比微軟蘋果厲害得多！這家全球最聰明的公司如何布局醫療

2017年麻省理工大學評選出的全球最聰明的公司是哪家？

你可能會想到IBM，又或者是穀歌、Facebook、蘋果、微軟等大公司。把你腦海中熟悉的這些公司都過濾一遍後你會發現，他們雖然在榜單上，但都不是最耀眼的那家。

這份榜單中排名榜首的公司，名叫NVIDIA，中文名為英偉達。諸如IBM、穀歌、Facebook等公司雖然在人工智能方麵也成績斐然，但是他們所做的研究都是基於人工智能中的應用層，是利用人工智能技術為大家服務。而NVIDIA則位於人工智能最底層的技術層，是一家人工智能芯片公司。雖然該公司的GPU（圖形處理器）產品最初是為電腦遊戲而生，但是目前已經成為驅動深度學習和自動駕駛等突破性技術的主力。

筆者在加入動脈網（微信號：vcbeat）轉戰醫療媒體之前，曾經在IT媒體工作13年，多次赴美參加NVIDIA的GPU（圖形處理器）發布會和GTC圖形處理器技術大會。從2000年第一次購買NVIDIA RIVA TNT芯片顯卡算起，筆者和NVIDIA結緣，已經有接近20年的時間。所以，回顧NVIDIA的曆史，也開啟了筆者對過去工作經曆的回憶。

過去的20年，是IT技術飛速發展的時代，而人工智能一直是計算機科學家的夢想。現在，人工智能不再是科幻片裏麵的情景，已經開始在各行各業嶄露頭角。

究竟是什麼使得人工智能成為新的IT技術革命，答案就是基於GPU的深度學習這一全新的計算模式，它讓計算機能夠從海量數據中進行學習，然後編寫出人類無法寫出的複雜軟件。

在過去的20年中，NVIDIA曆經了三個階段的發展，從PC遊戲顯卡芯片的領軍者，到2006年GPU通用計算誕生，然後轉型到人工智能計算公司。GPU最初用於模擬人類的想象力，實現PC遊戲和電影的虛擬世界。今天，它也模仿人類的智慧，更深入地了解物理世界。

GPU通過數千個計算核心實現了強勁的並行處理能力，對於運行深度學習算法至關重要。擁有人工智能的算法，使得電腦能夠從海量數據中進行學習，並充當可以感知和理解世界的智能計算機、機器人和無人駕駛汽車的大腦。

成為全球最聰明的智能公司隻是NVIDIA的光環之一，它還是五年來全球表現最好的半導體公司：2016年納斯達克100指數裏表現最好的股票，超出第二名幾乎三倍。第三季度，由於數據中心、比特幣挖礦對GPU芯片強勢的需求，NVIDIA的銷售額增長了54%，利潤更是翻番，達到有史以來的最好水平。

上圖比較了過去五年來，每年1月底的NVIDIA股票、標準普爾500指數、標準普爾半導體指數和納斯達克100指數的累計回報。以2012年1月29日為起點，4個指數的股價都設置為100美元。可以看到，2016年全年，NVIDIA得益於人工智能領域的表現，得到了投資者的青睞，股價大幅度上漲。綜合來看，五年時間，NVIDIA的股價翻了八倍。

NVIDIA除了被麻省理工大學評選為全球最聰明的公司之外，它同時還獲得全球最受讚賞公司（《財富雜誌》）、全球最佳CEO（《哈佛商業評論》）、全美最環保公司（《新聞周刊》）、50大最佳工作場所（《Glassdoor》）等殊榮。

NVIDIA究竟是一家什麼樣的公司？CEO是誰？

NVIDIA聯合創始人 / CEO 黃仁勳

NVIDIA誕生於1993年，創始人是黃仁勳、Chris Malachowsky和Curtis Priem三位。在過去的24年中，NVIDIA的CEO都是由黃仁勳所擔任。現年54歲的黃仁勳是一位個人魅力相當出色的領導者，在他領導下的NVIDIA，仍然像一個初創公司：快速決策，快速執行。 對於一家半導體廠商來說，都不是一件簡單的事情。

