本文来自微信公众号：甲子光年（ID：jazzyear），采访：杨杨、张核，作者：张核，图表：王泽华，原文标题：《9个月4家公司IPO，影像AI要打突围赛了？ | 不止IPO》，头图来自：视觉中国
“我们这儿最近挺热闹，”郭娜用手指在空中画了条波浪线，“这个行业这几年一直在上上下下，最近又在‘顶’上了。”
作为汇医慧影的联合创始人兼COO，郭娜是AI医疗影像赛道最早的入局者之一。她感受到的这一次行业“升温”是由于“影像AI第一股”的争夺战在2021年正式打响：瞄准眼底造影分析的鹰瞳科技在年初提交了IPO申请并已通过聆讯，以“肺结节”影像分析切入赛道的推想医疗，率先推出“数字心、数字肺”的数坤科技也先后于8月、9月在港股递交招股书。
CT、核磁共振、脑电图、心电图这些人人都熟悉的检查环节，正在被AI重塑。现在患者去医院检查“拍完片子”，根据“片子”给出判断结果的，可能已经是AI而非医生了。
尽管有多家企业同时冲击IPO，对于AI医疗影像来说，不看好的声音也从未停止。对比其他AI赛道，虽然在寻找落地场景方面少走了一些弯路，但“盈利难”的利剑还是始终悬在企业和行业头顶。从已经公开的招股书中来看，2021年上半年，四家之中收入最高的数坤科技营收5262万元，但同期净亏损已达8742万元。与此同时，国外大厂折戟的声音不断，Google Health成立不到三年即宣告解散、IBM Watson Health成立六年后仍未盈利。
2018年，北极光投资的创始人邓锋曾在“第二届中国医疗健康产业投资50人论坛年会”上向推想科技的创始人陈宽提了两个问题：第一，AI医疗领域的壁垒到底有多高？如果新出一个团队，几个人花三个月下来就和你差不多，这个是不是壁垒就不是这么高呢？第二，这个产品的商业模式到底是什么样的？
走到扎堆上市的阶段，“企业的核心壁垒究竟在哪儿”这个问题再次被提起。从结果来看，现在的AI影像企业在市场占比上没有拉开明显优势，技术水平方面，十九张三类证的“分配”也很平均，产品解决的问题也大多都尚且停留在“提效”层面，总体上还并没有出现绝对的“领头羊”，商业模式也尚不明晰。
但可以给出明确回答的是，影像AI产品是无法由“几个人花三个月”完成的，挡在这其中的壁垒——数据、算法、人力，都需要大量的资金支持和时间投入。目前进入这个赛道的投资机构包括红杉、高瓴、启明、高盛等明星机构，持续获得资本支持的公司也确实“跑得更快”：数坤科技成立四年，融资金额超20亿；科亚医疗2020年更是连融五轮，已披露融资金额超7.5亿元。
二级市场的反应如何？易凯资本执行董事沈煜霄认为企业纷纷申报IPO对行业来说是件好事。但也有人有不同意见，“一家公司左一个2个亿的研发投入、右一个2个亿的产品成本，但是收入却只有2000万”，市场会不会认？
甲子光年通过多方采访及拆解四份已公开的招股书，得出以下结论：
国内医疗资源失衡，AI进医院是必然趋势。
影像AI会在不同场景发挥不同功能：在三甲医院作为提高效率的工具、在基层成为辅助诊断的“助理医生”。
数据能力是AI医疗影像企业的核心能力。
医疗影像AI的商业模式尚不明晰，距离进医保还隔着千山路。
多家企业启动上市不意味着行业成熟，企业间甚至还不会在市场上直接碰面；选择上市的首要原因是研发端需要持续投入。
昨日重现？
郭娜总忍不住提醒，AI医疗影像并不是今天才火的。
“当年我们这个‘小赛道’里，光做肺结节的就曾经有过两百家企业，”郭娜回忆起2017年的“盛景”，强调说，“两百家，你敢信么？”
2017年是AI医疗影像迅速攀上的第一个“峰点”，点燃引擎的是当时市场对AI的过热情绪。
2016年6月，在人人都知道AI会下棋之后三个月，IBM就推出了Watson Health医学影像协作计划，希望AI能通过对影像结果的精密分析来提高临床诊断的效率和准确度。这种需求在国内也同样存在，而且痛点更深、需求更切。国外的放射科医生可能每天只需要看10位病人的影像结果，但国内三甲医院的医生，往往一天平均需要看近200位患者的影像结果。
