66. AI x 医疗数据 | AI诊断的两难困境：医生害怕还是期待？
42:32 Share

一方面这个数据源于医生的智慧另外一方面医生又会被这些智慧可能的取代掉

所以这是一个很矛盾的一个话题对对对大家一方面希望他们来辅助来辅助提高效率另外一方面呢又不希望被取代掉这就是人工智能在这个领域上面商业化就遇到了挑战所以无论是生成式 AI 还是传统 AI 在诊断层面上面要有商业化的场景还是一个蛮漫长的过程

大家好,欢迎收听《阔波治疗》智慧的智,聊天的聊我是主持人潘天一《阔波治疗》是一档带有 AI 味道的访谈节目节目背后的《阔波智能》虽然也是一家 AI 企业但我们在节目中邀请到的嘉宾也好讨论的话题与行业也好

都并不一定限于扩博智能自己服务的行业领域所以我们的愿景是通过《扩博治疗》这档节目让我们的听众更广泛地了解到一些多样性的人工智能应用场景和这些行业里有趣有故事的人想更深入了解这些人可以关注我们的微信公众号《扩博智能 Clobotics》留言听友群三个字加入我们节目粉丝和嘉宾的互动群我们期待您的参与

今天我想介绍一位特别的嘉宾他从最初在芬兰的科技圈里扎根到后来又回国开启自己的创业之旅这故事非常有趣如今呢他专注于医疗信息化领域正在构建大数据平台在今天的节目中啊他将与我们分享医疗人工智能的发展现状技术挑战以及对这个行业未来的一些独特的见解他呢

就是刘翔别名叫刘翔不跨栏这个是有故事的我们其实是早在芬兰就认识的我刚刚毕业的时候第一份工作是在那个愤怒小鸟的游戏开发商叫 Rovio 大家肯定是玩过这个游戏我相信大部分人应该是熟悉的但是很多人可能不知道这个游戏公司的背景首先它是一家芬兰的公司它的创始团队当时候是

如果我没记错的话是三名同学一起创办的

翔哥是他们的第一个员工是吧算是创始团队的之一了是吧对对对当时实际上是大学生创业嘛然后他们在赫尔斯基大学的复化器里面租了一个很破的这个办公室大有这个在美国车库创业的那种感觉当年流行那种氛围吧然后那时候那个拿着非常低的工资参与了这个创业团队

所以因为就是这个原因你才有股份一点点一点点那个对当时这个公司从这个股权架构的层面芬兰有比较好的这种从天使到 A 轮到后期的一个架构的一个设计那么政府在引导层面上面就把这些设计的模板提供给了所有的创业公司所以呢早期的员工呢多多少少都会有一些股份这个比较标准化嗯嗯嗯

其实你可能不知道这个故事其实还有一个更早期的一个插曲吧就是这个创业团队他怎么去想去创业的这个故事但可能你在外面听过有一个这里面的人物叫 Peter 他可能也分享过他们当时候是在芬兰的一个类似这种

极客活动就 Assembly 上面组织了一个比赛就是游戏开发比赛对得了奖对然后呢我当年就是参我没有参加那个比赛但是我是一个观众然后我我们观众是都有投票的嘛就是我是和我的一些朋友都是投他们那个手游的一票啊

验手大战对对对就是那个偷菜什么那个东西 Cabbage 对吧对对对然后那个就他们赢了嘛所以说我们的票也非常贵重是吧那还是有这个关系在这里对对对挺有缘分的挺有缘分的他们也是因为那个得了奖嘛然后为了将这个产品当时在 Orange 要运行需要一套后台的系统那么我的当时的第一份工作也是要开发这个产品的联机的后台

就是这个 Orange 要上线所以最后大家都是有关联的对对对怎么说呢从这个极客的大赛变成了一家公司的孵化到最终变成了一家非常伟大的企业这个还是体现了这个芬兰在创新上面的一套体系吧

