AI医疗行业的技术路径主要分为两类：一类是以深蓝为代表的“基于模型的运算能力”路线，依赖知识图谱等规则系统；另一类是以阿法狗为代表的“基于神经网络模型的训练”路线，核心是深度学习。在医疗领域，前者多见于诊断决策支持系统，后者则主导医学影像识别等场景。目前市场集中度较高，头部企业多集中于深度学习路线，但受限于可解释性要求，规则系统仍有重要应用空间。
深蓝路线：规则运算与可解释性
深蓝路线强调计算机的符号化运算能力，其工作原理有严格的数学定义，因此具有可解释性。在AI医疗中，该路线主要应用于诊断决策支持系统，通过知识图谱和规则引擎模拟医生推理过程。代表企业包括传统医疗IT巨头和专注于临床决策支持（CDSS）的公司。由于FDA和NMPA对AI医疗的可解释性有很高要求，这类系统在合规审批上更具优势，但受限于哥德尔不完备性定理，其逻辑能力存在边界。
阿法狗路线：深度学习与涌现能力
阿法狗路线基于神经网络模型训练，通过调整海量参数（如ChatGPT的1500亿参数）实现智能，但工作原理尚未得到严格的数学定义，因而不具有可解释性。在AI医疗中，该路线主要用于医学影像识别，如肺结节、眼底病变筛查。代表企业包括专注影像AI的初创公司和科技巨头。虽然目前是主流，但可解释性是其最大短板——人类对网络内部如何工作并不完全掌握，即使出现归纳推理能力，研究者也“搞不明白”原因。
常见问题
两种路线在医疗领域的核心差异是什么？
深蓝路线可解释性强，适合需要因果推理的场景（如用药建议）；阿法狗路线识别精度高，但工作流程难以被人类理解，主要用于图像识别。
为什么可解释性对AI医疗如此重要？
监管机构（如FDA、NMPA）要求AI医疗的工作流程与人类医学认知一致，或能被人类理解。而深度学习目前只能提供相关性，难以挖掘因果性，这构成了审批的主要障碍。
未来哪种路线会成为主流？
短期内，深蓝路线在合规场景占优；但阿法狗路线因数据驱动优势，在影像识别等任务中已占据主流。长期看，两种路线可能融合——用规则系统提供可解释性，用神经网络提升性能。