黃仁勳是一位出生在台灣的美籍華人。1984年，黃仁勳於俄勒岡州大學取得電子工程學位，其後在斯坦福大學取得碩士學位。在俄勒岡州大學電子工程專業畢業後，黃仁勳來到了矽穀，加盟著名的處理器公司AMD(1983年－1985年)。黃仁勳在AMD主要擔任芯片設計師，周圍一堆的博士，讓他倍感壓力，之後利用業餘時間到斯坦福大學深造。兩年後，黃仁勳跳槽來到了LSI Logic(1985年－1993年)工作。

這兩家芯片公司的工作經曆，使得黃仁勳進入到了芯片設計領域。特別是在LSI Logic，黃仁勳參與了電腦芯片的圖形處理部分設計，並參與市場工作，為隨後創立NVIDIA公司打下了基礎。1992年底，兩位曾經在SUN工作過的技術人員Chris Malachowsky和Curtis Priem把黃仁勳拉進NVIDIA的創業團隊。因為既有技術背景又懂銷售和管理，黃仁勳被推舉擔任公司總裁兼CEO，直到今天。

NVIDIA於1995年發布了首款產品NV1圖形芯片。NV1因為采用了多邊形貼圖，在技術方向上的錯誤選擇使其成為一款失敗的產品。這款產品耗盡了公司最早的投資。為了生存，公司從100多人裁員到30多人，黃仁勳承諾在公司情況好轉後讓大家再回來。

後來，日本的遊戲機巨頭世嘉看好NVIDIA的研發能力，支付了700萬美元訂金希望為其研發一款遊戲機圖形芯片。雖然最後世嘉取消了NV2的訂單，轉而使用了了3dfx的PowerVR技術，但是這筆錢拯救了英偉達的命運。

NVIDIA前期產品失敗的一個很重要的原因，是當時的3D圖形接口技術不統一。黃仁勳決定在後續的開發中，選擇使用微軟剛發布的Direct3D技術，專注於PC專用的2D/3D顯卡。同時，黃仁勳召回了當初因為NV1失利後被迫辭退的研發人員。後來，NVIDIA在1997年發布了RIVA 128（NV3），並獲得了成功。

隨後，NVIDIA在圖形芯片領域一路隨風隨水，RIVA TNT和RIVA TNT 2相繼成為市場上的明星，市場份額首次超越了當時的大佬3dfx。1999年，NVIDIA推出了第一款GPU——GeForce 256，實現了硬件實時編程著色。同年，NVIDIA在納斯達克上市。

多款重磅產品的發布使得NVIDIA逐漸成為市場上最重要的計算機圖形芯片廠商，長期占據市場頭把交椅，並收購了3dfx。90年代初，市場上有幾十家計算機圖形芯片廠商。而現在，仍在獨立運營的圖形芯片廠商隻有NVIDIA一家，其他廠商紛紛倒閉或者被收購，NVIDIA最重要的競爭對手ATI也於2006年被AMD收購。

筆者在和黃仁勳不同時間段的接觸中，發現他是一位相當具有個性的CEO。他可以在會議中把腳踩在凳子上和記者進行交流，也可以把公司的LOGO紋在自己的手臂上。他可以穿著朋克風的皮夾克講解最新技術，也可以配合中國記者秀一秀中文。黃仁勳在接受采訪時說道：“我犯過很多錯誤，也一直在犯錯。但我不怕犯錯，不斷犯錯再改變、學習、創新，才能成功。”

使用NVIDIA顯卡實時渲染的照片級人物肖像

當時的NVIDIA，旗下的GeForce GPU產品主要用於遊戲電腦。它既能渲染廣袤的自然大海，也能雕刻精細的人物毛發，還能模擬逼真的煙霧效果，這些都使得遊戲效果更為逼真。而且，NVIDIA Quadro GPU還被全球90%的專業圖形工作站所采用，大量的數字藝術家、工業設計師、電影製作人員以及廣播工作者使用NVIDIA GPU，絕大多數的奧斯卡最佳特效獎也是基於NVIDIA GPU技術製作而成。

