AI醫療，迎來DeepSeek時刻了嗎？

原標題：AI醫療，迎來DeepSeek時刻了嗎？

AI醫療，正站上風口。

2025年8月，國家發佈《關於深入實施「人工智能+」行動的意見》，在「人工智能+」民生福祉方面，文件提到「探索推廣人人可享的高水平居民健康助手，有序推動人工智能在輔助診療、健康管理、醫保服務等場景的應用，大幅提高基層醫療健康服務能力和效率。」

政策發力之外，科技巨頭已加速入局。螞蟻、京東、華為、字節紛紛切入AI醫療賽道，聚焦問診、用藥、健康管理等核心場景。「AI六小虎」中，百川智能與北京兒童醫院合作開發專科AI醫生。

他們共同瞄準的是一個潛力巨大的市場。據諮詢機構弗若斯特沙利文預測，從2023年至2033年，中國AI醫療市場規模將從88億元飆升至3157億元，年複合增長率高達43.1%。放眼全球，世界經濟論壇預計，2032年，全球AI醫療市場規模有望突破4910億美元（約3.5萬億元人民幣）。

熱潮之下，一個核心問題待解：AI醫療，真能破局嗎？

過去，醫改試圖優化資源配置，互聯網醫療則在掛號、諮詢、購藥等環節提升效率。但醫療行業的核心痛點在於優質醫生供給嚴重不足。尤其在基層，缺的不是設備，而是會看病的醫生。

如果AI能夠深入診療核心，成為基層的「智能醫生」，承擔首診、分診、慢病管理等任務，它就不再只是輔助工具，而是放大優質醫療資源的槓桿。

我們將在本篇報告中探討：AI醫療能否真正解決供給難題？AI醫療將如何重塑現有醫療體系？技術之外，AI醫療面臨哪些監管與落地挑戰？

AI醫療，未來的「超級入口」？

在移動互聯網時代，曾經有一個熱門的概念叫作「入口」，也就是整合多服務資源的平臺，比如信息入口、消費入口、支付入口，都是當時巨頭們想要極力爭取的。但在整個互聯網的發展進程中，醫療領域似乎沒有出現一個真正的「入口級」企業。

如今，在AI的加持之下，AI醫療有可能成為一個「超級入口」。為什麼？

首先，醫療是數字化程度極高的行業，數據基礎紮實。AI技術日漸成熟，能夠整合利用已有的數據，拓展醫療領域的智能應用。

其次，醫療決策往往以家庭為單位——上有老、下有小，一個人的健康需求牽動整個家庭。誰能成為這個入口，誰就可能掌握家庭級的服務觸點，商業價值巨大。AI的引入，使得系統性地管理一個家庭的健康成為可能，比如持續追蹤每位成員的健康數據，識別跨代際的遺傳風險。

此外，作為服務業，AI醫療不受地域限制，具備天然的可複製性與出海潛力。

在深入探討AI醫療之前，我們有必要先對醫療行業本身建立一個整體性的認知。畢竟，技術是為解決問題而存在的，理解問題本身，才能看清技術的真正價值。

全球醫療體系里，沒有模範生

對於醫療問題，老百姓用六個字總結得非常精準：看病難、看病貴。這六個字看似簡單，實則涵蓋了醫療體系的核心痛點。但醫療難題並不只是中國的困境，全球範圍內，在醫療領域可能沒有真正的「模範生」。不少國家的醫療體系都深陷於「供給不足、資源不均、成本高昂」的多重困境之中。

比如美國，儘管擁有全球最 先進的醫療技術和研發能力，但並未實現全民覆蓋的醫療體系，低收入羣體和少數族裔仍然面臨就醫難的困境。美國前總統奧巴馬執政期間提出的醫療改革方案緩解了部分矛盾。但更突出的問題是，美國醫療成本極高，根據美國《衞生事務》雜誌的統計，2024年美國醫療支出增長率達8.2%，突破5萬億美元大關。