说到芬兰的话你的这个芬兰的故事就是你就那么突然的出现了但是其实应该是大家还是有原因的嘛就是每个人去芬兰都有自己的故事所以你能不能分享一下当时候去芬兰的一些这个前因后果啊

其实我去芬兰算在华人圈里面算稍微早一点吧中国在教育层面上面在 99 年的时候就开始了中芬的不少的城市之间进行对接友好城市是吧然后学生也过到芬兰来进行读大学我在那个 99 年的时候就从中国当时我是从武汉湖北到了芬兰你说说你当时的不是说第一印象是第一印象前的印象是什么

听说过没一开始是没怎么听说过这个国家的所以包括现在很多人那个也不太清楚芬兰是个什么样的一个那你是凭什么选择的

你是随机选了吗对对对就是说起来就是有一段时间这个我的那个年代正好那两年去美国的机会被卡断了所以大家那个赴美留学的这个通路受阻所以选择了去芬兰原来我们都是一个备用环不能这么说这叫缘分对对对但是去了以后发现实际上在 IT 领域里面芬兰是一个很有特色的一个国家对

特别是后期诺基亚的崛起给这个整个通讯和软件领域里面还是注入了很多火力的这样说你自己有诺基亚的经验吗好像很多这个技术方面的人都避不开有一段时间在诺基亚有几年吧我在那几年叫诺基亚西门子实际上也是诺基亚吧这么一个理解公司的名字的一个变更在工作过几年作为项目经理嗯

那后面的话就是我这边其实是毕业以后就回国开始先做一些不太相关跟技术不太相关的一些事情但后面也是自己转型到这个 AI 领域然后你自己就是后面几年这个什么样子的发展让你到现在又回国了其实在芬兰有几次的这个工作还有包括创业的这个经历他们

好像现在还没迟了是吧现在也有些公司在那里还有些公司在芬兰运作那么感觉国内的这个市场还是要大一些其实我们也一直在芬兰那边一直想到这个 Go International 的这个主题那么对于芬兰而言的 International 就是进入中国市场和美国市场那么我们作为这个中国人当然觉得还是回国的这个市场机会更大一点同样做一款产品针对一个几百万人口的这个市场和针对一个十几亿人口的市场

这显然是不一样那么所以我回国寻找这个创业的机会那么

那么回国以后也碰到了不少朋友做了不少项目那么最终在医疗领域里面做了有快十年的情况也是从自己的我自己是 IT 出身学的是软件所以整体还是在软件领域里面进行创业进行奋斗吧那说说你现在这个项目是具体做什么的

我们实际上目前在医院里面是做这个大数据的平台做科室的管理包括做审级试级的这个数据的这个收集和分析那

那么给政府的这个决策部门提供一些智能的这个结果的判断然后给这个临床呢也提供一些支持简单来说是这样的那么从实际操作层面上面来说呢这个中国的这种各种的这个

技术建设上面的软件层面上的架构呢也逐步的在提升要求那么也是顺着这个国家在医疗软件上面的这个政策吧在发展自己的产品

那么当然目前大家比较火的这个人工智能啊也是我们在因为我们天然的有大量的这个数据嘛所以也在人工智能方面进行一些这个讨论和拓展吧那具体呢有哪一些这种应用场景我们这个节目其实也也有过之前有过一些嘉宾来专门从这个医疗角度讨论比如说嗯

临床实验或者这种药物发明那么这些是一方面还有没有一些就是我们可能之前没聊过的话题

实际上我们从我们数据平台出发做人工智能那么最直接的一个事情就是可以做一些诊断那么诊断往往也是这个医疗人工智能里面最挑战的就是直接判断患者他得了什么病这是最挑战的其次呢就是说他可能在主病确定的情况下他有什么并发症这一块也是

就是他从能级上面来说要稍微弱一点那么我们尝试的去做过一些用不同的这个 AI 的工具去做过这个诊断预测那比如说我们做这个那个跟重新那边合作做了这个儿童肾病的这个类型的这个智能诊断那么我们当时是用知识图谱的方式去去做了一些一些测试吧那么