雖然NVIDIA已經穩坐視覺計算行業的頭把交椅多年，但是黃仁勳一直保持著技術上的前瞻性和敏感度，不斷帶動著NVIDIA繼續創新，引領視覺計算行業的發展。

從顯卡廠商成為人工智能廠商，在這兩步的跨越中，NVIDIA有幾款重要的產品不得不提。在2006年以前的GPU顯卡芯片裏，采用的是專用電路對3D畫麵進行渲染。頂點著色器負責完成完成3D畫麵的頂點描繪和建模，用三角形組成圖像，然後用渲染管線進行貼圖，讓3D圖像擁有顏色和紋理。

開啟GPU通用計算時代的GeForce 8800 GTX係列顯卡

而在2006年底，NVIDIA發布了一款具有劃時代意義的GeForce 8800係列（代號G80）GPU。這款GPU沒有使用傳統的像素渲染管線設計，而是使用了名為CUDA的通用計算（又名SIMD統一渲染）架構。這種設計可以讓顯卡不僅僅能夠實現3D圖像的渲染，也可以如CPU一樣實現其他的通用計算任務，一種強大而又全新的計算方式就此誕生。

GPU比CPU擁有更多的線程，能夠快速完成並行計算

GPU的並行計算能力大幅度超越了CPU

CUDA通用計算架構的計算性能在部分應用中能夠實現相比處理器數倍的性能，這是因為它擁有數據的並行計算能力。通俗一點來講，傳統的中央處理器（CPU）的核心數量少，主要為串行指令而優化，數據計算方式如同流水線，計算指令需要一步一步完成。CUDA架構的GPU有非常多的流處理器，在大規模的並行運算中優勢明顯。這樣的設計，讓顯卡也有了通用計算能力，從而在大規模的數據計算應用中提供了一種比CPU更加強大的計算性能。

在CUDA架構的GPU基礎上，NVIDIA開發出通用計算專用的Tesla計算卡。各個領域的研究人員通過Tesla計算卡享受到此前隻有超級計算機才具備的計算能力，廣泛使用在藥物研發、醫學成像、天氣建模、科學研究等各種大規模計算中。

在擁有強大的計算能力之後，GPU當然也被超級計算機所采用。相比傳統CPU搭建的超級計算機，采用GPU計算核心的超級計算機擁有性能高、功耗低的特點。2010年計算性能世界排名第一的中國的天河一號A超級計算機，就使用了NVIDIA Tesla計算卡。

在這一段時間裏，除了GPU之外，NVIDIA也開始進軍移動處理器領域。Tegra係列曾是NVIDIA進軍智能手機芯片市場的一次嚐試。當時，黃仁勳認為智能手機正處在改變計算和通信方式的浪尖。但是由於低估了集成基帶的重要性，NVIDIA在手機芯片市場上的表現並不出色，平板電腦市場也不盡如人意。現在智能手機幾乎不再使用Tegra，NVIDIA的產品中Shield平板和Shield TV還在使用Tegra處理器。

但是，Tegra產品延伸到汽車領域後卻大獲成功，利用其GPU計算能力主攻車載娛樂係統和無人駕駛係統。特斯拉Model S電動車的車載娛樂係統正是基於Tegra 3設計，現在已經升級到最新的Tegra X1。而基於Tegra的無人駕駛係統DRIVE PX，也被沃爾沃、奧迪、寶馬、奔馳等大廠采用。這是後話。

在通用計算時代，醫療領域是NVIDIA GPU發揮作用的重要陣地。醫療成像是較早利用GPU通用計算能力加快性能的商業應用之一，有多款醫療設備均配備了NVIDIA Tesla GPU。

在一些醫療影像應用中，計算機需要處理大量的高精度CT或者MRI圖像。患者需要快速、精確並且舒適的診斷，而醫生則需要能夠實現高效診斷的工具。將龐大的服務器陣列引入臨床設備非常困難，但GPU和Tesla的強大計算能力使得提供小型的並行計算模塊成為可能。