这里面的原因是，中国的基层患者们都会跋山涉水、从县城去大城市看病。而他们这么做的原因，是他们所在的县城医院里，鲜有高水平的读片大夫。要培养一个高水平的放射科医生，需要八年、十年甚至更长的时间。这就造成中心城市、三甲医院的医生超负荷工作。
有什么办法能让患者在家门口也能享受优质的医疗资源？医改推行的“分级诊疗制度”，就是为了解决这一问题。人们已经为此尝试了很多种方法，比如“远程会诊”。但是，“远程会诊”的问诊流程还是由三甲医院的医生来完成，医疗资源并没有因此而增加，好医生的工作负荷却不减反增。
安德医智BioMind董事长梁伟民指出，问题的关键“还是在于怎么快速提升基层医院的诊疗水平”。2017年，几个AI出身的年轻人找到学医出身的梁伟民，说他们想“改善中国的医疗资源结构”。梁伟民将自己关在家里研究了一星期后得出结论，“AI很可能是医疗资源不均衡的解决办法”，于是决定投资并加入安德医智BioMind。如果将AI训练到具备专家医生的水平，再让AI进基层医院，让县城的患者也能看上三甲医院的大专家，那基层患者看病难、三甲医院超负荷的问题就能得到有效解决。
这样的热血故事也曾经点燃了资本的热情。根据IT桔子数据，2018年，AI医疗赛道融资总额超百亿元人民币，融资事件近百起。政策也一直是助推行业发展的重要因素，2016年的“十三五规划”中就已经提出要推进人工智能技术、开展医学大数据分析和机器学习的技术研究，重点支持机器智能辅助诊断。2021年推出的“十四五规划”中，人工智能被划入“新基建”范畴，智慧医疗被列为重点试点领域。新冠疫情催生的数字化浪潮，更是将AI医疗推上峰顶。
市场也因此一度非常热闹，尤其是一些三甲医院的影像科里，很快摆上了各式各样的AI影像服务器。但当AI公司争先恐后将“半成品”安装进医生的电脑里时，准确度不高让AI成了“鸡肋”。全景医学影像集团的科研管理中心总监高欣博士回忆说，刚开始用的时候，AI的准确度普遍只有50%到60%。尽管有AI，“医生自己还得再看一遍”，而且还是几款产品对比着看。
除了准确度，高欣还格外看重AI公司对于数据处理的专业度与规范度。随着使用时间越来越长，大部分服务器又被搬走，高欣电脑里的AI分析软件也一个一个被卸载，最终留下来的那个，是他认为“数据做得最好的”。
一些公司试图通过免费策略来抢占市场，但是并没用。资本的大举进入没能“催熟”AI，行业热度在快速登顶后、又更快速地俯冲下滑。在这一次的一上一下之间，那“两百家”挤进来的公司中的一大批归于沉寂。
“太着急。”郭娜说起过去几年的行业发展时总是提到这个词。在她看来，AI走进基层去辅助诊疗的方向和逻辑都是正确的，但这件事情“需要时间”。
上瘾与鸡肋
“有点上瘾。”高欣说，使用过AI产品的医生，大概率会迷上这个技术。
“没有AI之前，写一份肺部的阅片报告需要五分钟，现在AI自动生成，只需要两秒。”在高欣看来，AI将医生从重复、机械性的工作中解放出来，尤其为需要负责撰写大量报告的住院医师提高了工作效率，医生的精力可以得到更好的分配。从2017年到2020年，一些AI产品的准确度从60%左右逐渐提高至90%。
让医生“上瘾”的不仅只是AI能快速生成报告，更重要的还是AI快速阅片、降低漏诊误诊率的能力。每个患者的肺部的CT检测造影结果有300多层，医生需要逐层检查、排查病灶，平均一天需要看100到200位病患的造影结果。可想而知，不仅负担极大，也存在一定漏诊的可能。他们确实需要AI能来帮忙减轻负担，更精确地指出病灶位置及大小。
在放射科医生稀缺的基层医院，对有阅片能力的AI需求更迫切，但是由于基层医院本身技术水平受限，AI的落地使用成了难题。基层医院所缺少的，是根据影像结果做出诊断、给出治疗方案的医生。如果AI还没有和三甲医院医生同样的阅片水平，并没有解决基层医院医生稀缺的核心矛盾。