结果大概准确率能到七八十的样子七八十但数据量相对还有限因为儿童的这个本身的这个就很难收集是吧对对对案例的这个体量会有限说到数据我还非常好奇因为我们最近也聊过数据层面的一些话题然后刚好就是结合你这个应用场景的话我

我還想了解一下現在在這種場景裡面具體能收集到什麼樣子的數據來輔助你去做這個診斷的判斷

其实对于医院内来说就是我们大部分数据会分成两类一个是医院内和医院外那么以目前的这个医院为单位来说医院内的数据其实是体量很大的那么可以理解为就是挂号以后到患者走出医院的这个整个过程中大部分的数据以目前的主流三甲医院的信息化系统来说都是被采集到的

他们已经是数字化了对你可以理解为所有的东西都可以捕捉对从患者的基本信息到医生的诊断到这个医疗器械的各种检测检验报告这是主流的影像这一些

那么比较缺少的现在也在逐步的完善就是治疗过程中的数据那么主要就是床头的然后治疗治疗过程中每隔多少小时的这种随访这都是这块是可能这两年提升比较明显的那么居家这块的数据呢相对而言还是很弱还是很弱因为这个一般来说患者的这个依从性没有高到一个可以在居家啊

来填报数据的这个层面虽然有很多互联网的 APP 做过就医疗 APP 做过这方面的尝试但我们可以看到大部分都死掉了所以这个居家这块困难非常大可是我们

我们来看从数据分析导致就从数据驱动生成智能这个环节来说它更多的是参考目前的医生护士的智能的部分当然从医院的角度来说护士主要是做执行偏执行护士也有很多判断那么医生是主要是做判断的那么所以医生的判断的依据目前中国医院的医生判断依据依然是以

临床的这个检测检验为主辅助一些问卷调查的结果来做的所以那么我们能够做的人工智能的依据也是同样的来自于检测检验和问卷调查的一些结果来做这个判断所以从匹配角度来说

可以说是基本上和医生看到的是一样的那么从开发的角度来说其实没有那么难我们看看大部分的人工智能模型都适用于医疗的这个场景当然不同的场景最后得到的这个准确率会各不一样所以这一部分我觉得来说中国一个大型三家医院就是目前上海北上广深这种

大型三甲医院的数据量任何一家医院的数据量都足以做类似于辅助诊断和这块的大的开发那么目前但是目前我们看资本在资本市场上其实目前主要是以图像识别为主

就是上一代就是在生存式人工智能之前的上一代其实你看我们看商业化程度就是所有非图像的人工智能的这些项目其实发展的都没有图像我们从体量上来说都不如图像的大图像它的

他的这个数据的这个范围更小他更明确然后呢另外一方面呢他从医疗体系内部来说挑战现有医疗体系的挑战越最少因为目前我们感觉这个诊断这块最大的挑战就来源于医生自己就是一方面这个数据源于医生的智慧另外一方面医生又会被这些智慧可能的取代掉

所以这是一个很矛盾的一个话题对对对大家一方面希望他们来辅助来辅助提高效率另外一方面呢又不希望被取代掉这就是人工智能在这个领域上面商业化就遇到了挑战所以无论是深层式 AI 还是传统 AI 在诊断层面上面要有商业化的场景

还是一个蛮漫长的过程就是我曾经问过一个武汉的司机因为武汉有很多的罗布快跑我就说同志啊我说你觉得这个罗布快跑咋样啊这些网约车司机就说那东西太坏了那把我们的工作都抢了然后我就问他那你这个车想不想安个自驾呀他说好啊我的车也想安个自驾呀我都不想开了我就可以躺着赚钱啊

所以这就是对他来说也是一个矛盾对吧对他也矛盾他一方面他说我加个几万块钱我这个车就可以自驾了那我干嘛不加呀然后一说那萝卜快跑真坏萝卜快跑把我们的生意都抢了所以这就是人工智能在各个领域里面的矛盾点它一方面它可以提升效率它帮助了很多人另外一方面它又把大型工作机会抢走了

