人工智能對(duì)于醫(yī)療健康領(lǐng)域中的應(yīng)用已經(jīng)非常廣泛，從應(yīng)用場(chǎng)景來看主要分成了虛擬助理、醫(yī)學(xué)影像、藥物挖掘、營(yíng)養(yǎng)學(xué)、生物技術(shù)、急救室/醫(yī)院管理、健康管理、精神健康、可穿戴設(shè)備、風(fēng)險(xiǎn)管理和病理學(xué)共11個(gè)領(lǐng)域，我們著重分析前8個(gè)，這一篇包含虛擬助理、醫(yī)學(xué)影像、藥物挖掘和營(yíng)養(yǎng)學(xué)四個(gè)方面。
虛擬助理：人工智能可以診斷疾病
虛擬助理是一個(gè)你身邊的語音助手，交談是與虛擬助理交互的基本模式。你跟助理說話，通過自然語言處理和語義分析之后，語音助理也會(huì)回復(fù)你，蘋果手機(jī)上的Siri可能就是大家最熟悉的虛擬助理。而虛擬助理可以根據(jù)和用戶的交談中，能夠智能化地通過病情描述判斷你生了什么病。
我們把虛擬助理分成兩類，一類是包括Siri等通用型虛擬助理，另一類是專注醫(yī)療健康類的專用虛擬助理。和通用類型助理相比，醫(yī)療是一個(gè)更垂直，專業(yè)度更高的領(lǐng)域，有很多專業(yè)術(shù)語和專業(yè)技能需要我們?nèi)W(xué)習(xí)。我們從五個(gè)方面去對(duì)比通用類和醫(yī)健類虛擬助理的差別。通用類虛擬助理上市時(shí)間早，資本支持度高，數(shù)據(jù)規(guī)模大。而醫(yī)健類虛擬助理的專業(yè)屬性強(qiáng)、監(jiān)管風(fēng)險(xiǎn)高。虛擬助理是目前較受資本青睞的人工智能醫(yī)療健康細(xì)分領(lǐng)域，目前在國(guó)外用戶所熟知的醫(yī)健虛擬助理是Babylon Health，而國(guó)內(nèi)在虛擬助手上，也有大數(shù)醫(yī)達(dá)和康夫子嶄露頭角。
Babylon Health是一家位于倫敦的初創(chuàng)公司，已完成金額約17.18M英鎊的A輪融資，投資者包括DeepMind Technologies，該公司計(jì)劃推出一款類似Siri的醫(yī)健類虛擬助理應(yīng)用。Babylon在過去兩年里建立了一個(gè)龐大的醫(yī)學(xué)癥狀數(shù)據(jù)庫(kù)，擁有總共36500個(gè)案例的數(shù)據(jù)庫(kù)，在看醫(yī)生前利用語音識(shí)別來詢問用戶一系列問題。相比人工全科醫(yī)生的診療，這種光速般的癥狀診斷和熱情溫柔的聲音是幫助Babylon Health降低價(jià)格、保持5英鎊月費(fèi)的最重要方法。
Babylon Health需要經(jīng)過兩個(gè)階段的建造，第一個(gè)階段有兩個(gè)步驟，第一個(gè)步驟是自然語言處理，也就是聽懂患者對(duì)癥狀的描述，知道哪里不舒服。然后根據(jù)疾病數(shù)據(jù)庫(kù)里面的內(nèi)容進(jìn)行對(duì)比和深度學(xué)習(xí)，對(duì)患者提供醫(yī)療和護(hù)理建議。這個(gè)階段局限于腎臟、肝臟、膽固醇和骨科等較小范圍的領(lǐng)域。在第二個(gè)階段，隨著更大規(guī)模數(shù)據(jù)庫(kù)的加入和更長(zhǎng)時(shí)間的訓(xùn)練，Babylon Health將提供更多種類的疾病建議。