再比如英國，建立國家醫療服務體系（NHS），曾經用不到10%的GDP成本實現了全民醫保，一度是大家學習的模範。但近些年隨着醫療成本的快速上升，這個體系也面臨嚴峻挑戰。首先是服務效率低下，非急症患者長期等待候診成為常態，許多留學生寧願回國就醫。其次是財政壓力持續加大，隨着人口老齡化和醫療成本上升，政府越來越難以承擔，税收負擔也逐年加重。

為什麼AI醫療有機會破局？

一、中國新醫改：提升了公平性，難在優質供給不足

為什麼醫療改革如此艱難？根本原因在於，醫療不僅具有消費屬性，還承載着強烈的公益屬性。醫療行業既要維持行業的可持續運轉，又必須控制費用，避免成為人們的負擔。這一內在張力使得政策設計始終面臨兩難。此外，醫改涉及「醫療、醫藥、醫保」三方主體，不同主體利益訴求各不相同，協調難度極大。（更多關於醫療體系的思考，歡迎閲讀）

過去二三十年中國一直在嘗試通過制度設計來平衡各方的利益訴求。

2009年，「新醫改」正式啟動，逐步建立了覆蓋全民的基本醫療保障制度。2015年，分級診療制度開始推進。2017年，公立醫院全面取消藥品加成，標誌着「以藥養醫」模式的終結。2018年，國家醫保局成立並啟動藥品集中帶量採購。近年來，醫療行業的反腐也成為改革的重要一環。

這些改革措施本質上是「分蛋糕」的改革，優化了資源分配，提升了公平性。

但中國醫療行業始終面臨一個待解的難題——優質醫療資源供給不足。換句話説，醫改可以改變分配方式，但難以在短期內培養出大批量的好醫生或者大範圍提升基層診療能力。

整體而言，優質供給不足，是當前醫療的核心矛盾，也是為什麼「看病難」的問題依然突出。

二、曾被給予厚望的互聯網醫療

在制度變革的同時，技術驅動的變革也在同時進行。已發展近20年的互聯網醫療浪潮就是其中之一。

從2000年數字醫療企業丁香園創立，到2003年國家提出加快衛生系統信息化建設步伐，再到2006年互聯網醫療平臺好大夫在線成立，以及2010年掛號網的成立……互聯網醫療一度被寄予厚望。

政策也開始推動。2013年，國務院發佈《關於促進健康服務業發展的若干意見》，其中提到「與物聯網、移動互聯網融合，不斷提升自動化、智能化健康信息服務水平」。

2014至2015年，互聯網醫療迎來高潮：阿里、騰訊、百度等巨頭紛紛入局；丁香園、春雨醫生、微醫（原「掛號網」）等平臺試水線下診所，其中微醫在烏鎮開了中 國第 一家互聯網醫院。

熱潮之后，是監管收緊。2018年，國家出臺互聯網診療管理辦法，明確禁止在線首診，只能用於複診，行業迅速降温。直到新冠疫情爆發，遠程醫療需求激增，互聯網診療才迎來新一波增長。

互聯網醫療的掙扎持續了相當長一段時間。歸根結底，醫療的核心環節是診療，互聯網醫療更像是在醫療外圍「打轉」，大多停留在輕問診、健康諮詢和藥品流轉等環節。互聯網醫療調節了分配，但是沒有解決醫療行業供給稀缺的問題。打個簡單的比方，互聯網掛號改善了掛號體驗，但改變不了優質醫生有限的現實。

因為互聯網醫療能提供的服務較為有限，盈利模式也受限。阿里健康、京東健康等平臺雖已陸續IPO，商業模式更多聚焦於在線藥品銷售，而非診療。

三、AI醫療能破局嗎？

AI醫療是否能走出互聯網醫療的困境？

在中國，醫療服務的定價長期偏低，醫保又面臨巨大的支付壓力。如果AI只是作為醫生的「輔助工具」，它的價值就很難獨立體現。這樣一來，醫院和醫生可能缺乏動力去採購和使用AI產品。

醫療行業真正的破局點，或許在於：誰能系統性地增加醫生供給，提升基層醫生的診療能力，誰就有可能成為醫療體系的「入口」。此外，如果AI醫療能在廣大的基層醫院得到普及，其放大優質醫療資源的槓桿作用會更強。