那么在医院里面也遇到的跟智能价值同样的问题就是合规性,就是所有的这些人工智能产生的结果能不能合规,这就限制了这个人工智能的这个产品在医疗领域里面的使用的这个商业价值。

那么这里的合规具体是指什么就是说你虽然能做一个判断但是你这个东西敢不敢用还是你能否成为一个合法的医嘱或者处方这里的要求是什么呢

大概就是可能很有很多细节目前就是没有目前我了解到的是没有可能性没有可能性目前还没有可能性可能在少量的这个图像识别的领域里面有突破但是你说靠人工智能来确定这个患者有没有得病目前还只是一个出建议然后医生来签字的这个证明

就是你肯定是不能自己做主对吧就不能做一个判断现在还是一个在智能驾驶来说是个 L2 级别的这个智能驾驶 L2 医生对对对所以都叫辅助驾驶这边叫辅助医疗它是个 L2 的 L2 和 L3 听起来就是一步之遥但是这个是一个巨大的一个挑战是一个政策层面的挑战所以

智能驾驶领域里面 L3 政府还在咱们国内的中国政府应该还在考量吧我觉得还没有正式的这个大面积的推广感兴趣的听众不把你说我们也做过这个智能驾驶的一个而且跟政策有关的一个节目在前几期吧可以去听一听确实还蛮有意思的

对因为它都是跟人命相关的嘛对吧驾驶会导致人命那么医疗领域也是导致人命而且它后面关系连着大量的这种医患纠纷啊还有保险上的纠纷啊金融层面上的纠纷啊所以应该是偏谨慎吧

有的时候我觉得甚至金融上面的这个会高于这个人民的重要性对你这个各种都有吧我觉得各种都有非常资本为导向的对所以我们看到大量的资本投入的项目还是以影像的为主虽然影像已经投了很多了但我们实际上看到影像也分很多细分行业所以依然

依然还在影像上面有大量的这个挖掘那么我们实际上做的平台呢跟影像略微有点距离所以我们还是偏这个这种数据数据存储就非影像的数据存储为主的

所以对我们来说要挖掘一个诊断挖掘一些并发症的这个风险其实非常容易那比如说我们做过这个数据验证我们在患者在透析的过程中他可能会发生低血压的这个并发症那么一般来说医院遇到低血压的并发症呢可能会做一些紧急的处理啊

也许会送 ICU 也许要转诊当然也许轻的就是现场会有一个流程上的处理那么我们通过算法呢可以提前半个小时预测到患者在后面的一段时间内会发生这种

比较危险的病发症那就是数据通过数学模型的方式去获取的这个预测那这样的一个预测呢对临床来说我们认为是很有帮助的但是我们也不能把这个预测当作一种诊断就告诉医生这个人要出现病发症了其实这里面呢就是存在我们刚才说的 L2 到 L3 的这个政策风险所以

很纠结的就是我们有大量的数据也可以做很多数据的这个 AI 的这个驱动但是真正的商业应用上面它存在比较大的这个政策风险我刚才其实听你讲的话还有一个问题不知道是不是直接跟你们相关的但是

这种真正的判断那么你们是肯定有很多这种指标的数据比如说各种仪器啊什么的或者其他的这个他登记系统里面的这些数字化的数据那么这些和医生看到这些数据以后他脑子里要经过一个什么样子的转化然后他自己能想出一个后面就是该做什么样子的执行其实他是医生是通过长时间这个学习和学习以后还要在这个场去看

更加的老医生的这个做法他是个徒弟慢慢累积这些经验那么现在大语言模型出现了以后其实很多这种文献上面的数据其实可以被 AI 去吸纳那么你在这个行业里面有没有看到就是怎么跨越你现在拿到了很多数据然后在做这个判断之间这个很大的鸿沟是不是可以通过一些语言模型的推测或者通过他们的学习然后再去推测