Babylon Health創(chuàng)始人Ali Parsa認(rèn)為，每年人工處理病患會(huì)發(fā)生大量誤診死亡事件，有一種說法認(rèn)為美國(guó)ICU誤診死亡達(dá)40500人/年，而利用人工智能技術(shù)，從虛擬助理切入，能夠更準(zhǔn)確、更快捷、更安全、更便宜地實(shí)現(xiàn)病患處理。但是，目前在政策法律方面，由于醫(yī)療責(zé)任主體不明，監(jiān)管部門禁止虛擬助理提供輕微疾病的診斷和重癥的任何建議。
目前，監(jiān)管部門要求虛擬助理在輕疾方面僅僅能夠提供一些咨詢和建議，不能提供診斷，在重癥方面只能提議立刻前往醫(yī)院或代撥醫(yī)院急救電話。業(yè)內(nèi)醫(yī)師也同樣對(duì)該應(yīng)用產(chǎn)生了質(zhì)疑，因?yàn)榛颊卟⒉煌耆私馍眢w所出的狀況，表達(dá)的時(shí)候會(huì)漏掉一些關(guān)鍵信息，同時(shí)咨詢的時(shí)候會(huì)使用大量的非專業(yè)詞匯，虛擬助理可能沒有辦法去挖掘真正有用的信息作出更準(zhǔn)確的判斷。以上是虛擬助理目前的存在的問題。雖然如此，虛擬助理的成本更低，有助于控費(fèi)，人類醫(yī)生無法窮盡所有的疾病，而人工智能理論上可以，因此完全可以成為人類醫(yī)師的得力助手。
醫(yī)學(xué)影像：輔助和代替醫(yī)生看膠片
醫(yī)學(xué)影像與人工智能的結(jié)合，是數(shù)字醫(yī)療領(lǐng)域較新的分支，而且是數(shù)字醫(yī)療產(chǎn)業(yè)的熱點(diǎn)。醫(yī)學(xué)影像包含了海量的數(shù)據(jù)，即使有經(jīng)驗(yàn)的醫(yī)生有時(shí)也顯得無所適從。醫(yī)學(xué)影像的解讀需要長(zhǎng)時(shí)間專業(yè)經(jīng)驗(yàn)的積累，放射科醫(yī)生的培養(yǎng)周期相對(duì)較長(zhǎng)，而人工智能在對(duì)圖像的檢測(cè)效率和精度兩個(gè)方面，都可以做得比專業(yè)醫(yī)生更快，還可以減少人為操作的誤判率。
近年，從圖像中識(shí)別出對(duì)象物的“圖像識(shí)別技術(shù)”的性能在“深度學(xué)習(xí)”的幫助下得以迅速提高。X光照片的分辨率為3000×2000像素。其中的惡性腫瘤的尺寸為3×3像素左右。從非常大的圖像上判斷一個(gè)很小的陰影狀物體是不是惡性腫瘤，是非常難的任務(wù)。首先會(huì)將一張膠片進(jìn)行預(yù)處理，然后分割成若干小塊，再在每一塊中提取特征值和數(shù)據(jù)庫(kù)進(jìn)行對(duì)比，最后經(jīng)過匹配后作出陽(yáng)性判斷。在整個(gè)診斷過程中，人工智能也會(huì)自己做出深度學(xué)習(xí)，在病歷庫(kù)中尋找案例，做出自己判斷的依據(jù)。放射科醫(yī)師診斷1名患者的CT掃描圖像需要10～20分鐘，寫診斷報(bào)告需要10分鐘左右。
在國(guó)外，已經(jīng)出現(xiàn)了數(shù)家較為知名的初創(chuàng)企業(yè)。表格中的Enlitic就是一家比較知名的人工智能醫(yī)學(xué)影像企業(yè)，雖然創(chuàng)立于2014年，但次年就被MIT Technology Review評(píng)為2015全球最智慧的50家公司之一，獲得總計(jì)1500萬美元的融資。Butterfly正在研發(fā)一種小型超聲設(shè)備，這套系統(tǒng)主要依靠軟件來運(yùn)行，包括用人工智能專家開發(fā)的技術(shù)來梳理一系列圖像，從而提煉出可以自動(dòng)進(jìn)行疾病診斷的功能?；钴S度全球第一和第三的專注人工智能的風(fēng)險(xiǎn)投資機(jī)構(gòu)也紛紛成為智能醫(yī)學(xué)影像初創(chuàng)企業(yè)的投資人。