如同高欣，在中心城市或三甲医院的医生们，更倾向于认为AI医疗影像未来的作用，“提效”的可能性大于做辅助诊断。能做到辅助诊断的AI，开发难度一定更大，需要的时间更长，要取得临床医生的信任也更难。高欣就认为，现阶段的AI产品，都只能起到“提高效率”的作用，还不可能直接帮助医生做诊断，AI是无法取代医生的。
但提高医生的效率，是不是AI的终极价值？梁伟民认为，AI存在的意义并不仅仅是帮助放射科的大夫减轻工作量，而是要更多地服务于临床。“给医生提供更多有价值的信息”。如同放射科在医院里的存在一样，AI的价值最终也应该是为临床服务，为临床医生赋能，造福更多的病人。
为临床诊断提供辅助决策，在治疗难度更大的病种时价值更大。一个脑卒中患者，发病之后的黄金救助时间只有四到六个小时，就近就医是患者的唯一选择。尽管2018年，相关的临床研究进一步将脑卒中的救治时间窗口从6小时突破至24小时，但医疗资源相对贫乏的地区，脑卒中的救治率还是较低，远远低于北上广。《中国卫生健康统计年鉴》发布的数据显示，2007~2017年间我国农村脑血管病年平均粗死亡率约145/10万，高于城市的124/10万。
相比于静态的肺部CT造影，脑部的核磁共振MRI影像是动态的，环境更加复杂、阅片难度更大，对医生的要求也更高。如果进入基层医院的脑部核磁共振的AI影像产品能做到以量化的形式计算出脑内动脉瘤破裂的位置，并估算后续不同治疗方案所面临的不同风险等级，短时间内给出更准确的病情判断、更优的治疗方案，患者得到治愈的可能性就更高。
相比之下，单一的“提效”工具只能告诉临床医生肿瘤是恶性还是良性，无法进一步给出诊断结果，产品的天花板相对低，价值也有限；而如果AI可以根据检测结果给出治疗建议，例如手术与放疗孰优孰劣，AI产品就从“影像科”走出来，走到了临床阶段。
“这是AI能真正为临床提供价值的地方。”梁伟民说，即AI不仅会是辅助检测的工具，还能成为直接提出治疗方案意见的辅助诊断“医生”。“在医疗体系内，只有做到辅助诊断，产品才能真正走进基层医院。”沈煜霄说。
疫情加速器？
2020年的疫情，又推了AI医疗影像一把，对于肺部造影和分析的强需求将影像AI快速推到了政府、市场和个人的眼前。
据不完全统计，行业内的近30家AI影像企业在3月内有十余款AI产品快速落地于各个省市的多家医院。其中有一直在肺部造影方面深入研究的推想医疗、依图医疗、深睿科技，也有之前一直在颅内发力的安德医智BioMind。“16天，我们的产品就紧急上线了。”梁伟民说，当时就是要“抢时间”。截止到2020年3月中旬，安德医智BioMind共向各新冠定点医院投放了逾140台紧急研发的CT影像新冠肺炎辅助诊断产品。
“进院进程”被疫情按下了加速键，比如依图医疗的产品就迅速落地于武汉、温州、浙江、重庆等多个地区的医院，而在此前，这些医院还不是依图医疗的客户。不过对于AI产品的考核，在疫情得到初步控制后才得以进行。2020年7月，由工信部科技司指导、中国信通院负责执行的“肺炎AI影像辅助诊断产品评测”的结果公布，参评的17家AI公司中，大部分企业产品都能较好地筛查出“是否肺炎”，但在具体对于“是否新冠肺炎”的鉴别诊断上，仅有3家的准确率、灵敏度、特异性在80%以上。
汇医慧影则将产品卖到了海外。除了帮助国内的医生，汇医慧影的产品在疫情期间还部署到了全球近50个国家，地域覆盖拉美、亚太、非洲。AI“进驻”一线后，位于国内的“大后方”，还需要与医院保持密切沟通，不断升级AI能力的同时，随时准备应对一线的各种突发问题。比如当时产品初次进入非洲，就遇到了“老得几乎没见过的设备型号”，医院网络也不稳定。“那也得上，还要保证准确度，那段时间公司是24×7在运转。”郭娜回忆当时的场景。