实际上有不少的医院已经在建立大预言模型的服务了那么有不少的合作伙伴也在像百度这样的也在做这样的事情我们看到医院内的以生成式 AI 为核心的这样的系统已经逐步的在各家医院开始铺设了

那面临的这个场景呢它从局部的局部场景开始

从简单的一个是吧还是相对简单开始或者说局部是局部的我只说局部的约等于简单你说简单嘛这个不合适我觉得局部的合适因为对于大圆模型而言它简不简单取决于数据量的大小在这个层面上面我们觉得从未来来说我个人未来来说可能未来一家医院就是一个大圆模型

这个是一个我觉得一个极致的一个状态就是医院里面不需要所有其他的 IT 系统就是一个大圆模型就够了可能是未来的一个终极形态这是比较极端的一个想象我觉得因为你在一个医院里面建立多个大圆模型也没有必要因为很多模型本身也是多个小模型通过各种方式参与联起来

那么与其这样我们从 IT 层面上就会把它看作一个整体就是一个系统一个系统对当前的这些医院的 IT 系统还是各自为战为主大家通过数据的交互相互协作但未来来说可能把交互的层面会在大圆磨心内部通过更标准的一些数据交互的结构去完成这个我觉得可能是未来的一个状态

那么从学习现有的这种文字数据就是像医生的这些比如医学书籍对他有很多大量的这种研发对白皮书或者是一些量表这种在大约模型之前他的就已经在很多软件里面实现了因为这种开发量是有限的某种程度这种传统的模型

比大语言模型更精准一些因为医疗它这个你比如说我有五本书籍都是关于同一种病那么可能某一本是比较新的版本那前面四个相对就老旧一些从大语言模型的角度来说它意识到

第五本才是他最应该采纳的尤其是信息可能还冲突是吧还有点不一样对对对他可能就需要学到这个或者说他如果一时错了他把老的版本作为最后的推荐意见出来就会产生一些错误是吧幻觉之类的这些东西那么传统的这种方式呢他是通过更固化的方式去把这些规则

明确的标示出来那么对于医疗领域里面来说可能会更容易一些实现所以包括从这个你刚才说的合规角度来说这个这些逻辑是可以就是容易去去分析到的是吗对对对这也是目前国内大部分的号称人工智能的软件实现的方法其实并没有什么智能他只是把书上的东西用程序编了一遍啊

这就是目前大量的所谓的什么电子处方电子药智能水访在我看来技术含量其实很少就是把目前医生他们读到的这些规则用软件做了一遍

然后当然从政府审批的层面来说它比较容易因为白皮书或者是指南都这么写了那软件也这么编那当然就是合规的了可是这个目前我们说的以这种就包括前几年的 Machining 到现在的大圆模型的训练来说差距还是蛮大的跟大家期待的我觉得有很大的距离我们可以理解黑箱很难审核对其实它是一个比较大的挑战

对那么你像特斯拉的这个模型它是端对端的这种训练它其实没有内部的这种规则的约定那么医院其实也可以做端对端的训练但政策层面上怎么样允许端对端的训练合规这可能是一个大的问题其实你说技术有多少技术我觉得反而医院的数据比我们驾驶的数据获取的更容易一些因为它已经是信息化了对

基本上都是结构化数据应该就是这个医疗场景对医疗的这个结构化是相对高的相对会高一些但是呢不同医院之间的结构化的方式就不匹配这是另外的一个问题这也是之前那个我们其他的嘉宾也说了就是你可能是在一个单位里边还相对可以但是这种互联就更难了

互联互通对就以我们公司的业务为例我们做了一个省级的平台那么我们就要定义全省统一的字典那么每个医院跟这个标准字典上面的这个数据的对接其实是需要大量的这个工作的能想象到因为每个人都是自己独立发展的对吧就是所有的医院的发展像生物多样性然后现在大家都长得不一样了

对其实这个过程全世界都是差不多的欧洲在 90 年代也有同样的问题各家医院的新进化系统都是各自为政的那么到了 2000 年以后呢各个国家建立了国家级的数据平台整个电子病例进行统一化那么 20 大概是 2010 年以后吧整个欧盟进行了这个统一化标准当然这也意味着其参与的公司从