GPU的通用計算性能，能夠讓科研人員以比處理器快數十倍甚至上百倍的速度處理這些圖像。因此，醫生能夠實現實時查看CT和MRI的3D合成圖像，或者在不損失檢查影像畫質的情況下能夠使係統更快地運行。通過這些快速得到的結果，醫生能夠檢查病患組織的狀態並做出診斷，而無需活體檢查和外科處理。此外，某些醫生可以同時查看此類圖像，彼此溝通。GPU還被利用在GE Revolution CT掃描儀上，不但可以生成高畫質影像，還能同時使患者受到的輻射減少82%。

伊利諾伊大學的科學家在使用了3000個GPU的Blue Waters超級計算機上首次確定了HIV“病毒衣殼”的準確化學結構

對於那些敢於迎接最難挑戰的科研人員來說，GPU的通用計算平台成為了成功的關鍵。伊利諾伊大學的科學家利用一台基於GPU的超級計算機，首次對病毒衣殼進行了全原子模擬，在艾滋病毒的研究方麵取得了突破性進展。該論文發布在《自然》雜誌上，首次確定了 HIV“病毒衣殼” 的準確化學結構，是其病毒性的關鍵所在。

在藥物開發、計算化學、生物信息係及生命科學領域，GPU都發揮了其顯著的並行計算能力而廣受青睞。斯坦福大學化學係副教授兼 Folding@home 項目總監Vijay Pande表示：“NVIDIA GPU對蛋白質折疊模擬的影響是巨大而深遠的。使用GPU來模擬蛋白質折疊的團隊實現了其生產效率的極速飆升。在 Folding@home 中應用如此強大的處理性能徹底改變了這一項目，極大地縮短了我們進行生物醫學研究所需的時間。”

GPU的通用計算能力使得它的應用場景從單一的圖形渲染大幅度擴大到需要計算的方方麵麵，能夠讓科學家和科研人員利用GPU強大的並行計算能力來解決複雜的計算難題。這其中，也包含了深度學習計算。

2010年，世界各地的人工智能研究員已經開始利用NVIDIA GPU的並行計算能力來進行神經網絡訓練。2012年是人工智能標誌性的一年。多倫多大學Alex Krizhevsky創建了能夠從100萬樣本中自動學習識別圖像的深度神經網絡。僅在兩塊NVIDIA GTX 580電腦顯卡上訓練幾天，“AlexNet”就贏得了當年的ImageNet競賽，擊敗了有著幾十年算法經驗的人類專家。

同年，在認識到網絡規模越大，其學習能力越強的規律之後，當時還在斯坦福大學的吳恩達（Andrew Ng，後來加入百度，並於今年離開）與NVIDIA研究室合作開發了一種使用大規模GPU計算係統訓練網絡的方法。這引起了全球關注，世界各地的人工智能研究人員轉向GPU深度學習。百度、穀歌、Facebook、微軟是首批將深度學習用於模式識別的公司。

GPU深度學習正改變著軟件的開發與運行方式。過去，是軟件工程師構思程序的算法並編寫代碼。現在，算法從真實世界的海量實例中自我學習，實現軟件自我編寫。深度神經網絡被部署在數據中心和智能設備中以便推理和預測下一步行動。GPU深度學習為機器學習、認知、推理與解決問題奠定了基礎。

NVIDIA GPU特別擅長處理並行工作負載，可讓網絡提速10~20倍，從而將各個數據訓練迭代周期從幾個星期縮短為幾天。實際上，GPU在僅僅三年內便將深度神經網絡 (DNN) 的訓練速度提高了50倍（這一速度遠遠超過摩爾定律），預計未來幾年還將再提高 10 倍。

穀歌AlphaGo大勝韓國圍棋棋手李世石，其中就使用了NVIDIA的GPU產品。單機版的AlphaGo使用了40個線程、48個CPU和8個GPU。分布式版的AlphaGo使用了40個線程、1202個CPU和176個GPU。

