医疗大模型决胜关键在于铸就重剑

3月，华&为一纸成立医疗卫生军团的公告，直接点燃了AI医疗板块的热情。从2023年开始的那场“大模型+医疗”竞赛，又被推到了一个新的高度。

目前，覆盖生命科学全领域、医学诊疗全流程的大模型已经超过百个，科技巨头BTAH（百度、腾讯、阿里、华&为）、AI独角兽（科大讯飞、商汤、零一万物等）几乎全员到场。场面热闹，但问题是——井喷式的医疗大模型和AI应用，并不是每一个都有长期价值，更不必然能让医院和患者买单。

回看智慧医疗的发展史，会发现AI医疗的真正挑战在于场景之深。Watson医生曾号称能治疗所有癌症，结果不达预期，黯然退场；Google Health以顶尖AI算法切入诊疗环节，却因商业背景被患者天然抗拒；机器学习时代的小模型，做AI辅助医学影像，需要一个个专科、一张张图像做标注，成本高收益低，最终也难成气候。如今ChatGPT掀起的大模型热潮，数据孤岛、算力成本、伦理红线——每一个问题都是拦路虎。

医疗的壁垒深厚，不是靠一两项技术就能穿透的。只有系统性思维和系统工程，才能完成从通用到专用的转变，让大模型真正融入医疗业务流程，解决核心业务问题。所以，大模型厂商的决胜点，在于能不能筑起一把穿透场景的重剑。

医疗全场景，皆有大模型

根据国家卫健委发布的《卫生健康行业人工智能应用场景参考指引》，目前已有84个人工智能应用场景。单从医疗场景来看，大模型已经全面渗透院前、院中、院后的全链条。

院前阶段，AI诊疗助手主打实时语音问答、智能分诊、健康教育、疾病预防科普。

院中阶段，大模型成为贯穿临床诊疗全流程的智能中枢。入院时，它能够高效完成入院记录生成、检查项目推荐、电子病历自动纠错、手术计划初稿等文书工作。诊断时，传统方式高度依赖医院级别、设备条件、医生经验职称和耐心——这些因素都会影响疾病判断和肿瘤检出率。AI大模型辅助诊疗、AI病理影像，正是减少这些不良影响的关键武器。治疗或手术期间，大模型能够全面掌握患者病史信息，为医生提供关键参考，提升诊疗效果。

院后阶段，关怀性随访能够增强患者依从性，改善预后效果，降低自行停药风险。但医生少、时间精力有限，大多数患者很难获得及时随访和连续性健康服务。基于大模型的智能随访系统，则可以结合患者全面诊疗信息，实时高效地进行随访，记录反应，并对停药、复发等风险提前干预。

横着看，大模型在医疗场景中已是遍地开花。但竖着看，不同细分场景的深度差异其实很大。

比如院前、院后的AI问答，容错率相对高，研发难度低，通过DeepSeek、文心、盘古、混元等基础大模型结合医疗场景专用数据微调即可上线。这也是竞争最拥挤的板块——几乎所有科技巨头BATH、运营商、AI医疗服务商和医院都推出了相关服务。

而诊中阶段，大模型作为智能中枢辅助诊疗，需要打破传统医疗信息化的数据烟囱，提供可靠可信的专科意见。容错率极低，开发难度大、耗时长，需要多部门配合、专有隐私数据训练，尤其依赖医院、大模型厂商和第三方服务商的深度互信。

可见，发布并上线一个医疗大模型并不难。浅层应用是一片红海，很难脱颖而出；深度整合进医疗业务，又要跨越医院和科技巨头们壁垒森严的地盘，更不容易。那么问题来了——既然商业模式尚不清晰，为什么医疗大模型仍然迎来爆发，吸引各方巨头争相抢滩？

多年探索，仍未穿透：医疗场景给AI设下的壁垒

从AI诞生以来，医疗就被视为AI落地的高价值场景。既然医疗行业对AI并不陌生，为什么大模型到来会掀起一阵狂欢？答案需要回到历史中寻找。

按技术代际划分，AI医疗有两个重要阶段。一是以Watson健康为代表的专家系统，当时大量医院希望将专家系统和知识计算应用于临床。结果呢？大量机构退出合作，Watson被低价出售，一代传奇就此落幕。