我們對(duì)比了中國(guó)和美國(guó)的醫(yī)學(xué)影像現(xiàn)狀，從影像方面的誤診人數(shù)來看，美國(guó)每年的誤診人數(shù)達(dá)到了1200萬，而中國(guó)因?yàn)槿丝诨鶖?shù)龐大，達(dá)到了驚人的5700萬/年，這些誤診主要發(fā)生在基層醫(yī)療機(jī)構(gòu)。目前中國(guó)的醫(yī)學(xué)影像正在從傳統(tǒng)的膠片向電子膠片過渡，而美國(guó)傳統(tǒng)膠片已經(jīng)成為歷史。電子膠片的廣泛使用使得醫(yī)學(xué)影像數(shù)據(jù)大幅度增長(zhǎng)，美國(guó)的數(shù)據(jù)年增長(zhǎng)率達(dá)到了63.1%，在中國(guó)也達(dá)到了30%。放射科醫(yī)生的年增長(zhǎng)率美國(guó)和中國(guó)僅僅只有2.2%和4.1%，遠(yuǎn)遠(yuǎn)低于影像數(shù)據(jù)的增長(zhǎng)，形成了巨大的缺口。這意味著醫(yī)師工作量大增，判斷準(zhǔn)確性下降，借助人工智能對(duì)影像進(jìn)行判斷則能有效彌補(bǔ)該缺口。在國(guó)內(nèi)這個(gè)缺口略小于美國(guó)，但我們的特殊國(guó)情也使得跨平臺(tái)的影像云有巨大市場(chǎng)需求。
Enlitic開發(fā)了從X光照片及CT掃描圖像中找出惡性腫瘤的圖像識(shí)別軟件，利用深度學(xué)習(xí)的方法一“Convolutional Neural Network(ConvNet，卷積神經(jīng)網(wǎng)絡(luò))”對(duì)放射技師檢查過有無惡性腫瘤及腫瘤位置等的大量醫(yī)療圖像數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，自動(dòng)總結(jié)出代表惡性腫瘤形狀等的“特征”以及重視哪些特征能夠判斷有無惡性腫瘤等“模式”。Enlitic使用肺癌相關(guān)圖像數(shù)據(jù)庫(kù)“LIDC”和“NLST”進(jìn)行了驗(yàn)證，結(jié)果發(fā)現(xiàn)，該公司開發(fā)的系統(tǒng)的肺癌檢出精度比一名放射技師檢查肺癌的精度高5成以上。無論是對(duì)患者、放射科醫(yī)師還是醫(yī)院，人工智能在醫(yī)學(xué)影像上的幫助都是巨大的，可幫助患者更快速地完成X光、B超、CT等健康檢查，獲得更準(zhǔn)確的診斷建議；幫助醫(yī)師更快完成讀片，已經(jīng)更準(zhǔn)確的輔助診斷；醫(yī)院也可以得到云平臺(tái)支持，建立多元數(shù)據(jù)庫(kù)，降低成本。而如果采用Enlitic公司的系統(tǒng)可以使CT掃描圖像的診斷時(shí)間減半，當(dāng)骨裂面積小到只占到整張X光片0.1%時(shí)，也能準(zhǔn)確識(shí)別出來。
前面我們分析了人工智能對(duì)患者、醫(yī)生和醫(yī)院所帶來的好處，在醫(yī)學(xué)影像企業(yè)中，人工智能技術(shù)的加入對(duì)創(chuàng)業(yè)團(tuán)隊(duì)的核心競(jìng)爭(zhēng)力也有非常大的影響。根據(jù)動(dòng)脈網(wǎng)對(duì)醫(yī)學(xué)影像初創(chuàng)企業(yè)的走訪，擁有人工智能技術(shù)，整個(gè)團(tuán)隊(duì)能顯著減少人力成本，技術(shù)團(tuán)隊(duì)規(guī)模在A輪以前可以控制在20人以內(nèi)，技術(shù)人員和非技術(shù)人員的比例達(dá)到2.6：1。