在全球AI医疗版图中，深蓝式规则系统与阿法狗式神经网络两条路线并存，前者以可解释性见长，后者以训练能力见长。中国在两条路线上均有布局，但受监管对可解释性的高要求影响，当前更侧重于让AI医疗的工作流程与人类认知保持一致。

两条技术路线的本质差异

AI发展至今形成了两大类技术路线。第一类是基于模型的运算能力（如知识图谱），以深蓝为代表，其工作原理有严格的数学定义，因此是可解释的。第二类是基于神经网络模型的训练（如深度学习），以阿法狗为代表，通过训练得到参数调节好的神经网络，但目前其内部工作机制尚未得到严格的数学定义，不具有可解释性——模拟的是人脑，而人脑如何运作本身也尚不清楚。

可解释性：AI医疗的监管核心

在可见的将来，人类不接受AI医疗的“涌现”。无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高要求。针对医学影像AI，可解释性本质上要求其工作流程与人类对医学问题的认知一致，或其工作流程可被人类理解。然而，深度网络在挖掘因果性方面是弱项，即使网络构造出看似符合人类认知的逻辑链路，更大可能也是通过人为网络结构设计获得的，而非机器学习本身发掘了因果性。

中国的布局逻辑

中国的AI医疗布局以监管要求为锚点，优先保障可解释性。这意味着当前阶段寻求可解释性，实质上是追求人类对网络结构设计如何与医学问题自身逻辑匹配——这考验的是人类对医学问题的理解深度，而非依赖网络训练去发现未知逻辑链条。即便有所发现，也多为相关性而非因果性，仍需人类进一步验证。因此，中国企业在两条路线的分布上，更倾向于让AI的工作流程可被医学专业人士理解和验证，以适应NMPA的审评逻辑。

常见问题

深蓝路线在中国AI医疗中更有优势吗？

深蓝式路线因可解释性强，更符合当前监管对AI医疗的要求。但优势与否取决于具体应用场景，不能一概而论——需要结合具体产品的临床验证和监管审批情况来判断。

阿法狗式神经网络在中国AI医疗中会被弃用吗？

不会。阿法狗式训练法是当前主流技术路线，但需通过人为网络结构设计来匹配医学问题的逻辑。中国企业的做法通常是在神经网络基础上叠加可解释性设计，而非完全放弃训练法。

中国AI医疗在国际竞争中处于什么位置？

中国在两条技术路线上均有布局，且拥有庞大的临床数据资源和应用场景。但国际竞争格局的评估需以第三方实测数据和公开研报为准，不宜简单断言领先或落后。