文 | 脑极体
华为在 3 月宣布成立医疗卫生军团，AI 医疗概念股应声暴涨，至此，这场自 2023 年以来的 「大模型+医疗」 竞赛，又被推上了一个新高度。
截至目前，已经有百多个大模型覆盖了生命科学的全领域、医学诊疗全流程，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） 悉数到场。
但狂欢背后，井喷式的医疗大模型及 AI 应用，不是每一个都有长期价值，也不一定能让医院和患者买单。
回顾智慧医疗的历史，会发现 AI 医疗的真正挑战，在于场景之深。Watson 医生希望治疗所有癌症，实际不达预期，pass；谷歌 google health 以尖端 AI 算法切入诊疗环节，却因商业背景而遭到患者抗拒，pass；机器学习小模型时代的 AI 辅助医学影像，需要一个个专科一张张图表做标注，成本高收益低，pass；ChatGPT 掀起的大模型热潮，数据孤岛、算力成本、伦理红线等怎么解决，仍有非常多的未解之题。
医疗场景的壁垒深厚，唯有以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行业的业务流程，解决核心业务问题。
因此，大模型厂商的决胜点，在于能否筑造一柄穿透场景的重剑。
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》，目前已经有 84 个人工智能应用场景。仅从医疗场景来看，大模型就已经全面覆盖了院前、院中、院后的全流程。
院前阶段，以基于大模型的 AI 诊疗助手为主，为患者提供实时语音问答、智能分诊、健康教育、疾病预防的健康科普等服务。
院中阶段，大模型为临床诊疗决策提供支持，成为贯穿全流程的智能中枢。入院时，可以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，传统诊疗方式十分依赖于医院的级别、昂贵的设备、医生的临床经验职称和耐心，这些因素都会影响到疾病的判断和肿瘤的检出率。AI 大模型辅助诊疗、AI 病理影像，就可以有效减少这些因素对检出率的不良影响，避免延误病情。在治疗或手术期间，AI 大模型可以对患者的病史信息了解得更加全面透彻，为医生提供关键参考，从而提高诊疗效果。
院后阶段，关怀性随访可以增强患者的依从性，达到更好的预后效果，减少自行停药风险。但医生少、时间精力有限，大多数患者很难得到及时随访，和连续性的健康服务。这时候，基于大模型的智能随访系统，就可以结合患者的全面诊疗信息，实时高效地进行随访，记录患者的反应，并对一些停药、复发等风险提前干预。
横向来看，大模型在医疗场景中，已是遍地开花。
但纵向来看，会发现不同细分场景的深度，却有很大的差别。
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、混元等基础通用大模型，结合医疗场景专用数据进行微调即可上线，因此也是这一轮医疗大模型最拥挤、布局最多的，几乎所有科技巨头 BATH、运营商，以及 AI 医疗服务商、医院，都推出了相关服务。
而诊中阶段，需要大模型作为智能中枢，来辅助诊疗，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、专有隐私数据进行训练，十分依赖于医院、大模型厂商、第三方服务商等深度互信。
由此可以发现，发布并上线一个医疗大模型并不难，但浅层应用是一片红海，很难脱颖而出，而深度整合进医疗业务中，又要跨越医院和科技巨头们壁垒森严的地盘，并不容易。
既然医疗大模型的商业模式尚不清晰，为什么仍然迎来了爆发，吸引了各方巨头争相抢滩？
从 AI 诞生以来，医疗就被认为是 AI 落地的高价值场景。既然医疗行业对 AI 并不陌生，为什么大模型的到来会掀起一阵狂欢？
理解这个问题，我们有必要回到历史中去，看看在没有大模型的岁月里，AI+医疗究竟留下了哪些未解的难题。
按照技术代际来划分，AI 医疗有两个重要阶段。一是以 Watson 健康为代表的专家系统，当时很多医院与医疗机构都希望将专家系统和知识计算的新技术应用于临床。最后以大量机构退出合作、Watson 被低价出售而结尾。