如果沒有人工智能技術(shù)，那么就要組件一只人力成本不菲的客服團(tuán)隊(duì)和醫(yī)師溝通，技術(shù)人員和非技術(shù)人員的比例為1.1：1，規(guī)模也達(dá)到了30至50人。分級(jí)診療和遠(yuǎn)程醫(yī)療的大背景使中國(guó)的醫(yī)學(xué)影像創(chuàng)業(yè)團(tuán)隊(duì)更多的投入資源搭建云平臺(tái)，但長(zhǎng)期看能否有人工智能的技術(shù)實(shí)力也是核心競(jìng)爭(zhēng)力的一部分。
藥物挖掘：大幅度降低藥物研發(fā)成本
藥物的發(fā)現(xiàn)和篩選經(jīng)歷了三個(gè)階段。
第一個(gè)階段是1930年～1960年之間的隨機(jī)篩選藥物階段。這是一個(gè)偶然發(fā)現(xiàn)的時(shí)代，隨機(jī)篩選藥物的典型代表就是利用細(xì)菌培養(yǎng)法從自然資源中篩選抗菌素。
第二個(gè)階段是1970年～2000年，這個(gè)時(shí)代技術(shù)更加先進(jìn)，可以使用高吞吐量的靶向篩選大型化學(xué)庫(kù)。組合化學(xué)的出現(xiàn)改變了人類獲取新化合物的方式，人們可以通過較少的步驟在短時(shí)間內(nèi)同時(shí)合成大量化合物，在這樣的背景下高通量篩選的技術(shù)應(yīng)運(yùn)而生。高通量篩選技術(shù)可以在短時(shí)間內(nèi)對(duì)大量候選化合物完成篩選，經(jīng)過發(fā)展，已經(jīng)成為比較成熟的技術(shù)，不僅僅應(yīng)用于對(duì)組合化學(xué)庫(kù)的化合物篩選，還更多地應(yīng)用于對(duì)現(xiàn)有化合物庫(kù)的篩選。如降低膽固醇的他汀類藥物，就是這樣被發(fā)現(xiàn)的。
而現(xiàn)在是第三個(gè)階段，虛擬藥物篩選階段，將藥物篩選的過程在計(jì)算機(jī)上模擬，對(duì)化合物可能的活性作出預(yù)測(cè)，進(jìn)而對(duì)比較有可能成為藥物的化合物進(jìn)行有針對(duì)性的實(shí)體體篩選，從而可以極大地減少藥物開發(fā)成本。在醫(yī)藥領(lǐng)域，最早利用計(jì)算機(jī)技術(shù)和人工智能并且進(jìn)展較大的就是在藥物挖掘上，如研發(fā)新藥、老藥新用、藥物篩選、預(yù)測(cè)藥物副作用、藥物跟蹤研究等，均起到了積極作用。這實(shí)際上已經(jīng)產(chǎn)生了一門新學(xué)科，即藥物臨床研究的計(jì)算機(jī)仿真(CTS)。
一般估計(jì)，一種新藥的開發(fā)平均需要10年時(shí)間，耗資15億美元，但隨著藥物開發(fā)難度的增大目前可能一種新藥會(huì)耗資40億～120億美元，還不能保證成功。新藥研發(fā)除了要求藥品的療效外，還需要保證其安全性，必須經(jīng)過動(dòng)物實(shí)驗(yàn)和Ⅰ、Ⅱ、Ⅲ期臨床試驗(yàn)。而即便Ⅲ期臨床試驗(yàn)后批準(zhǔn)上市，還有Ⅳ期臨床研究，即新藥上市后的再評(píng)價(jià)。這也是造成藥物研發(fā)周期長(zhǎng)、費(fèi)用高的重要原因。
但是，在今天，有了計(jì)算機(jī)和人工智能，為人們提供了一個(gè)檢測(cè)藥物的人工智能安全專家。首先，在新藥篩選時(shí)，可以獲得安全性較高的幾種備選物。當(dāng)很多種甚至成千上萬個(gè)化合物都對(duì)某個(gè)疾病顯示出某種療效，但又對(duì)它們的安全性難以判斷時(shí)，便可以利用人功智能所具有的策略網(wǎng)絡(luò)和評(píng)價(jià)網(wǎng)絡(luò)以及蒙特卡洛樹搜索算法，來挑選最具有安全性的化合物，作為新藥的最佳備選者。