这个就是几百家一个小国家从几百家降到可能十几家到最后可能就是个位数你的意思就是会出现这种超级垄断可能类似或者是不能说垄断但是他们是一个单位可以覆盖很多对对对实际上是这么回事就是医院的信息化系统现在目前一个大的医院里面三甲医院的信息化系统是超过 100 家产品的

然后你想想在里面的医院之间的信息的交互就是一个很大的挑战了更不要说跨院之间的信息化交互了那大圆模型要去学习这些信息化交互的话也蛮挑战因为在里面的数据解释的方式各不相同所以我们从学习的角度上面来说我觉得在当中的这些数据是

可能要过滤数据比这个收集数据更困难对我记得有个什么名言来着就是数据工程师或者数据科学家的这个时间 80%可能是用在清理数据上对而且他不能真正的去做那个该做的工作就是那个判断非常非常可惜对其实真正到最后要实现算法的层面的工作量没有那么大

那在你看来就是可以做一些预判吗虽然说预判很难然后这个预判对的话就更难了所以但是在你看来这个就是未来的几年你这个领域里边的有些这个大趋势会什么样子大趋势我觉得就是

以这种一线城市的三甲医院会在创新科技上面走的会更远一些然后会更多的尝试以深层次人工智能为代表的新技术那么长远来看这些技术

在政策层面上面可能会有一个突破那么突破以后它会向全国的其他城市的医院进行覆盖我觉得会是这么一个情况就类似欧盟里面发生的这些事情可能在这边也会欧盟当年没有大语言模型它可以还是以这个信息化平台为主

那么所以现在是多方的这个改革在同步推行一方面呢按照欧盟的发展中国的这个医院的信息化程度在逐步的升级因为这是有欧盟标准的中国也制定了自己的标准

那么另外一方面呢这么国产的新创有一个要求所以国产化的替代也在这个整个信息化领域里面在逐步的上升第三个就是新的技术以生成式 AI 为代表的这部分的新技术

接着冲击这个变革所以这三个变革会混杂在我们说医院的新型化的大盘子里面所以在这么复杂的一个环境里面会发生什么它包含了从政治到

商业到行政到个人的一些是吧它很复杂我觉得这个很复杂那么我只能说从我个人的最终预测来说一家医院是一家大模型是一个在未来一段时间内不能实现但是最终会实现的一个场景吧 OK 无论会发生什么东西但肯定这个机会还是蛮多的在这种比较就是混乱的这个场景中都是有机会的

你说的机会是哪方面的机会呢商业机会商业机会

创新机会吧对我觉得你说创新机会是很多的它适合于研究机构去产生更多的科研成果那么从商业机会的角度上面来说需要去分辨所以有很多的事情可以做但是并不是所有的事情都有商业价值是的那刚才我们讨论的是比较宏观的角度从这种微观角度或者个人角度来说你们未来会有一些什么有趣的东西

对我们我们明年就是我们现在也在积极筹备未来几年的这个发展从明年来说我们目前已经立项会做一个基于人体运动的这么一个监控的平台然后呢我们会用柔性的芯片配合陀螺仪的设备去监控人体各个肢体啊

他在 24 小时不见一些监控的情况下把这些数据收集上来传到我们的这个数据后台然后通过 AI 的技术去预测包括后期的随访单个人的这种肌肉骨骼还有一些老年病他们发生的可能性以及治愈的这个效果所以这个场景就是辅助一些

老龄化的是老龄化的这个场景吗还是任何年龄不然都适合我们会从老龄化作为一个入口因为老龄化的这个发病率相对会比较高很多老人的这个腿部有一些这种衰老性的病变还有这个手部也会有那么

但是你说它适用于哪些呢适用的范围其实很广比如说现在的这种中年就是它的这个我们叫颈部腰部这块的这个疾病也是常见病这个办公室的这个也是常见病这个它也有这个体会道体会道

