为什么很多人认为当前时点看到了曙光？也是上述两点有望突破。
一方面，模型的优化使得应用开始落地，美股 AI 热点从去年下半年开始逐渐从算力过渡到应用，去年底开始非常重视 AI 医疗，也是因为看到 openAI-01/03 的复杂推理能力大幅提升，这使得 AI 能够向人类知识密集型劳动领域拓展，医疗正是这类拓展的蓝海。
另一方面，从数据角度看，医疗数据天然具有高质量的优势，数据不仅置信度高，可追溯性也强。对于模型的训练，正向数据和负向数据都非常重要，在医药行业，一个新药分子成功的背后可能有 1000 个失败的分子，这些失败的过程都是可追溯的。
尽管过去很多医药领域的数据与模型的结合成本过高，无法得到有效使用，但随着模型进步，数据的价值也越来越高。
目前，大家将 AI 在医药领域的应用主要分为 AI 制药和 AI 医疗两大类。
在AI制药方面，产业端其实已经推进多年，但由于AI驱动的新药研发都处于临床或更早期阶段，未被大家广泛了解。
过去三十年，药物化学家使用计算机辅助药物设计（CADD）来加速新药研发，但这还属于传统软件范畴，如今随着AI技术的迭代，我们有望实现从CADD跨越到AIDD（AI驱动的药物发现）。
木头姐在年度科技策略报告中给了AIDD行业价值的定量口径——有望将药物上市时间从13年缩短至8年，研发总成本从20多亿美元降至6亿美元。
这一变化对于药企而言具有巨大的商业价值，因为这意味着药品在专利期内可以多销售5年，也就是上百甚至上千亿美金的收入。
在这个领域，中国公司也取得了显著进展。例如某香港上市公司在与辉瑞新冠药物合作研发的过程中，利用AI算法来进行药物晶型的模拟和预测，AI预测结果直接输入智能化无人化的工作站迅速完成验证，比传统方式缩短了数月的时间，带来了很大的商业价值与公共卫生价值。
此外，国内还有一家未上市公司，完全不依赖前期人类药物化学知识，而是通过自己研发的AI引擎生成潜在的靶点，并利用生成式AI进行药物分子设计，该分子目前已经进入IIb期临床，是全球临床推进最快的AI研发新药之一。
在AI医疗领域，其商业模式和应用场景更容易被大家理解。
AI的深度推理能力提升后，其实可以替代大量初、中级的重塑性脑力劳动，尤其是规则明确、输入输出清晰的“可编码型”工作。
在医疗领域，有很多典型应用方向，例如影像科病理科医生，他们是先学习基本规则，再依靠数据量进行训练，能力提升特别吃经验，这正是机器学习非常擅长的过程，而且因为一些现实原因，国内一直缺病理科医生，因此AI可以有效提高供给。
所以影像设备公司也是一直以来非常重视AI工具的一类公司，在很多方面也取得了很大进展。
AI技术提升影像学和病理科的检验能力，不仅提升了医疗服务的质量，降低了成本，远期还有望满足更多的潜在医疗需求。
再举一个有点颠覆的例子，中医和AI可能存在天然的适配。
中医长期以来受到经过严格现代科学培训的人的质疑，主要因为不符合自然科学机械主义的思维模式，缺乏简单的标准化因果确定性，可复制性差。
但中医作为一个基于经验的框架，确实在个体层面输出过很多有效干预方案。
中医的框架其实与机器学习有相似之处，都是基于大量经验或数据训练实验输出，而非简单因果输出，机器学习是基于大量数据计算寻找最优解，中医院借丰富经验可能获得最优解，但人脑模型能力有限，大部分中医院无法对所有人在所有情况下输出稳定的最优解。
如果将所处高质量数据让机器学习，并设定一定准则（靠谱的中医典籍），模型可能就会协助中医院提高可复制性。
所以AI不会是简单的替代，而是嵌入到诊疗体系，在很多方面提升供给和效率，满足未被满足的临床需求。
如果讲更多的应用，美股Tempus AI就极具代表性，他讲的故事几乎涵盖了AI医疗大部分领域，也是这一轮领域的标签股。
这是在上一轮精准医疗风潮下创业的公司，当时随着基因组学等技术的发展，大家希望都可以拥有个性化的诊疗方案，这些年有的实现了，有的还遥远，如今，希望借助新的AI工具更进一步。
该公司核心业务是二代测序，积累了大量基因组学等数据，并与医院和医生建立了紧密的合作关系，进而获取大量多模态诊疗数据。
公司将这些数据进行加工训练后，拓展了多项业务——将多组学、疾病情况和临床指标等数据，出售给药物研发公司，助力新药开发；搭建多模态大数据中心，分析影像学数据，为医院节省成本；接入医生和患者的电子病历，为医生提供临床决策支持，充当诊疗助手；在药品临床阶段，利用数据实时筛选适合入组的患者，推荐给临床PI和CRO公司。
公司还希望预测患者潜在健康风险，提示进行检查或干预，以实现个性化、更早期、更精准的治疗，这正是当年精准医疗的初衷。
将这家公司的各个业务设想映射到A股市场，我们发现不同的细分领域也都有对应公司。
例如，某公司多年深耕检验试剂和区域检验中心，早在十年前就开始探索AI工具。
它最初的目的是拓展下沉市场业务，但在实践中发现，基层医院的诊疗水平较低，因此，公司决定利用软件工具为基层提供支持。
虽然最初几年由于算法限制，发展并不顺利，但随着机器学习算法的迭代，模型对疾病的理解能力提升，工具的成熟度大幅提高。
他还几年与头部医院合作，将优质数据用于训练模型，并用多年对医疗数据的理解制定大量医学准则，最终交付的检验和临床决策支持系统在提升医生工作效率方面具有显著价值，已经形成了商业收入。
类似的公司，还有第三方检测、传统基因测序、体检类龙头公司等，他们的特点都是过去拥有大量的高壁垒数据以及对这些数据的理解，需要借助提升后的工具来实现数据价值。
同时，它们所处行业过去受到一些负面影响，β向下，供给也出现收缩，但公司本身资质良好，龙头低位稳固，在率先拥抱AI赋能的情况下，可能提前见到触底回升，带来盈利和估值弹性。