其次，對(duì)于尚未進(jìn)入動(dòng)物實(shí)驗(yàn)和人體試驗(yàn)階段的新藥，也可以利用人工智能來檢測(cè)其安全性。因?yàn)?，每一種藥物作用的靶向蛋白和受體都并不專一，如果作用于非靶向受體和蛋白就會(huì)引起副作用。人工智能可以通過對(duì)既有的近千種已知藥物的副作用進(jìn)行篩選搜索，以判定其是否會(huì)有副作用，或副作用的大與小，由此選擇那些產(chǎn)生副作用幾率最小和實(shí)際產(chǎn)生副作用危害最小的藥物進(jìn)入動(dòng)物實(shí)驗(yàn)和人體試驗(yàn)，從而大大增加成功的幾率，節(jié)約時(shí)間和成本。
此外，利用人工智能還可模擬和檢測(cè)藥物進(jìn)入體內(nèi)后的吸收、分布、代謝和排泄、給藥劑量-濃度-效應(yīng)之間的關(guān)系等，讓藥物研發(fā)進(jìn)入快車道。
目前人工智能藥物挖掘主要在三大領(lǐng)域：抗腫瘤藥、心血管藥和孤兒藥及經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)常見傳染病藥?？鼓[瘤藥和心血管藥的共同特點(diǎn)就是市場(chǎng)規(guī)模大、增速快，2015年的銷售金額都超過了1000億美元。利用人工智能對(duì)藥物進(jìn)行挖掘，可以顯著降低成本和開發(fā)難度。而第三種類別的藥物孤兒藥與經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)常見傳染病防治藥，因?yàn)槭袌?chǎng)價(jià)值低，藥企的收益不足以覆蓋其研發(fā)成本，企業(yè)積極性不大。那么利用人工智能可以節(jié)約成本，為罕見病患者和經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的傳染病患者提供藥物。
前面我們列出了6家結(jié)合人工智能與藥物挖掘的初創(chuàng)公司，按照融資額度排列，Numerate以1750萬美元排在第一位，而Atomwise是其中比較有代表性的初創(chuàng)公司。Atomwise公司用超級(jí)計(jì)算機(jī)分析已有數(shù)據(jù)庫(kù)，并用AI和復(fù)雜的算法來模擬藥品研發(fā)的過程，在研發(fā)的早期評(píng)估新藥研發(fā)風(fēng)險(xiǎn)，讓藥物研究的成本降至數(shù)千美元，并且該評(píng)估可以在幾天內(nèi)完成。Atomwise軟件平臺(tái)運(yùn)行在IBM的藍(lán)色基因超級(jí)計(jì)算機(jī)上，其強(qiáng)大的計(jì)算能力使得他們可以完成很多任務(wù)，例如評(píng)估820萬種化合物，并且在幾天之內(nèi)找到多發(fā)性硬化癥可能的治療方法。2015年，公司宣布在尋找埃博拉病毒治療方案方面有一些進(jìn)展，即在 Atomwise 預(yù)測(cè)的藥物中，有兩種或許能用來抗擊埃博拉病毒，他們用時(shí)一個(gè)星期就找到了這種藥物，并且成本不超過 1000 美元。
