現有的AI技術還沒有，因為目前的AI研究更集中在應用層面，雖然百度，阿里達摩院正在做神經晶片以及類腦的研究，有了一定的成就，但是在醫療領域的研究目前還沒有特別大的圖片，隨著時間的推移，底層和核心層庫的建立，AI在醫療領域的應用將大有可為，大資料+AI技術透過資料運算應該能夠很快的找到源頭，這一天一定很快就到來！

比如：1月24日，北京大學工學院教授朱懷球團隊在bioRxiv預印版平臺發表《深度學習演算法預測新型冠狀病毒的宿主和感染性》一文中指出，蝙蝠和水貂可能是新型冠狀病毒的兩個潛在宿主，水貂可能是中間宿主。

深度學習的本質，是一個複雜的AI學習演算法。目前，深度學習應用最為廣泛的是在計算機視覺以及語言識別領域。其中計算機視覺技術在醫療領域也有一定的應用，如醫學影像的識別。

不過，深度學習在醫療領域的應用也面臨現實應用的侷限性，其中之一就是分析過程缺乏解釋性。實際上，深度學習本質上也是統計學習的一種，透過對已知資料的彙總和檢索，以演算法的最佳化達到某種結果的預測。

也就是說，深度學習演算法得出的結果是機率學上對現有資料條件下的結果預測，並不能給出“解題過程”只能給出結果。這也使得不可避免的出現一定的現實結果偏差。

以此次新型冠狀病毒宿主研究為例，在VHP模型計算給出結果後，篩選的病毒宿主包括犬、豬、貂、龜和貓，仍需要研究人員對比分析後得出進一步的結論：水貂的病毒的傳染性模式更接近新型冠狀病毒。

AI技術可以在尋找新型病毒源頭的工作中，發揮相應的作用。

尋找病毒源頭，需要分析病毒的分子結構特徵，然後再透過這些特徵，對可能的源頭病毒進行匹配。這涉及到大量的運算和模式匹配。

首先，已知病毒的資料庫在不斷擴充，如何最佳化資料庫的儲存、查詢和匹配效率，AI技術有用武之地。

其次，如何加快新型病毒的分子結構特徵分析，AI技術也能派上用場。

最後，如果能有效利用大眾提供的大資料資訊幫助分析病毒源頭，比如說最初感染病毒的人，牲畜、禽類等等是誰？而他們又和哪些可能的治病生物有過接觸？AI技術在對這些大資料的分析上，比較有優勢。