文 | 白嘉嘉

看得好病（質量）、看得起病（成本）和看得上病（效率），這三個關鍵要素一直以來被認為是醫療領域的「不可能三角」。

在大模型的浪潮下，AI能打破這個「醫療不可能三角」嗎？

樂觀者不在少數。曾參與醫療大模型Med-PaLM 2訓練的谷歌高管Greg Corrado在接受媒體采訪時表示，“在醫療領域AI可以帶來好處的環節，它能創造10倍的價值”。

然而一旦視角切換到患者或是醫療工作者，態度立馬會變得謹慎起來。

去年5月份，世衛組織在一篇聲明中強調，應該AI與醫療服務的整合采取“非常謹慎”的態度。Greg Corrado同樣在談及到家人時話鋒一轉，“我并不覺得這種技術現在已經達到了我愿意讓家人使用的程度”。

將視野拉回到國內。

AI醫療尚未在企業的財報中兌現，技術落地的動作卻絲毫不慢。從去年2月開始，互聯網巨頭相繼與醫院、醫療企業達成合作，推出醫療大模型，落地樣板工程，忙得不亦樂乎。

值得一提的是，AI醫療并非新物種，上一輪以計算機視覺為核心的AI浪潮興起后，AI診斷的故事就不停在市場上空飄蕩。但多年下來，普通人所能感受到的改變并不強烈。

于是問題隨之而來，以生成式AI為核心的AI醫療會重蹈覆轍嗎？參與者又是如何推動它向更務實的地方發展的？而我們，距離更優質的AI醫療還有多遠？

1、AI醫療的「本手」與「妙手」

AI醫療，一開始就被寄予重望。去年6月大多數企業還在大煉模型時，北京市科委、中關村管委會發布了首批10個人工智能行業大模型應用案例，將AI引導向產業落地。其中，醫療健康是唯一入選了兩個案例的領域。

根據IDC數據，預計到2025年，全球AI應用市場總值將達1270億美元，其中醫療行業將占總規模的五分之一。

那么，價值千億人民幣的AI醫療，能做什么？

目前，AI醫療主要有醫學影像、藥物研發、醫療文本處理、學術科研四個大方向。

其中，藥物研發和學術科研兩個方向目前受限于數據量較少，因此進展相對緩慢。 醫療文本處理和醫學影像涌現出大量案例。

其中，醫療文本處理是目前AI應用落地最密集的方向。憑借極強的信息檢索和文本生成能力，AI可以大幅度減少醫生的重復性工作。

據百度大健康事業群策略研發總經理黃海峰給出的例子，原先需要醫生寫一份出院病例大概需要一個半小時甚至兩個小時，在AI的輔助下，時長可以壓縮到二十分鐘以內。

而醫學影像，則是商業化潛力最強的方向。

潛力主要來源于兩方面，一是將AI與CT、X光機相結合。從過去的經驗來看，在購買醫療器械設備方面，醫院向來不會手軟。

二是促成網上問診到實際成交的轉化，譬如用戶拍照識別皮膚病后，進一步付費向醫生尋求建議。根據京東披露的數據，京東健康皮膚醫院基于大模型的AI輔診準確率超過95%，專病隨訪服務患者付費轉化率已達20%。

沿著文本處理和醫療影像兩大方向，AI企業大多已經形成了「大而全」的AI醫療布局，目前正在緊鑼密鼓將其結合到實際的醫療場景中去。在這場角逐中，大廠們有必須要做好的「本手」，也有出奇制勝的「妙手」。

所謂「本手」，關鍵在穩扎穩打，為未來積蓄潛能。

所有企業想在AI醫療領域有所作為都離不開兩點，數據和工具。數據是AI進化的基礎，豐富的AI工具使其盡可能多地參與到產業鏈中去。

百度、京東、騰訊、華為等科技企業，均在過去的一年多時間里與多家醫療機構建立起了緊密的合作關系，并推動多款AI醫療產品。

譬如，早在去年2月文心一言推出之前，百度就曾宣布與莫廷醫療、東軟醫療等多家醫療相關企業建立合作。現已形成面向醫療場景下的各個群體的五大產品，分別是面向普通用戶的AI健康助手，面向醫患雙端的在線醫療Copilot，面向醫院的「AI智慧門診」，大模型的私有化產品CDSS（臨床決策支持系統），以及面向企業的靈醫開放平臺產品。