Atomwise還為制藥公司、創(chuàng)業(yè)公司和研究機(jī)構(gòu)提供候選藥物預(yù)測(cè)服務(wù)。Atomwise的服務(wù)可以預(yù)測(cè)哪些新藥品真的有效，哪些無效。該公司稱自己在新藥發(fā)現(xiàn)、結(jié)合親和力預(yù)測(cè)和毒性檢測(cè)上得到了世界上最好的結(jié)果。在合作伙伴方面，Atomwise除了與Merck公司和Autodesk進(jìn)行一些保密項(xiàng)目外，公司也持續(xù)與學(xué)術(shù)界和企業(yè)客戶開展研究工作，通過輔助制藥企業(yè)、生物科技公司和其他相關(guān)研究機(jī)構(gòu)開展藥物挖掘工作獲取收入。
到目前為止，Atomwise總共獲得了657萬美元的投資，他的成功除了在人工智能領(lǐng)域的獨(dú)特算法和專業(yè)人才之外，還有好的孵化器和VC投資者。知名早期創(chuàng)業(yè)公司孵化器Y Combinator 和風(fēng)險(xiǎn)投資公司khosla ventures提供了海量的數(shù)據(jù)資源，并幫助其對(duì)接其他醫(yī)療機(jī)構(gòu)。為了避免FDA New Drug Application對(duì)人工智能輔助藥物挖掘的監(jiān)管風(fēng)險(xiǎn)，Atomwise主動(dòng)參與開發(fā)防治埃博拉的藥物，并參與公益項(xiàng)目樹立良好的公共形象。
營(yíng)養(yǎng)學(xué)：告訴我們應(yīng)該吃什么
David Zeevi團(tuán)隊(duì)2015年11月在《Cell》發(fā)表論文，闡釋了機(jī)器學(xué)習(xí)應(yīng)用于營(yíng)養(yǎng)學(xué)的積極作用。研究者分析了三組不同的數(shù)據(jù)，其中第一組數(shù)據(jù)來自800名志愿者。他們每天第一頓食用四套標(biāo)準(zhǔn)化食品中的一種，其余時(shí)間正常飲食。研究者采集了他們的血樣、糞便，以血糖數(shù)據(jù)、腸道菌群等多項(xiàng)數(shù)據(jù)，并使用調(diào)查問卷、App等形式收集食物、鍛煉以及睡眠數(shù)據(jù)。數(shù)據(jù)收集持續(xù)一周。
通過分析標(biāo)準(zhǔn)化飲食的結(jié)果，研究者發(fā)現(xiàn)即便食用同樣的食品，不同人的反應(yīng)依然存在巨大差異。這表明，過去通過經(jīng)驗(yàn)得出的“推薦營(yíng)養(yǎng)攝入”從根本上就有“漏洞”。接下來，研究者開發(fā)了一套“機(jī)器學(xué)習(xí)”算法，分析學(xué)習(xí)血樣、腸道菌群特征與餐后血糖水平之間的關(guān)聯(lián)，并嘗試用標(biāo)準(zhǔn)化食品進(jìn)行血糖預(yù)測(cè)。葡萄糖是人類細(xì)胞最主要的能量來源，血糖異常會(huì)導(dǎo)致多項(xiàng)重要疾病。可以說，血糖管理是精準(zhǔn)營(yíng)養(yǎng)的基石。
機(jī)器學(xué)習(xí)算法被800名志愿者的數(shù)據(jù)“訓(xùn)練”之后，變得能夠預(yù)測(cè)食物對(duì)人體血糖水平的影響。隨后，研究者在第二組人群上（100個(gè)志愿者）驗(yàn)證機(jī)器學(xué)習(xí)得出的預(yù)測(cè)模型，效果非常理想。
那么機(jī)器學(xué)習(xí)得出的模型能否實(shí)際運(yùn)用于指導(dǎo)健康飲食呢？研究者在第三組人群上（26個(gè)志愿者）進(jìn)行雙盲試驗(yàn)。研究者對(duì)每位志愿者的血樣、微生物組數(shù)據(jù)、人體測(cè)量學(xué)制訂了個(gè)性化膳食計(jì)劃。其中一組12名自愿者，使用機(jī)器學(xué)習(xí)算法的建議；對(duì)照組14名自愿者，采用醫(yī)生和營(yíng)養(yǎng)專家的建議。膳食計(jì)劃也分為兩種，一種被設(shè)計(jì)用于控制血糖水平，另一種則相反。每組志愿者均嚴(yán)格遵照建議飲食兩周，一周進(jìn)行“健康飲食”另一周踐行“不健康飲食”，并比較結(jié)果。