最早的AI醫療失敗了，當下AI醫療能發展起來嗎？

一、AI醫療的前車之鑑

回顧過去，AI醫療並不是個「新概念」。

早在2011年，由IBM和美國德克薩斯大學聯合研製的超級電腦「沃森」(Watson)在美國智力問答電視節目《危險邊緣》中的總分超過了該節目的兩位人類冠軍。

「沃森」在節目中的亮眼表現讓IBM看到了「沃森」拓展應用場景的可能性。「沃森醫生」曾與紀念斯隆-凱特琳癌症中心合作，研究與癌症相關的變量。「沃森醫生」還與休斯頓MD安德森癌症中心合作，試圖為癌症患者提供診療建議。然而，這些聲勢浩大的嘗試最終以失敗告終。最終，IBM將Watson Health大部分資產拆分出售，宣告了第 一代AI醫生的退場。

為什麼「沃森醫生」會失敗？

第 一，彼時AI的能力還不夠強大。儘管沃森具備出色的語言理解能力，但醫療場景中充斥大量非結構化、高度專業化的臨牀數據，當時的AI難以實時處理和更新這些數據，限制了「沃森醫生」的臨牀實用性。

第二，數據來源嚴重受限。沃森的訓練數據有限，缺乏多樣性和廣泛性，可能導致模型泛化能力不足，不容易應對複雜多變的真實病例。

第三，定位存在偏差。動脈網曾援引業界專家對「沃森醫生」的評價：「過度宣傳Watson代替醫生、超越醫生，能夠超越醫生的認知……這樣的宣傳迅速拉高了外界對於IBM Watson的期望……過分誇大的市場宣傳，對產品長期健康的發展並沒有好處。」

二、當下發展AI醫療的條件

為什麼在當下，AI有可能改變醫療行業的供給結構？

首先是技術能力的飛躍。醫療診斷的本質並非強邏輯推理，而更接近「知識庫+經驗」的模式，更多依賴記憶、模式識別和經驗積累。如今，大語言模型在醫療診斷任務中的表現，相較上一代AI醫療產品已經有了一定的提升。

2024年，哈佛大學、斯坦福大學、微軟等機構聯合開展了一項研究，對OpenAI旗下o1-preview模型在醫學推理任務的表現進行了綜合評估。結果顯示，o1-preview模型在診斷臨牀推理（判斷最可能是什麼疾病）、管理推理（制定治療方案）等任務中超越了實驗組中主治醫師和住院醫師的水平。

其次是數據質量的提升。上文提到，2003年中國提出加快衛生系統信息化建設步伐。經過20余年，中國醫療行業已經積累了足夠充分的高質量數據。這些高質量數據，將有助於AI醫療的發展。畢竟，在一定程度上，數據的質量直接決定了AI醫生的「高度」。

最后是定位的理性迴歸。依據中國衞健委的數據，中國鄉村醫生僅佔全國醫生總量的近五分之一，但鄉村人口占全國總人口超過三分之一。AI醫生或許更適合定位成替代基層的全科醫生，而非挑戰臨牀研究型的醫生。AI醫生適合發揮其跨學科、多病種綜合判斷的優勢，實時更新醫學知識，整合多學科指南，提供診療建議。

未來，醫生的角色或許會逐漸分化：一部分醫生專注於臨牀科研與疑難重症攻堅，成為頂 級專家；另一部分則在AI的輔助下，轉型為以患者照護、慢病等健康管理為核心的「助理醫生」或「健康管家」。

AI或許將徹底重塑醫生的供給結構——讓優質醫療資源通過技術槓桿，真正下沉到基層，觸達更廣泛的患者羣體。

未來AI醫療圖景展望

未來，如果AI醫療能夠被廣泛應用，我們可以想象一下人們看病的場景：

你只需在線問診，AI即可結合症狀進行初步評估。醫療平臺上門檢測採集的血常規、尿檢等數據，或社區醫院完成的影像檢查，都被AI自動匯總、分析。

AI完成診斷后，立即分診：常見病直接開方，納入慢病管理並動態追蹤療效；急重症快速轉診至上級醫院；疑難病例則推送給專科醫生，AI可輔助提供決策支持。

總之，未來AI或許可以部分替代醫生，參與問診、分析、分診等多種環節。

AI醫療可能在多個層面給現有的醫療體系帶來新變化，主要體現在三個方面：

首先，AI有助於推動醫療數據的系統性整合與利用。

隨着AI在診斷和治療建議中的參與度提升，診療過程中產生的結構化數據將不斷積累，形成「數據—模型—應用」的反饋循環。這種數據飛輪效應，理論上可以提升模型性能，併爲醫學研究和真實世界證據積累提供支持，但其實際效果仍依賴於數據質量以及醫療機構間的協同程度。