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、百度等互联网巨头都开始布局医疗健康领域。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，支撑起了 AI 医疗的概念。
到了大模型时代，ChatGPT 问世之后出现了一百多个大模型。发力大模型+医疗领域的 AI 独角兽，业务进展缓慢，盈利周期也较长。
既然 AI 医疗的方向是对的，那多年来久攻不下，这里面最痛点的问题是什么？
医疗场景之深，仅靠 AI 技术是无法独自穿透的，这也成为医疗大模型所需要解决的核心问题。
除了行业大模型都会面临的一些通用问题，比如数据稀缺、项目开发难度大、人才要求高、开发周期不可控等之外，医疗场景还有许多独特的壁垒：
一是信任壁垒，数据难共享。为了促进医疗机构、科研机构之间的数据互通与共享，国家也在推广多中心研发，打消了 「不敢」 共享的顾虑。但数据共享出去了，高质量数据和低质量数据对模型的贡献却不一样，不同数据产生的价值怎么合理分配？缺乏合理的机制牵引。
二是技术壁垒，达不到要求。AI 算法达到 85% 的表现，一般就可以发 paper 了，但要落地临床场景，往往需要 95%、99% 以上的表现。很多榜单上十分优秀的大模型，在现实中却面临 「叫好不叫座」 的困局。谷歌的医疗大模型 Med-PaLM 回答的评分高达 92.6%，与人类临床医生相当，谷歌首席健康官 Karen DeSalvoy 也曾审慎地提醒：「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。」
三是专业壁垒，做 AI 的不懂医疗场景需求。一位智慧医疗领域的从业者告诉我们，客户并不关心你采用什么技术路线，他们最关心的是你能不能提供满足他需求的产品和服务，所以必须得有场景化思维。很多痛点，是大模型厂商在办公室里想象不到的。
比如一位泌尿外科的医生，在腹腔镜操作中会产生大量的烟雾，希望使用 AI 算法来对图像进行去雾，要求极高的实时性，因此模型必须部署在本地，而本地模型又对端侧算力的要求比较高，如果调用云端服务器的话，那就要求网络时延在几毫秒。
可以看到，仅靠一个医疗大模型，而没有配套的网络、端侧设备相配合，连一个腹腔镜图像去雾的小场景，都无法做好。
所以，大模型赋能医疗，看起来并不缺少方向和案例，但商业成功却始终在迷雾中。
那么，下一个问题就是，大模型能穿透上述壁垒吗？
DeepSeek 的开源策略，使医疗机构和中小企业部署大模型的成本大幅降低，DeepSeek+国产推理芯片如昇腾、昆仑、寒武纪等的适配，也降低了算力门槛，这些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」，
但我们也必须看到，壁垒高企的医疗场景，并非引入 deepseek 和大模型就万事大吉。大模型厂商不能依靠接入 API 等浅层结合、脚不沾泥的方式，而需要铸重剑。
目前来看，医疗大模型领域出现了两把 「重剑」：
第一把剑，名为 「结盟」。医院、大模型厂商、医疗信息化服务商、ISV 和数据服务商等，通过产业链之间的互信与合作，来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观心大模型 CardioMind 等。湘雅医院也没有直接引入 DeepSeek，而是选择与 AI+医疗公司医渡科技合作，由后者为其搭建由 DeepSeek、医渡大模型等多个大模型组成 AI 中台。
第二把剑，名为 「聚焦」。部分模厂通过内部聚焦，整合资源，来推动大模型与医疗的深度结合。比如百川智能已经调整了业务线，将资源集中到医疗领域。华为更是组建了医疗卫生军团，整合华为多个部门的多种技术能力，将华为内部方案与外部痛点进行精准匹配，聚焦在构建 AI 辅助诊断解决方案体系，推动医疗大模型落地临床场景。华为的军团模式，也是精准切入医疗场景的一柄利剑。
整体而言， AI 与医疗，可能是本世纪最伟大的相遇，这场邂逅不可能仓促完成。
医疗与大模型的结合，需要用场景化、系统级的思维，用技术聚合的综合解决方案，在系统、流程、制度等给予方方面面的支持。因此，有能力铸重剑的大模型厂商，未来将在医疗数智化浪潮中获得更大的机会。