其中，CDSS因為能有效提高基層醫生的診療能力，降低誤診與漏診，已落地4000余家基層醫療機構。

「本手」之外，更值得關注的是大廠們的「妙手」。這些「妙手」源自于企業自身的優勢，力求在同質化的競爭中脫穎而出。

例如，京東利用物流系統的優勢，將線上問診做向了線下。

在AI問診的基礎上，京東近日宣布對京東健康互聯網醫院患者服務全新升級。線上診斷時如有進一步檢查的必要，可通過京東到家快檢下單，由護士上門采血、采樣并送檢，平均3小時出結果。

而華為則憑借自身軟硬件兩條腿走路的優勢，將AI醫療的生意做向了產業鏈上游。

「硅基研究室」發現，在華為與醫渡科技、潤達醫療、金域醫學、萬達信息的合作中，除了推出醫檢行業大模型之外，還包含基于昇騰AI基礎軟硬件打造醫療大模型一體機，為客戶提供開箱即用的AI全棧解決方案。

整體而言，AI醫療發展至今，行業的目光已經不局限于某一環節技術能力的強弱，而更關注是否形成了具體的落地方案，用戶能否從中獲得更好的體驗。

不過，相比于產業界的烈火烹油，投資者仍保持著一定的冷思考。

“我不認為醫療大模型目前是一個風口，大模型只是一種能力，技術的進展想要真正改變一個行業，還是很漫長的，尤其是醫療。”啟明創投副總裁孫墨陶此前在接受采訪時透露，在對AI祛魅后，投資圈對醫療大模型目前還是顯得更加實際，就他而言，在國內能看到一家能有明確商業化路徑的公司才能在這個領域真正扣下投資的「板機」。

2、「多模態」或許是超車的契機

正如百度大健康事業群組總裁何明科所說的那樣，醫療是少見的「三位分離」的行業：決策者是醫生、醫院，付費者是保險、醫保，使用者是患者。

復雜的「決策-付費-使用」鏈條以及醫療行業自帶的嚴肅性，使得醫療大模型的落地相較其他行業受到更嚴格的審視，因此在過程中逐漸呈現出從輕到重的趨勢。

從輕到重，即率先應用在容易落地、用戶感知強、不容易導致醫療事故的領域，然后再向更細分的場景挺進。

值得一提的是，從輕到重一方面是基于企業自身的避險邏輯，另一方面也是硬性規定。去年9月，北京市衛健委牽頭制定的《北京市互聯網診療監管實施辦法（試行）》明確，禁止AI在沒有醫生監督的前提下進行診療，或是自動生成處方。

對從業者來說，從輕到重的趨勢是一個憂喜參半的消息。一方面入局的技術門檻不高，但鑒于醫療領域的特殊性，它也意味著后起之秀將很難有機會超過那些有錢有「人脈」的大廠。

具體來說，醫療數據相對敏感，同時未來變更合作方有可能對醫院經營產生較大影響，因此在最初選擇合作方時，則會更加傾向于信譽和風險控制能力有保障的大廠。

因此，考慮到與大廠錯位競爭，小廠往往借助多模態實現彎道超車。

與單模態相比，多模態涉及的技術面更廣，同時多模態是AI醫療的必經之路。就像醫生在給出診斷前需要通過多種檢查積累信息，AI想要給出準確的判斷，同樣需要綜合多種形式的信息。

舉例來說，多模態AI給出判斷的前提，是能從信息中找到異常。相比于生成式AI，最后結論正確與否，更大程度上取決于視覺AI的檢測能力。

也就是說，若是企業能展示出足以「贏在未來」的多模態能力，醫院同樣有可能基于長期穩定性的考量與其展開合作。

市場也已經證明了多模態AI的號召力。在2024世界人工智能大會期間，商湯醫療聯合瑞金醫院、華西醫院等多家醫院，率先啟動了行業內醫療多模態AI賦能智慧醫院的創新示范項目。