所以它也需要被监控和分析然后那么我们从这个儿童的角度上来说呢它可以辅助儿童进行体育运动的纠正就比如说你去打羽毛球是吧我把你全身的这个肢体跟踪下来了以后会告诉你你的哪一个关节的发力不合适所以科学的进行锻炼

这是我们做的一个创新当然现阶段有类似的技术平台可以做平移或者替代比如说现在比较常见的纯视觉的方案那么纯视觉的方案它在老年化的长期里面有一定的弊病就是你不能 24 小时监控

不能带着相机跟随它你不可能 24 小时相机盯着它然后它去哪它更适合在一个短的时间内的固定场所上就像你说的那个羽毛球锻炼那你可以在这个场里面安装一个摄像头对对对但你也不可能每个场地都安装一个摄像头然后每个场地都分析那么我们的这套方案更多的基于这种人体感知不到的柔性电子的这种

机身方案然后来监控不同肢体的陀螺仪产生的数据

所以这种设备是已经存在了吗就听起来很科幻啊这个设备也是我们一个芬兰的朋友在柔性电子里面有很深的积累的公司叫 Enfosight 他们在柔性电子领域里面耕耘了很多年然后现在这个设备对我们也是硬件层面上面基本都已经做好了

那么现在就是我们要在软件人工智能领域里面把我们新制作出来的这些硬件的信息进行分析反馈给我们的比如说康复科的专家还有一些骨科的专家然后给老百姓给普通的人以帮助其实我们前面提到数据的来源的分类那么我们也谈到过其实居家的数据是最难的

其实我们为什么做这个领域也是因为我们感觉到当患者走出医院的那个大门的时候就好像丢失了对吧数据就停掉了后面他干什么一点都不知道了对然后我们看到这个从数据分析的角度来说很多的这个目前医院的这个治疗呢它是以

医生是以下一主的那个瞬间其实就某种程度就停掉了就是后面虽然有数据但是是没人看的那么患者在治疗过程中的数据以及他治好了没有我们目前大部分医生都不知道他给了患者一个处方治了这个病然后这个患者治好了没有是没有 follow up 的没有 follow up 我不知道除非他再回来对吧除非回来然后这个回来回不回来以及回来这个患者的表达

是否客观都存在很大的问题所以我们还是希望从居家数据从随访的层面来弥补目前数据上的缺口那么这一次的我们计划在 25 年要投入去进行研发和产业化的项目是从肌肉从骨科的方面去跟踪去弥补咱们居家的这些数据

当然实际上持续数据监控也是这两年比较火的就像我们原来量血压量一次现在新的这个技术叫持续血压监控

24 小时监控血压心电图原来是两一次现在也是持续心电图监控所以咱们这个只要人上可以安装很多这些仪器就可以持续的进行监控那么这也是大数据之所以那个大的其中的一个维度就是我们从时间维度上面从点拉到了线有更多的数据进来那这里面呢就遇到另外一个挑战

你说所有的患者如果身上装一堆头盔啊很硬的设备啊就变成机械人了对他的这个感知会很抗拒啊那么所以这时候我们更希望采用柔性的这个芯片它比较轻量然后它的这个贴在人身上的这个不舒适度比较低的方式来采集这个呃

大家的这个数据所以我说这个东西就变得越来越科幻的感觉哈哈哈哈之前没见过的一些设备都慢慢出现了而且真的是走了一个闭环现在就绕回到了芬兰啊这个技术还是从那边出来的对对对对对所以这个这个呃我们我们我们还是蛮感谢芬兰的这个这个创新创业的这个这种这种圈子啊大家可以去去联合的做一些事情啊 OK

非常感谢刘翔老师给我们今天带来的分享我们节目最后一个环节还是一个就是给我们的听众和其他朋友们一些推荐的环节我这两天其实在 follow 一个项目是做这个智能化的蘑菇智能化的蘑菇智能化的蘑菇生产的这么一个项目你必须稍微讲深一点到底什么意思