為了進行深度學習的部署，NVIDIA的策略有三步：第一步是建立深度學習生態圈，和科學家共同進行深度學習技術的研究；第二步是在不同的平台上進行深度學習部署，包括汽車、電腦、智能機器人、服務器等；第三步則是提供端對端的解決方案。這種方式的好處是，英偉達可以在不同平台上讓這套算法去進行學習並共享知識，而且未來這套深度學習算法的應用，很有可能並不止於自動駕駛的汽車上，在物聯網上也會提供解決方案。

除了提供GPU硬件產品，NVIDIA也一直致力於開發深度學習軟件、庫和工具。為訓練諸如圖像、筆跡和聲音識別等應用程序並加快訓練速度，目前的深度學習解決方案幾乎完全依賴 NVIDIA GPU 加速計算。NVIDIA提供了一個端到端人工智能計算平台——從GPU到深度學習軟件和算法。

各大公司的深度學習軟件框架，都是基於NVIDIA GPU平台

NVIDIA提供了用於設計和部署GPU加速的深度學習軟件TDK——cuDNN，它加速了大多數深度學習軟件框架（如 Caffe、Caffe2、TensorFlow, Theano, Torch、CNTK），讓工程師專注於訓練神經網絡和開發軟件應用程序，而不用花時間進行底層的GPU性能調優。NVIDIA GPU深度學習係統得到了迅速的擴展，突破性地在人工智能——搜索、識別、推薦、翻譯等方式中應用。阿裏巴巴、亞馬遜、IBM、微軟的全球最大的公司普遍使用NVIDIA的GPU深度學習平台提供服務。

人工智能超級計算機DGX-1

NVIDIA在2016年底，推出了首款人工智能超級計算機DGX-1，這是一款即插即用的計算設備。它的計算性能相當於一個含有250個節點的高性能計算集群，可將網絡訓練用時從數周縮短至幾天。這些設備已經成為阿裏巴巴、亞馬遜、穀歌、IBM、微軟、SAP等企業的人工智能的大腦。同時，NVIDIA還開發了諸如DRIVE PX2、Jetson TX1等小型人工智能係統，使之成為無人駕駛汽車、智能機器人、智能物聯網的大腦，使得機器人能夠通過反複試驗進行自我學習。

奧迪使用NVIDIA自動駕駛係統在極端天氣下的測試

上一段我們提到，NVIDIA發揮自己在芯片和圖形領域的處理能力，設計出適合於手機、平板電腦等移動設備的Tegra芯片，並使用在汽車導航、多媒體娛樂係統中。2014年初，世界上采用NVIDIA處理器的汽車已經超過450萬輛，涉及20多個品牌、100多款車型，其中包括奧迪、寶馬、大眾等車企巨頭，也包括特斯拉這種車界新貴。隨後，NVIDIA開發出基於GPU設計的DRIVE PX汽車自動駕駛係統，並和特斯拉、奧迪等汽車品牌進行合作。醫療和自動駕駛成為NVIDIA人工智能應用最廣泛的領域。

NVIDIA現有產品布局

GPU一開始是實現人類想象力的工具，打造出了3D遊戲與好萊塢影片的虛擬世界。現在，NVIDIA的GPU通過運行深度學習算法，模擬人類智能，成為能夠認知與理解世界的智能大腦。2016年，NVIDIA密集發布了全線人工智能GPU芯片、係統、軟件和服務。自此，NVIDIA從“遊戲芯片公司”轉型為“人工智能計算公司”。

在2017年5月的第八屆GTC大會上，NVIDIA CEO黃仁勳發布了世界上最先進的人工智能計算架構Volta。黃仁勳在會上說道：“性能的長足進展吸引了各個行業的創新者，過去一年，GPU驅動的人工智能服務創業公司數量增加了4倍多，達到1300家。深度學習是各大科技公司的戰略重點。它越來越多地滲透到基礎構架、工具、產品製造等各個方麵。我們與各個架構製造商傾力合作，力求性能盡善盡美。通過優化GPU的每個架構，我們可以將訓練一個模型所需的數百次迭代縮短至數小時或數天，從而提高工程師的工作效率。”