最終的研究結(jié)果表明，機(jī)器學(xué)習(xí)算法給出了更精準(zhǔn)的營(yíng)養(yǎng)學(xué)建議，成功控制餐后血糖水平，結(jié)果優(yōu)于傳統(tǒng)專家建議！這為機(jī)器學(xué)習(xí)以及精準(zhǔn)營(yíng)養(yǎng)學(xué)打開了一扇大門，同時(shí)這篇重磅論文也登上了當(dāng)期《Cell》雜志的封面。
目前較知名的將人工智能應(yīng)用于營(yíng)養(yǎng)學(xué)的初創(chuàng)公司為位于都柏林的Nuritas。Nuritas通過新開發(fā)的人工智能與分子生物學(xué)相結(jié)合的新技術(shù)在食品領(lǐng)域引起了巨大的爭(zhēng)議。Nuritas通過建立食品數(shù)據(jù)庫(kù)識(shí)別肽（食品類產(chǎn)品中的某些分子）可以作為食物的補(bǔ)充或新的成分。這種識(shí)別不只是添加蛋白粉搖一搖。相反，Nuritas是識(shí)別可以使食物根據(jù)身體反應(yīng)不同而生成不同的肽。例如，其聯(lián)合創(chuàng)始人Dr. Nora Khaldi接受采訪時(shí)就表示，公司發(fā)現(xiàn)某種谷物可以用于控制2型糖尿病或抗衰老成分。
Nuritas 目前的收入來自B端。傳統(tǒng)的食品制造商主要關(guān)注成本控制與安全，并不擅長(zhǎng)識(shí)別食品中有利人體健康的肽。Nuritas為食品制造企業(yè)提供數(shù)據(jù)挖掘服務(wù)（采用了機(jī)器學(xué)習(xí)），并按銷量收取傭金。未來計(jì)劃推出面向消費(fèi)者to C的個(gè)性化營(yíng)養(yǎng)方案，針對(duì)每位消費(fèi)者的情況制定不同的方案，收取服務(wù)費(fèi)。
在我國(guó)，進(jìn)入小康社會(huì)之后，人們的生活水平大幅度上升，上層中產(chǎn)階級(jí)的數(shù)量從2002年的330萬上升到2012年的3584萬，大眾中產(chǎn)階級(jí)從1155萬上升到1.38億。這些人群對(duì)食品的營(yíng)養(yǎng)有更高的要求，不僅僅是為了吃飽，而是為了身體健康能夠吃好。合理的膳食搭配以及更安全的有機(jī)食品需求成為新的食品產(chǎn)業(yè)增長(zhǎng)點(diǎn)，急需新技術(shù)推動(dòng)行業(yè)變革。
中國(guó)的餐飲和西餐有較大的區(qū)別，中餐難以標(biāo)準(zhǔn)化，即使是同一道菜不同師傅教出來的做法也不盡相同。同時(shí)，菜品搭配不同和烹飪手段不同導(dǎo)致菜品多樣化，數(shù)據(jù)不全，無法做到量身定制營(yíng)養(yǎng)套餐。
那么我們國(guó)內(nèi)的人工智能+營(yíng)養(yǎng)學(xué)初創(chuàng)公司應(yīng)該如何為客戶進(jìn)行服務(wù)呢？我們建議有兩種模式，主要針對(duì)C端用戶。模式一是針對(duì)個(gè)人用戶進(jìn)行個(gè)性化營(yíng)養(yǎng)建議，收取服務(wù)費(fèi)。模式二是to C和to B同時(shí)服務(wù)，并推廣中餐營(yíng)養(yǎng)標(biāo)準(zhǔn)化。
天坦動(dòng)態(tài)