另一个阶段是2015年左右的互联网时代。医疗行业电子化、信息化初步完成，京东、阿里、腾讯、百度等互联网巨头纷纷布局医疗健康。但当时AI当客服都是“人工智障”，计算机视觉技术一枝独秀，AI辅助医学影像系统如腾讯觅影，撑起了AI医疗的概念。到了大模型时代，ChatGPT问世后涌现出一百多个大模型。发力大模型+医疗的AI独角兽，业务进展缓慢，盈利周期较长。

既然方向是对的，为什么多年久攻不下？核心问题就在这里：医疗场景的深度，仅靠AI技术是无法独自穿透的。

除了行业大模型普遍面临的数据稀缺、项目开发难度大、人才要求高、开发周期不可控等问题，医疗场景还有几个独特的壁垒：

首先是信任壁垒，数据难共享。国家推广多中心研发，打消了“不敢共享”的顾虑。但数据共享出去后，不同质量的模型贡献不同，不同数据产生的价值如何合理分配？缺乏有效的机制牵引。

其次是技术壁垒，达不到临床要求。AI算法达到85%的表现就可以发论文了，但要落地临床场景，往往需要95%、99%以上的水平。很多榜单上表现优秀的大模型，现实中却陷入“叫好不叫座”的困境。谷歌的医疗大模型Med-PaLM回答评分高达92.6%，与人类临床医生相当。但谷歌首席健康官Karen DeSalvoy审慎地提醒：“不希望大家认为，仅靠一个AIGC大模型，就能治愈所有的健康问题和疾病。”

再者是专业壁垒——做AI的不懂医疗场景需求。一位智慧医疗领域的从业者直言：客户不关心你采用什么技术路线，只关心你能不能提供满足需求的产品和服务。很多痛点，是大模型厂商在办公室里想象不到的。

举个例子。一位泌尿外科医生在腹腔镜操作中会产生大量烟雾，希望用AI算法对图像进行去雾，且要求极高的实时性。模型必须部署在本地，而本地模型对端侧算力要求较高；如果调用云端服务器，网络时延必须控制在几毫秒。一个看似简单的场景，就需要配套的网络、端侧设备协同才能完成。

所以说，仅靠一个医疗大模型，没有配套的系统支持，连一个腹腔镜图像去雾的小场景都做不好。大模型赋能医疗，方向和案例都不缺，但商业成功始终在迷雾之中。

穿透场景，医疗大模型需铸重剑

DeepSeek的开源策略，大大降低了医疗机构和中小企业部署大模型的成本；DeepSeek+国产推理芯片（如昇腾、昆仑、寒武纪）的适配，也降低了算力门槛。这些都在推动医疗大模型在医院的普及，医疗AI应用开始步入“平权时代”。

但必须看到——壁垒高企的医疗场景，不是引入DeepSeek和大模型就万事大吉。依赖接入API等浅层结合、脚不沾泥的方式行不通，大模型厂商需要铸重剑。

目前，医疗大模型领域出现了两把“重剑”：

第一把剑叫“结盟”。医院、大模型厂商、医疗信息化服务商、ISV、数据服务商等，通过产业链互信与合作，打造符合专科需求的专业大模型。比如迈瑞医疗和腾讯联合开发的重症医疗大模型，华&为与上海瑞金医院合作开发的RuiPath（瑞智），复旦大学附属中山医院联合上海科学智能研究院共同研发的观心大模型CardioMind。湘雅医院没有直接引入DeepSeek，而是选择与AI+医疗公司医渡科技合作，由后者搭建由DeepSeek、医渡大模型等多个大模型组成的AI中台。

第二把剑叫“聚焦”。部分模厂通过内部资源整合，推动大模型与医疗深度结合。百川智能已经调整业务线，将资源集中到医疗领域。华&为更是组建医疗卫生军团，整合多个部门的技术能力，将内部方案与外部痛点精准匹配，聚焦构建AI辅助诊断解决方案体系。这种军团模式，正是精准切入医疗场景的一柄利刃。

归根结底，AI与医疗可能是本世纪最伟大的相遇，但这场邂逅不可能仓促完成。医疗与大模型的结合，需要场景化、系统级的思维，用技术聚合的综合解决方案，在系统、流程、制度等方方面面给予支持。能够铸起重剑的大模型厂商，未来将在医疗数智化浪潮中获得更大的机会。