AI医疗市场正经历从基于规则的系统（如深蓝）向基于神经网络训练（如阿法狗）的技术路线切换，这一供需周期由技术成熟度和监管对可解释性的要求共同决定。短期内，基于模型的运算能力（如知识图谱）仍是主流，因其具备可解释性，符合FDA和NMPA的监管要求；长期看，深度学习技术将逐步渗透，但需等待“涌现”能力与可解释性之间的平衡。
两大技术路线的核心差异
AI医疗的发展沿袭了AI领域的两大类技术路线：第一类是基于模型的运算能力（如深蓝），依赖严格的数学定义，工作流程可解释；第二类是基于神经网络模型的训练（如阿法狗），通过模拟人类思维方式进行学习，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。目前，训练法是AI领域的主流，但其内部细节尚不完全清楚。
可解释性：AI医疗供需周期的关键变量
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问题，所谓的可解释性，就是要求其工作流程与人类对医学问题的认知一致，或能被人类理解。然而，深度学习在挖掘因果性方面是弱项，当前阶段寻求可解释性，实质上是在考验人类自己对医学问题的理解，并通过网络结构设计来匹配这一逻辑。
常见问题
为什么深蓝路线在AI医疗中更受监管青睐？
因为深蓝路线基于严格的数学定义，工作流程可解释，符合FDA和NMPA对AI医疗可解释性的要求。而阿法狗路线（深度学习）虽性能强大，但其内部逻辑尚不透明，监管接受度较低。
阿法狗路线何时能在AI医疗中大规模应用？
目前尚无明确时间表。深度学习技术虽已成为主流，但其“涌现”能力（如ChatGPT的归纳推理）的出现原因尚不明确。AI医疗的大规模应用需等待技术突破，在保持性能的同时实现可解释性。
两种技术路线未来会融合吗？
在可预见的将来，两种路线将共存互补。基于规则的系统负责可解释性要求高的任务（如医学影像合规诊断），深度学习则逐步渗透到数据量大、可解释性要求相对较低的环节，如辅助筛查和科研分析。