一开始，汇医慧影向海外输出产品是出于人道主义和责任感，不过却带来了意想不到的收获。“泰国的一些医院还在续约我们的肺部检测产品。在疫情期间建立联系的厄瓜多尔、哥伦比亚这些地区也在购进我们的骨折检测产品。”
“出海”是疫情为AI影像赛道砸下的新机遇。2020年以来，国内的AI影像企业都在积极进行海外认证，先后有多家企业在日本、美国、欧盟取得产品认证，在疫情期间也有多款AI产品在海外医院上线。但沈煜霄认为，产品能不能进入海外，要看产品适用的场景在海外是否存在。比如针对肺结节的筛查，海外的医疗机构较少像中国的三甲医院这样大体量、满负荷，所以基于提升效率开发的产品在海外的应用场景就较弱。
郭娜告诉甲子光年，因为地区之间医疗水平的不同，医疗系统之间有一条“鄙视链”，欧盟、美国等地区处于金字塔尖，这些地区的医院会更倾向于用本地的产品。已经取得日、美、欧认证的推想科技，海外收入仅占总收入的2%左右。
三类证破冰
AI医疗影像落地的更大推手，是“三类证”。
2020年1月15日，在农历新年的前一周，科亚医疗率先撞线，其产品冠脉血流储备分数计算软件拿到国内第一张AI医疗器械三类证，紧接着，乐普医疗的心电分析软件也在2月顺利完成审批。有了能“持证上岗”的产品，国内的AI影像赛道稍有回暖。
如何进入医院，此前是AI医疗影像公司的一大难题。即使医生愿意用，AI影像公司也未必能进医院，因为在采买决策流程中，医生群体往往并不掌握话语权。更重要的问题，是AI产品之前没有“准入证”。鹰曈科技首席科学官陈羽中在公开分享中提到，在产品缺乏监管层面的认证、也没有第三方来验证准确度是否达标的阶段，仅仅向医院提供公司自己确认的数据，说服力很弱，“腰杆子不硬”。
2018年8月1日，新版《医疗器械分类目录》正式生效，并首次明确了医疗AI产品划分标准：如果诊断软件对病变部位进行自动识别并提供明确诊断提示，必须按照第三类医疗器械进行临床试验认证管理。“三类证”成了所有公司要集中资源攻克的难关。
为了加速创新性医疗产品的审批进度，国家药监局还开辟了一条绿色通道，将审批流程缩短了起码30天。要能进入这条“创新通道”，企业需要通过专利机构的评审来证明自身产品的“创新性”。2019年，科亚医疗、鹰瞳科技、数坤科技先后进入“创新通道”。
然而，没有成熟的审批标准，审批者和被审批者都是“新手”，企业在这条通道上“通关”所花的时间比想象中更久。这一整年，虽然政策监管方面逐渐明晰，但市场上几乎没有好消息传来。
雪上加霜的是，2019年谷歌的一款眼底影像检测AI落地泰国，但由于AI无法识别泰国诊所光线条件下拍出的照片，有五分之一的检测都直接被系统“拒绝”，不仅没给医生提效，还给诊所带来了更大的负担，增加了患者的时间成本。
由谷歌这种技术能力强悍的大厂所研发的、已经通过美国药监局审批的产品，都无法高效地用于临床，AI影像产品是否只是个听上去高端的“花架子”？市场本来已经在下滑的信心持续下跌。
好在国内三类证的零突破及时挽救了趋于冰点的市场信心。截至2021年9月，共有十九款产品拿到了三类证。根据AI的功能不同，这十九张证可以被大体分为“辅助诊断”“辅助检测”“分诊与评估”三类。其中“辅助诊断”能够直接为医生提供诊断建议，开发难度最大，临床价值也最高；“辅助检测”“分诊与评估”的主要作用是帮助放射科医生提高效率。
但进了医院，不意味着万事大吉了，紧接着的问题就是影像AI在医院该怎么收费？美国的“按使用量收费”的模式是否适用？以及这些费用能不能进医保？尽管有不同的产品和企业都已经在做尝试，但沈煜霄和梁伟民都认为目前中国医疗人工智能企业的商业模式还在摸索阶段。
以进医保为例，“CT、核磁共振的结果对应到针对人体各器官，可能会被用来判定几十种乃至数百种的疾病，如果每个单病种AI都收费，那扫一次排除一个病，费用对于患者太高。”梁伟民认为，无论是对患者、医院还是对医保基金来说，根本问题还是没能解决临床实际问题。