在人工智能領域，NVIDIA GPU的大量應用使其風光一時無二。

在醫療保健方麵，醫生將利用人工智能盡早檢測疾病，了解人類基因組，治療癌症，或者從大量醫療數據和研究中進行學習，提供最佳的治療建議。負責NVIDIA醫療健康領域的Kimberly Powell在公開場合表示：“NVIDIA正和醫療領域研究人員探究人工智能在醫療方麵的可能性，未來幾年會擴大人工智能在醫療方麵的應用。”

Kimberly Powell說道：“機器深度學習技術已經應用到醫療圖像和大量的數據處理方麵了，人工智能將會在醫療領域發揮更多作用，比如預測癌症，通過深度學習預測病人風險並提供解決方案。另外，在NVIDIA也將人工智能應用到發現新藥物方麵。”

除了強調在醫療領域的進一步應用，NVIDIA在2016年 GTC大會上就與麻省總醫院臨床數據科學中心達成合作，NVIDIA憑借其技術，利用中心100億份醫學影像，進行深度學習訓練開發，用於疾病的檢測、診斷、治療等場景。同年11月，NVIDIA與美國國家癌症研究所、美國能源部合作啟動“癌症探月”(Cancer Moonshot)項目，旨在開發出一套加速癌症研究的人工智能框架。這個新框架被叫做“癌症分布式學習環境”，簡稱CANDLE。

黃仁勳表示：“GPU深度學習給我們提供了一款應對重大挑戰的全新工具，到目前為止，即使是最強大的超級計算機，在癌症研究方麵也難以應對。通過與美國癌症研究所和能源部的合作，我們打造出了這款專門用於癌症研究的人工智能超級計算平台。”

在通用計算時代，NVIDIA產品大多數是應用在生物醫學的科研領域，用於基礎研究，加速各種擁有大量數據的科研計算。同樣，在人工智能時代，仍然有相當多的基礎研究在高等院校或大型醫院裏麵進行。比如斯坦福大學、麻省理工大學、北德克薩斯大學、西奈山醫院等機構就曝光過基於NVIDIA平台的人工智能醫療項目，用於皮膚病、腫瘤等疾病的診療。

德國弗勞恩霍夫醫學圖像計算學院

德國弗勞恩霍夫醫學圖像計算學院的研究人員正在利用GPU和深度學習提高癌症診斷的準確性。通過人工智能圖像分析，醫生們可以更好地減少誤報，避免不必要治療，同時提高發現潛在新腫瘤的可能性。

弗勞恩霍夫醫學圖像計算學院的研究科學家Markus Harz表示：“我們認為早期發現是治療的關鍵。當算法檢測出圖像存在異常後，如何正確地處診斷些異常，就成為了下一個挑戰。”幾年前，Harz及其研究同事們還在依賴今天仍然普遍采用的傳統式“特征工程”診斷法。研究人員對計算機進行編程，使其能夠檢測圖像特征，然後通過線性回歸或隨機森林等算法對圖像數據進行分類。然而，研究團隊利用深度學習實施的第一項實驗就表明，它可以解決極具挑戰性的問題，包括探檢位置及識別器官和異常的輪廓。

梅奧診所（Mayo Clinic）

梅奧診所的神經係放射學家Bradley Erickson博士則借助人工智能的力量，利用磁共振成像預測腦腫瘤基因組。

Erickson博士的這種方法能夠讓醫生更加輕鬆地訪問寶貴的基因信息，以便於預測腫瘤的增生速度，以及腫瘤是否會對特定藥物及其它治療方法產生反應。

在一組實驗中，研究人員識別出了幹擾DNA修複的多形性成膠質細胞瘤——一種最常見且致命的腦腫瘤——幹擾細胞修複。Erickson博士認為，相比僅采取放療一種手段，放化療綜合方案對於這種MGMT基因發生突變（甲基化作用）的癌症療效更好。如果腫瘤尚未發生變異，那麼醫生就可以選擇副作用較小的治療方法。