以美國AI醫療企業Tempus AI為例，其核心業務是通過AI驅動的臨牀和分子數據庫，為醫療系統提供精準的檢測和診斷工具，服務範圍覆蓋腫瘤學、精神病學、放射學和心臟病學等多個領域。Tempus AI憑藉與數千家醫療機構以及超半數美國腫瘤學家的合作，積累了海量數據集，用於訓練人工智能算法。

其次，AI在促進合理用藥方面具有一定潛力。

當前臨牀中仍存在一定的過度用藥、藥物錯配等現象。如果AI系統能夠基於用藥指南和最新文獻提供建議，可能會在一定程度上減少非必要處方，提升用藥規範性。但AI需要遵循相應的規範，不能以「個性化」的名義進行違規操作。

例如，遠程醫療平臺Hims & Hers Health會為用户制定個性化治療方案。每個患者的劑量、藥物的組合，甚至是成分，都會根據個人需求量身定製。但市場中也出現了另一種聲音，2025年6月，合作方諾和諾德指責Hims & Hers Health未遵守禁止大規模銷售配製藥的法律，利用虛假的「個性化」定製規避監管，且營銷行為危及患者安全。

第三，AI可能對商業保險和醫保支付模式產生間接影響。當前商業健康險面臨保費高、參保率低的問題，部分原因在於風險控制難度大。

如果AI能夠參與全周期健康管理，滲透預防、篩查、慢病隨訪等環節，理論上有助於降低整體醫療支出，併爲保險精算提供更精細的風險分層依據，進而降低保費。然而，這類模式的可持續性仍需驗證，且涉及倫理、公平性和算法透明度等複雜問題。

總體來看，AI在醫療數據整合、用藥規範和支付機制優化方面具備一定的應用前景，但其實際成效受限於技術成熟度、系統對接能力、監管框架和臨牀接受度。它更可能作為輔助工具，逐步嵌入現有體系，而非迅速顛覆或替代傳統模式。

AI醫療監管難題

AI醫療的技術路徑逐漸清晰，在提升診療效率、優化用藥、積累數據等方面的潛力也正在顯現。

然而，真正決定它能否大規模落地的，並非技術本身，而是監管的態度與制度的跟進。畢竟，醫療關乎人的健康與生命。例如，2024年2月，湖南曾發佈《關於進一步加強基本醫療保障定點零售藥店管理的通知》，明確提到「嚴禁使用人工智能等自動生成處方」。

此外，AI醫療的一大待解難題在於，一旦發生醫療糾紛，責任應由誰承擔？是醫生、醫院，還是算法開發者？

如果AI被明確界定為「獨立決策者」而非「輔助工具」，責任歸屬反而可能更清晰。如果未來出現「純AI醫生」模式，即由AI獨立完成首診、分診和處方，那麼一旦出錯，責任主體可能會落在開發方或運營方。

2025年1月，FDA發佈的AI應用於藥品與生物製品的監管框架《使用人工智能支持藥品和生物製品監管決策的考慮因素:行業及其他利益相關方指南草案》，或許可以作為他山之石。其核心思路並非僅按照任務類型劃分「高風險」或「低風險」，比如不能讓AI開處方，而是根據AI模型的應用場景和潛在后果進行動態評估。這種「基於風險情境」的監管模式，可能更具靈活性。

儘管挑戰重重，AI醫療的發展趨勢已被視為「明牌」。國內科技企業如阿里、華為、百川智能等均已佈局。AI醫療未必是萬 能解藥，但它確實為豐富醫療資源供給提供了新的可能性。