公開信息顯示，各方將以商湯醫療大語言模型作為智慧醫院建設「中樞大腦」，智能調度覆蓋醫學文本、放射影像、病理圖像等多種數據模態的專用模型，輔助醫生完成跨科室、跨模態的復雜診斷推理。

3、AI醫療離我們還有多遠？

如果要給科技巨頭吹過的牛排個名，AI醫療大概可以排進前三。2012年深度學習浪潮興起時，深度學習三巨頭之一Hinton曾放言：5年內AI可以取代放射科醫生。

但10多年過去了，AI并沒有如他的愿，Hinton顯然過于樂觀了。

那么，這輪AI醫療浪潮會像從前那樣「雷聲大、雨點小」嗎？

目前來看，有喜有憂。

「喜」在于，過去的一些技術難關確實正在被生成式AI慢慢攻破。

一直以來，缺少高質量數據集是擺在AI企業面前的大問題，在醫療場景中尤其突出。

譬如，常見病有足夠多的數據，但罕見病和遺傳病很難滿足信息量要求，即便采用「大數據+精標注」的傳統AI訓練范式，由于每個醫生撰寫報告，使用醫療器械的習慣都不同，同樣是一項幾乎是不可能完成的任務。

但生成式AI能夠緩解這一問題，例如上海交通大學的一項研究，利用醫學語言模型所包含的對醫學圖像和概念的理解，引導通過自然自然圖像訓練的視覺模型遷移至病例圖像，從而完成病理圖像少樣本分類任務。

這類技術已經在產業界得到了應用。商湯近期發布的病理大模型PathOrchestra，就是通過對海量數據的自監督學習，在無需大量精標注的基礎上「觸類旁通」學會分析各種器官病理圖像。

而「憂」在于，這些企業走向商業化的過程中，還有難關要闖，其中最主要的是資金問題。

從企業的立場思考，雖然當前AI醫療領域的競爭已經從技術走向了落地，但推動力更多來源于各地打造樣板工程的訴求，而非由利益驅動的擴張。

在缺少成熟方案整合商的情況下，這一趨勢對牽頭企業提出了很高的要求，不僅需要有非常強的墊資和管理能力對上下游進行整合，甚至有可能在建成后還需要持續為相關方提供專人服務團隊。

同時，AI醫療的嚴肅性和專業性決定了，企業不太可能在短時間內通過快速復制來攤薄成本，疊加這類科技企業本就居高不下的研發投入，財務狀況不夠樂觀或規模不夠大的企業很有可能會倒在路上。

雖然資金壓力巨大，但這些企業沒有別的選擇，想要真正滿足醫生和患者的需求，AI就必須進入到真實的醫療場景中進行迭代。

如中國科學院香港創新院AI中心執行主任劉宏斌接受采訪時所說的那樣：“很多大模型研發過程中沒有醫院的參與，缺乏臨床方面的因素，導致一些看上去很炫酷的技術，實際上并不能滿足醫生的需求。”

將視角切換到醫院，撇開那些樣板工程不談，實際上「錢」也是大問題。

現階段，大部分醫院的算力資源以CPU為主，部署AI所需的GPU很少。因而，想要落地AI醫療，需要同時配備GPU并保證足夠的存儲和高速網絡連接。

在全球缺芯的當下，這是一筆許多醫院都難以承受的成本。按照一個科室一張H20進行估算，平均每個院區需要醫院投入百萬元級別的成本進行芯片配置。

從這個角度來說，AI醫療企業如果想要實現新技術的規模落地，就必須做出一個殺手級應用，這樣才能讓醫院為了購置AI心甘情愿地對部署環境進行升級。

整體來說，醫療大模型目前雖然已經在一些場景開始落地，但尚未抵達真正可以改變人們生活的轉折點。畢竟，讓人們信任AI看病，本來就是一件很難的事。