Erickson博士的團隊利用基因已突變和未突變的腫瘤磁共振成像訓練神經網絡。為此，他們采用了CUDA並行計算平台以及一係列搭載cuDNN的NVIDIA GPU，同時還通過Tesla P40 GPU加速器及其它GPU部署其算法。梅奧診所因利用人工智能通過核磁共振成像手段對某些腦瘤突變進行早期識別的研究成果，而被授予NVIDIA 2017年全球影響力大獎。

馬裏蘭大學

馬裏蘭大學高等計算機研究所的研究人員創造了BEAGLE，為觀察進化的演變提供了一種革命性方法，並且因此被授予NVIDIA 2017年全球影響力大獎。

BEAGLE是一個開源數據庫和API，可以使用NVIDIA的GPU快速切割數據，通過對特定模型的精準計算，來加速對諸如DNA等生物序列數據的分析。BEAGLE的全名是廣義平台進化分析可能性求值程序，被研究艾滋病、流感和埃博拉致病病毒等生物進化史的科學家廣泛采用，現在已成為軟件工作流程的一個重要組成部分。

亞利桑那州菲尼克斯轉譯基因組學研究院

研究院的Kim和他團隊的研究可以帶來癌症的精準治療，比如針對病人腫瘤的某些細胞進行治療。為此，他們創造了一個GPU加速的數據分析工具，讓他們可以詳細地測試出癌細胞的DNA如何控製蛋白生成，同時測試這些蛋白相互之間，以及與其他分子之間如何發生作用。通過使用這項工具，研究人員可以找到同一個腫瘤中不同細胞群之間的差異。

這項研究，意味著未來可以為癌症患者帶來個性化的治療，通過使用不同的藥物治療腫瘤的不同部分。

北德克薩斯大學

北德克薩斯大學的Andres Cisneros和他的團隊集合了美國國立衛生研究院的大量數據，來尋找與癌症有關的DNA修複蛋白變異。

找到這些變異後，研究人員通過GPU加速的電腦模擬去找出這些變異如何改變DNA修複蛋白和其功能。Cisneros說“如果我們知道有變異影響這些蛋白，且與癌症有關，研究人員可以用這些信息修複這些蛋白，或是使用藥物或是其他療法治病。”

Cisneros更大的目標是找到更多能表明特定類型的癌症高危跡象的生物標記。該團隊已經找到與幾種癌症有關的變異，包括非裔美國人的前列腺癌的生物標記。

除了基礎研究之外，不少初創公司已經將其基於NVIDIA平台所研發的人工智能項目完成商業化，我們選取了部分人工智能醫療保健初創公司進行介紹。

北京推想科技有限公司（醫療影像AI公司）

北京推想科技有限公司是一家智能高科技專業大數據公司，長期從事人工智能、深度學習、圖像識別、醫療影像等領域的前沿應用。推想將人工智能引入醫學影像的診斷之中，使其能在複雜疾病的檢查和判斷領域提供獨特的解決方案。目前，推想與武漢同濟醫院等頂尖三甲醫院展開戰略合作，開發新一代人工智能輔助篩查係統。

推想的解決方案在圖像類別和診斷部位的應用範圍非常廣泛，如超聲、CT、MRI，或者胸腔、腹部、關節等。推想科技的深度學習解決方案，不僅可以在1秒內掃描250個CT層麵，讓醫生實時得到結果；準確率也能接近主治醫生的水平。總體來說，推想科技能夠解決的病種數量、準確度、運算時間、效率等得到大幅提升。

Genetesis（心髒病檢測AI公司）

來自辛辛那提的Genetesis公司正在進行CardioFlux的臨床試驗，使用深度學習、傳感器和物理學來正確診斷胸痛。CardioFlux是一種非侵入性生物磁共振成像係統，能夠測量胸部的弱磁場。它由GPU提供人工智能加速支持，在短短90秒內就能生成心電情況的3D地圖，為醫生提供快速且準確地診斷動脈阻塞並確定其位置的方法。