数据争夺战
赛道回暖的同时，一个旧问题又浮出了水面：想在AI医疗影像赛道率先突围，企业需要具备什么核心优势？
2021年5月，谷歌团队发表了一篇名为《Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI》的论文（虎嗅此前曾转载了对此文的介绍文章），文中着重强调了，数据是AI的地基，但却因为被看作是更基础的工作，而通常被忽视其重要性。
“哪有人工智能公司？”郭娜说，早两年，这个行业里都是人工公司。因为医疗影像上的数据标注都得靠人力，“一个一个标。”
让郭娜和团队最“痛苦”的“标数据”的过程，是所有AI公司都需要经历的阶段。“一时半会儿学不会。”自称“完全不懂AI”的梁伟民特别提到，大部分医院并没有留存病人完整的检查视频影像资料。CT、核磁共振都有影像资料，但是能直接拿到的数据量很少，所以短时间内AI的训练量达不到，准确度不可能高。
要让AI学会“阅片”，首先要“喂给”它足够多、足够精准的“教程”，而保证“教程质量”的这个环节，只能靠有专业背景的人力来把数据整理成AI可以理解的结构。从拿到原始数据到把数据变成AI可用的训练集，人力和时间的投入必不可少。汇医慧影当年曾经找了众多专家来制定数据标注的规则，而另一个大房间里坐满了他们请来的有医学专业出身的人，关在房间里标注数据。这并不是孤例。安德医智BioMind的研发团队超过200人，其中仅与天坛医院的合作，就投入了超过80人的人力。
2017年AI医疗影像热潮的兴起，一个推动力是美国国家癌症研究所（National Cancer Institute）发起了开源数据库LIDC-IDRI（The Lung Image Database Consortium），这个数据库收集了1000多例医学图像文件。曾经有人认为，有了开源数据库，那么就可以训练AI了。但是，开源数据库的数据多有残缺，常常是有影像缺病理、有病理缺诊断，根本达不到AI完成训练的要求。
训练AI要哪些原始数据呢？光有影像结果不够，还需要结合病理数据和医生的最终诊断。以肺结节的诊断为例，首先，要在影像结果上看到肿瘤存在；其次，要判断肿瘤大小、是良性还是恶性，这一步就不能只依赖影像结果，还需要病理数据；最后，如果是恶性肿瘤，还得学会判定是哪种癌症。
这也决定了，仅仅和医院的影像科合作也达不到要求，更不用说只是从放射科医生手里拿到一些影像资料。要想获得足够数量的高质量数据，还是要回到医院，与医院建立长期稳定的合作关系。沈煜霄告诉甲子光年，评判AI医疗影像企业的一项重要指标就包括“和哪些医院建立长期合作关系、医院的数据授权模式具体是什么样的”。
这是否意味着和越多医院建立合作关系，AI的水平就越高？答案是，并不是。在保证训练集数量的基础上，数据集是“贵精不贵多”的。
沈煜霄强调，AI医疗影像公司的目标，应该是能和顶级医院建立长期合作关系。因为名师才能出高徒，学生水平的天花板由它的老师的能力决定。神经病学领域权威杂志Neurology在2017年发布的一篇文章显示，急诊科室的脑血管疾病误诊率范围在24%~60%之间。如此大的差距，医生水平的高低是决定性的因素。
但要获取院内数据、让AI能跟着顶尖专家学诊断，企业们眼下还得解决数据安全的问题。我国对于医疗数据的管控一向十分严格，而且未来会越来越严。《数据安全法》于2021年9月1日正式施行，进一步加速了医疗行业数据合规的紧迫性。往后，和单个医生或医院影像科合作的模式是否还走得通？就得打个问号了。不过目前在具体的实施层面，仍有一些模糊地带界定不明，比如作为第三方使用医疗数据是否需要获取患者本人同意？需要通过什么程序获取同意？这也给AI企业带来了一些隐性风险。
