作者：林佳緯醫師
剛好早上跟 陳育群醫師聊到健保資料庫，大神貼給我李開復老師的專訪，沒想到過沒多久就看到這篇澄清文。
我對AI的理解還很粗淺，也覺得李老師說法跟我的觀察很類似：在七大黑洞公司面前，很難有其他新的挑戰者。在這個面向，我想林百里董事長的見解也是對的。
有跨國大企業，就沒有中小企業的舞台嗎？中小企業以往是怎麼獲利的呢？我覺得這問題與「台灣如何在AI競賽中不被淘汰」類似。搞清楚，台灣就是這麼小的市場，根本無法靠本地市場存活，也就不能套用美國、中國的思考模式，而是想辦法卡進大國的價值體系，或者靠靈活性做出大國難以做出的產品。當然目標市場必須在台灣之外。
IBM CEO Ginni Rometty說，big data是最新的natural resource。（影片）台灣天然資源也缺乏，那我們這麼些年怎麼活下來的？
如果今天要解決的問題是癌症治療，用數據找出最適合某病人的治療方式，我覺得台灣絕對不是 Google Deepmind Health 的對手，台灣做的model、FDA絕對會要求你做白種人的。反過來，不要正面對決，把台灣建立的模型與初步成果找Google、IBM Watson 合作、進入亞洲市場呢？大公司不用從零開始，而且可以用他們資源迅速scale up，我們從中獲取利潤，不也是一種模式？（前提：該產品是他們的缺口）
麻煩的是，建立model後，就算你的methodology可以申請專利，在大公司面前這門檻還不夠高，想要複製並非不可能。但若是 Full Stack solution呢？「全棧」的定義很多，我個人比較喜歡「從硬體、軟體、服務、到AI」，而且該項產品有高品質、可掌控的data產出、清楚的value proposition、直接面向美國、中國、日本、印度等級的大市場，迅速整合與高品質製造，這，就是台灣的專長了。
個人拙見，不能被市場大小迷惑，「要解決什麼問題」才是關鍵。AI只是工具之一，而GIGO（Gabage-in-Garbage-out）比想像中常見。
台灣可行的切入點
另外，台灣現在才在講穿戴式，但是穿戴式裝置的data必須產生「意義」才有價值，在這當中AI可以是一個重要工具。例如最近一則新聞，Apple watch收集到的血壓心跳data、拿來訓練AI做中風的早期偵測，就是一個可能的方向。若該演算法有效，醫療做早期介入預防、降低中風機率與醫療支出，這套系統簡直是疫苗，值多少錢？
資料分析大體上可以分作descriptive, predictive, 及prescriptive三個層次，當我們得到高品質的大量數據，先靠數據描繪分析事件(description)，從數據的歷程做出預測(Prediction)，再做出實際動作或調整(Prescription)。
數據/AI可以省去許多低階重複性的工作，資料分析後可以進一步預測、並做出許多跳脫框框的建議，就像AlphaGo下出許多人類無法理解的棋步。
小結
AI是一種工具，如何取代低階重複性耗時的工作、提昇healthcare的效率、利用它產生有用的建議，藉此提高healthcare品質，打中某個特殊的需求，才是真正要關心的事。而在這方面，大家都才剛起步呢。
延伸閱讀：
Digital Health的商業模式
MEDxLIVE @NCKU充電心得
[Biodesign] Development planning