这个就是因为人工智能嘛从工业生产角度来说呢它很多时候我比较喜欢一些叫黑灯工厂的项目就是更少的人参与然后能够全自化的生产这块那么正好朋友呢就给我介绍了这个一个一个智能化生产蘑菇的这么一个项目然后我觉得这个人类的这个生存呢从长远来看可能会发生变化

它为什么会变化呢因为蘑菇的生长它不需要很多的阳光所以它的这个光能的这个需求很小

那么它只需要来自于植物的残骸的作为营养液然后充足的这个潮湿都不是水分只是潮湿就可以了所以水消耗很小我必须插一句话我一直以为这个黑灯工厂是全自动化的意思你现在把它非常具象到就是真的没有光可以做的东西对对对

的确它也是全自动化的确它也是全自动化但里面的确还有点光有点光就是只是说我们知道很多植物生长的时候就是根据季节来嘛

然后那么我去了这个蘑菇的这个生产的这个环节呢它是你把这个所有的这些原材料准备好了以后就把门关上然后就全自动化控制等你再次开门的时候里面就长满了蘑菇然后蘑菇的这个生产速度又非常的快因为它通过这个智能的调控让这个蘑菇 24 小时生长

那么极端情况下所有的环境都已经调到最优对最优对最优极端情况下五天就能出产五天啊我的天哪然后我们去看的时候正好有这么两个仓的这个蘑菇是五天之后的其实已经被收割了一遍了是第六天然后我们去看的还是满眼的都是这个蘑菇的生产让我觉得哇塞

这个粮食问题是否从此以后都解决了因为它的原材料非常的这个简单就是你无论是稻草啊还是木屑啊还是竹子的这种主要是植物的这种这种这个都可以作为蘑菇的菌棒的原材料然后这个蘑菇的生产速度如此之快从 5 天到 28 天就可以成为成品那么

所以大家可以看看目前的全中国的蘑菇的价格在往下平移一样包括原来我们吃不到的松茸还有猴头菇还有这类的原来听起来都是非常昂贵的蘑菇还有金耳这些大家去市场看看已经价格降到十几块钱的层面了以后不用说白菜化了就是蘑菇价了是吧哈哈

对大家可以看一下金针菇这个已经被大面积生产以后价格现在都是小几块钱一斤了这个咱们是国内的巨大的上市公司在只推金针菇这个产业所以我们看到这个智能人工智能的这个领域在农业上面把农业变成工业的这个生产

产生的巨大的生产效率可能我感觉以后粮食问题真的不是一个问题包括可能在极端情况下我们要到宇宙中去我们比如说要去做 SpaceX 也好做其他的火箭也好去外星在运输的过程中我们吃的我在猜会不会就是蘑菇因为你只要准备好了原材料它会自己生长然后生长速度远远超过我们消耗速度

然后对这个是我看到了一个蛮有趣的事情难怪你最近都在这个宣传模

蘑菇这件事情原来是这个对对对这个算是一个也是一个 AI 领域里面的一个有趣的事情吧他把这个生长速度进行很快的提升让这个一个很小的一个体积里面一年能够生产 14 万斤的蘑菇就咱们这个房子吧我们可能还不用这个房子这么大 14 万斤就能产生这么多的蘑菇天天去采摘

好的好的所以大家不要担心这个世界末日的时候没有吃的起码有蘑菇吃对对至少有蘑菇吃你不要吃腻就行了好非常感谢刘强总今天给我们带来的分享谢谢非常感谢这个天意的邀请也跟大家这个做了一次分享希望以后有机会线下能够一起喝咖啡好的我们这就去咖啡

您现在收听的是《阔波治疗》一档带有 AI 味道的访谈节目如果您喜欢这一期节目请给我们留个言或点个赞也欢迎在各大播客与电台平台上搜索订阅并关注《阔波治疗》智慧的智 聊天的聊

并且收到下一期《阔波治疗》的上线通知我们期待您的参与