CardioFlux為醫師提供3-D繪圖工具，以了解每個患者的潛在心電活動，可用於診斷、表征和指導治療各種心髒疾病，包括心肌缺血、心房顫動、室性心動過速和各種其他心髒病心律失常。

Bay Labs（便攜超聲波掃描儀）

Bay Labs通過訓練GPU加速深度學習軟件識別超聲圖像，能夠更加輕鬆地對掃描結果進行解讀分析。該公司表示，它的解決方案是常規方案速度的20倍，並且它的成本是現在的八分之一。它將成本從400美元降低到每次掃描50美元，並且每年可以掃描五倍以上的患者。

Bay Labs最開始是一家軟件公司，開發了一款使用深度學習診斷風濕性心髒病的軟件，配合超聲設備進行快速診斷，獲得有價值的醫學結果。而現在Bay Labs也參與到超聲設備的研發中，通過打造價格合理的便攜式超聲波掃描儀，以及人工智能技術來輔助全科醫生進行心髒病的快速診斷。

Athelas（人工智能血液檢測）

位於舊金山的Athelas公司打造了一款便攜式血液檢查設備。該設備能夠讓用戶隨時隨地測量自身白細胞計數。該機器采用了深度學習和機器視覺，該技術使用GPU來快速分析血細胞並產生診斷報告。隻需通過幾滴血，就能在在幾分鍾之內識別白血病、感染、炎症等。 這款設備的售價為250美元，單個試條售價10美元。這一技術已符合510k Class 1的標準，目前已經可供診所和家庭用戶使用。

Lunit（乳腺癌檢測AI公司）

Lunit 總部設在首爾，正在使用3D成像和深度學習技術，對乳腺進行檢測。在美國，每年將花了100億美元進行乳腺癌檢測。其CEO Anthony Paek表示，在篩查測試中，大約有20％的肺癌和乳腺癌被遺漏。而醫生使用Lunit的技術，將其正確診斷率從80%提高到83%。此外在一次測試中，Lunit已經擊敗來自IBM和Microsoft等其他公司的團隊。

Lunit準備數據，訓練其神經網絡，然後通過提供反饋以改善檢測。Paek表示，業務也可以擴大到其他醫療領域，來檢測其他類型的癌症。

Insilico Medicine（藥物研發AI公司）

Insilico醫藥公司成立於2014年1月，位於巴爾的摩，正在通過人工智能技術來進行藥物研發、生物標誌物開發和老化研究。CEO Alexander Zhavoronkov表示，Insilico Medicine公司想提升每個人的生命周期質量（Quality Life-Adjusted Year, QALY）。目前，每提升一個單位QALY，將花費6萬美元。而這將由新藥物的研發所實現。

Zhavoronkov表示，Insilico Medicine的深度學習技術運行在NVIDIA的GPU上，它可以用生物標誌物來衡量一個人的年齡。該公司有數千種“引線”或治療疾病的分子模型，他們通過在生物體模型中驗證來提煉相應藥物。

SigTuple（醫療數字化AI公司）

SigTuple是一家創辦於“亞洲矽穀”印度班加羅爾的科技型創業公司。該公司可以通過使用AI來分析視覺醫學數據，並通過遠程診斷血液、尿液和精液測試來擴大服務規模。

SigTuple打造的人工智能平台叫Manthana，它能夠通過在對已有的醫療數據的學習中，構建出一套算法。在該算法的基礎上，對可視化的醫學影像進行分析，從而快速得出結論，協助醫生進行診斷。該公司創建了一種名為Shonit的設備，它可以獲得血液測試結果並對其進行數字化。它的目標是利用人工智能中的機器學習技術，為醫院提供精準安全、及時、高效的血液篩查方案。

更多互聯網醫療資訊請關注動脈網wechat：vcbeat，關注後，公眾號後台回複關鍵詞（如：人工智能、基因檢測），即可獲得相關獨家前沿資訊文章！

動脈網（vcbeat.net），關注互聯網醫療及健康領域的新技術、創業和投資，以及新技術背後的倫理