如果要争取到和顶级医院的合作，就得保证数据安全。安德医智BioMind的解决方案是“数据不出院”，直接将服务器、研发人员全部打包送进合作医院，所有产品开发的工作都在院内进行。汇医慧影则在已脱敏的数据出院时又加了一道“AI自动脱敏”程序，尽量确保数据的敏感信息不被泄露。
远不到“跑马圈地”期
2016年，推想医疗的创始人陈宽带着团队的三个人在四川省人民医院外租了一间小屋，天天抱着电脑去医院“上班”。“泡在”医院的日子里，他更清晰地看到了放射科医生超负荷“运转”的工作状态：一半以上的放射科医生工作时间在8小时以上，每个医生每天要看100到200例患者的CT结果，其中肺部CT数量最多。
数据多、需求大，对于影像AI的训练、推广都是利好条件，这也是首先选中“肺部检测”的公司数量最多的原因。除了推想医疗，融资分别至C轮、B轮的深睿医疗、联影医疗也先后在2021年取得了三类证。
从细分场景切入赛道，是绝大多数AI影像企业的思路。在陈宽看来，“医疗环节都是细分的”，只做几个细分场景，做深做透、做到世界第一，也一定能够成为千亿市值的企业。
但是眼下，即使是在单一细分场景内，距离“做深做透”也还有很远的距离。取得三类证的几款肺部检测AI，都只能针对单一病种“肺结节”做出判断。而只能判定单一病种的AI在实际的医疗场景中存在不合理性：如果患者去医院看病，大夫肯定是说“去做个CT”，而不是“去看看有没有肺结节”，如果结果是“没有肺结节”，那么阅片流程就还是回到了“老路”，要由医生来完成。
解决这一问题将是推想医疗接下来持续发力的产品方向，根据招股书，推想医疗接下来会由AI肺结节为突破口继续深入，从只判别“是否肺结节”转化为对肺部全方位辅助诊断的“CT肺”。而要通往“千亿市值”，只靠肺部检测产品不够，持续推出针对不同器官的产品也是必走的路线。招股书中的产品进度表披露，推想将进一步把产品线扩展至心、胸、肺、脑等多个部位。
率先拿到“骨折X光辅助检测三类证”的汇医慧影，则从成立初期就更看重产品矩阵的搭建。郭娜特别提到，要想打动医院，就要能根据不同的市场需求从丰富的产品矩阵中拿出适配的产品。比如，在非洲等医疗欠发达地区，医生会需要AI来辅助判定是否骨折；而日本国立肿瘤医院的医生则更需要一个提供AI技术支持的科研平台。
不同于单病种切入，安德医智BioMind的产品思路是以不同医疗设备的应用场景为原点，直接根据扫描结果来判断病种。“要能告诉医生是什么病”，梁伟民强调。安德医智BioMind的产品“颅内肿瘤AI辅助诊断”已经完成了27种颅内肿瘤的⼈⼯智能诊断研发，并拿到了“颅内肿瘤磁共振影像辅助诊断软件”三类证，这是国内首张颅内检测且功能为辅助诊断的AI三类证。
如果肺、脑、心都由不同的AI来完成，那一间放射科检查室内，会不会同时有好几个AI“常驻”？虽然这种情况现在确实存在，但一家医院引入多种影像AI，既不是医院所希望的、也不是企业的愿景。起点虽然不同，但现在的影像AI企业的最终目的都是从一个产品开始，逐渐“包圆”整个医院，用一个AI平台来检测、诊断所有病种。
以“包圆医院”为最终目标，哪种发展思路机会更大？既然都想抢先一步将产品送进医院，是不是企业之间要开始直面竞争了？“根本碰不着”，郭娜说起现在和其他企业的竞争情况，“还早呐，行业才刚刚、刚刚起步。”
对于行业竞争格局，甲子光年的多个采访对象都给出了和郭娜相同的回答。中国的医疗市场极其广阔，以现在的产品来看，做肺部造影的和做脑部造影的就完全“碰不着”。即使是同样做肺部造影，廖廖几家企业要面对的是国内逾万家公立医院以及近两万五千家民营医院。“还远远不到跑马圈地的阶段。”
“外界看我们是上上下下，但我们自己来看是这样的”，郭娜又画出了第二条非常平缓的爬坡轨迹，“行业才刚走出一小段。”AI影像企业的向上攀行才刚刚开启。
本文来自微信公众号：甲子光年（ID：jazzyear），作者：张核