从2016年开始的医疗人工智能，至今方兴未艾。但国际、国内研发团队开发出来的AI，要么是通过已有的医学影像结果来学医学知识，要么就是通过医学生化指标来学习、充实自己。而由广州市妇女儿童医疗中心主任夏慧敏教授领衔，加州大学圣迭戈分校张康教授等专家参与的广州研发团队，通过摸索，让医学人工智能既能读懂中文病历，还能较高精度的为儿童常见的55种疾病进行诊断。

　　平心而论，“AI医疗”描绘的无疑是一幅美妙的图景。即便是对于医疗专业人士而言，与其说担心被AI抢了饭碗，毋宁说巴不得AI赶快把自己从纷繁复杂而又艰辛耗时的诊疗工作中解放出来。举个例子，医疗中有很多图像处理的工作，完全由人工识图，显然会耗费医生大量精力，假如AI能替代这部分工作，无疑会减轻医生的工作负荷；再如，手术这类耗时费力而又高风险的工作，如果未来AI手术机器人能够干得更加精细完美，医生们恐怕也是乐于改行当AI手术机器人的操作员。

　　对于AI医疗，过于乐观和过于悲观，都难免陷入误区。事实上，AI的确在颠覆一些行业，甚至正在改变人类职业的版图，但AI的发展也必将遵循其规律，也必定有其边界和止境。就医疗而言，如此复杂的系统和行业，AI毫无疑问会有其用武之地，对于AI的善用，也必将改善整个医疗生态。但如此复杂的医疗系统，AI的确也很难普遍适用。相比神通广大、无所不能这类的形容词，“赋能”对AI来说恐怕更为贴切。对于包括医疗在内的各个行业，在AI最具优势的环节引入AI，自然是一种赋能与提效。这一过程中，无论是限于AI技术的发展，还是限于行业或专业流程优化的本身，都必然是一个不断探索试错并逐渐改善的过程。

　　平心而论，以目前的AI能力，AI医疗更多只能定位为辅助医疗。目前，在文字处理、图像处理方面，机器学习已然展现了其特有的优势，相比人类学习医疗影像所需要的时间，机器算力自然不是人类大脑所能匹敌的。在这些特定方向，由AI辅助，自然有望解放医疗负荷，提升医疗效率。但真正意义上的AI独立诊疗，显然仍遥不可及。这一点，其实不妨参照自动驾驶，相比驾驶，医疗活动的复杂度显然要高得多，当自动驾驶的商业应用仍有相当距离时，真正意义上的AI医疗无疑更加遥远。

　　即便在一些特定技能的PK上，AI胜过医生团队，但这些短期活动上的优势，是否具备长期的稳定性，机器学习训练的局限和不稳定性，其实还不能过于轻率地以PK结果论英雄。正如药品的商用必然通过长期严谨的科学试验，AI用于医疗其实也需要有同样的审慎与严谨。此外，如同自动驾驶对于法律与伦理的挑战类似，非辅助性的AI医疗亦需要解决同样的法律与伦理问题，例如，因AI算法程序的缺陷与bug风险导致的误诊责任如何认定，都还需要更多的智慧。

　　对于“AI医生”，我们希望快点来，虽然还有点远。