图片由 AI 生成

"AI 会抢医生饭碗吗？"2025 年，这个萦绕医疗圈多年的疑问仍被反复提起，但从业者的答案愈发一致—— " 不会 "。医疗行业的强监管体系已为 AI 划定 " 辅助者 " 的清晰定位，推动 AI 医疗告别 " 概念炒作 " 的青涩期，踏入政策与市场双轮驱动的实质发展期。

过去一年，医保局首次将 AI 辅助诊断纳入立项指南，" 十五五 " 规划为智慧医疗发展指明方向，五部门圈出 8 大应用场景、24 项具体举措，为 "AI+ 医疗 " 的落地铺好了清晰路线；而 AI 影像覆盖率超 80% 成为最成熟的落地板块，AI 制药让研发周期缩短 40%、资金成本节省 10%，细分场景技术落地的深度与广度远超以往，行业规模将在 2025 年触及千亿元的新高度。

热闹之下，成长的烦恼也在冒头。医疗数据 " 多而不优 "，支付体系尚待完善，多数企业仍未找到稳定的盈利路径……带着这些行业焦点，我们对话了健康元、商汤医疗、明视脑机三家产业链公司的高层，从技术渗透、瓶颈破解到商业化探索，描摹出 AI 医疗 2.0 阶段的分化图景，也试图找到 3.0 时代 " 可持续 " 与 " 普惠 " 交汇的下一个路口。

2.0 阶段的分化 " 地形图 "

在人口老龄化加剧、医护资源短缺的现实背景下，AI 医疗正成为缓解医疗供需矛盾的关键抓手，行业规模也随之迎来稳步增长。甲子光年数据显示，2025 年中国 AI 医疗行业规模将达 1157 亿元，预计 2028 年攀升至 1598 亿元，2022-2028 年的复合增长率保持在 10.5%。

如今，AI 医疗的应用边界已从单一的辅助诊断工具，向药物研发、辅助决策、医疗信息化、医疗机器人等全链条渗透，不同场景的成熟度呈现出鲜明的快慢差异。其中，影像智能分析、健康数据监测、蛋白质结构生成与预测等场景已进入相对成熟的应用阶段，临床试验设计与执行等场景则仍在探索前行。

从行业基础建设来看，AI 医疗的落地条件已愈发成熟。亿欧智库数据显示，截至 2025 年 7 月，共有 206 个算法医疗产品完成大健康相关备案，其中 160 家企业通过 APP 嵌入算法将 AI 服务直接触达患者，互联网问诊、报告解读等功能成为主流应用形式；医院端的算力投入也迎来爆发，今年新增算力采购需求占比达 75%，为 AI 与医疗业务的深度融合筑牢了技术根基。

一个大趋势是，医疗大模型应用正从通用型向专病专科深化。截至 2025 年 4 月，国内排名前 100 的医院中，98 家已完成大模型部署，且有 33 家医院研发出 55 个垂类大模型。

" 这就是我们一直强调的通专融合模式，通用模型来理解用户需求，调用传统 AI 和数字化工具，逐个解决用户真实的小场景诉求。" 商汤医疗联合创始人兼首席医学官钱琨表示。

这预示着，国内医疗的数字化转型已步入 2.0 阶段，从 1.0 阶段的医院数据无纸化、流程数字化，进阶到可聚焦专病专科的临床痛点解决。

临床端对 AI 的接受度已然发生根本性转变。中华医学期刊数据库显示，一、二级医院中近半数医生已使用 AI 临床决策支持系统（AI-CDSS），其中工作年限在 11-15 年的医生使用率最高，达 72.7%，5 年以下的使用率为 56.6%，年轻与中年医生相对更易接受并使用 Al 辅助工具。

在众多细分场景中，医学影像是 AI 渗透最深的领域——临床超 70% 的诊断依赖医学影像，AI 阅片时间较人工缩短 53%，检出率提升 17.6%，召回和活检的阳性预测值也分别高出 18.3% 和 9.3%。观研天下数据显示，2025 年中国 AI 医学影像市场规模有望突破 150 亿元，2026 年将增至 235.7 亿元，成为 "AI+ 医疗 " 最成熟的落地板块。

据钱琨介绍，中国医疗 AI 在影像领域的覆盖率已达 80%-90%，放射科、病理科等医学技术科室的 AI 普及率远超其他科室。此外，电子病历评级推动的文字类 AI 技术也快速普及，CDSS 系统的部署为 AI 算法提供了丰富的影像与文字数据土壤。

AI 医学检验与 AI 制药则成为行业的 " 潜力股 "。慧博智能投研数据显示，2022 年 AI 检验市场规模已逼近百亿元，预计 2022-2027 年保持 13.56% 的年复合增速，2027 年将达 170 亿元。2023 年其渗透率不足 9%，未来提升空间巨大，其中最具发展潜力的细分领域是 AI 辅助诊断。

AI 制药成为药企降本增效的关键抓手，长江证券研报显示，传统药企研发一种新药的完整周期至少需要 10 年，资金投入平均为 26 亿元，研发成功率仅有 10% 左右，通过 AI 辅助可将药物发现、临床前研究和临床试验的时间缩短近 40%，资金节省至少 10%，临床新药的研发成功率可从 10% 提高至约 14%。

从研发方向来看，当前 AI 制药公司的主攻适应症集中在肿瘤、免疫学及神经病学领域，占比分别为 37%、21% 和 14%。头豹研究院数据显示，2024-2028 年中国 AI 制药市场规模预计将从 7.3 亿元增长至 58.6 亿元，年复合增速高达 68.5%。

作为该领域的实践者，健康元已将 AI 融入药物研发的药物发现、化合物优化、项目管理、临床试验招募等核心环节。健康元 AI 业务负责人林鹏告诉笔者：" 这些场景能够直接减少研发过程中的重复劳动，加速决策流程，是 AI 辅助药物研发降本增效的最直接路径。"

不过，目前全球范围内，尚未有由 AI 主导研发的药物成功获批上市。

AI 与机器学习技术的快速迭代，也为医疗保健行业带来结构性变革。脑机接口作为生命科学与信息科学融合的前沿技术，产业应用正逐步探索，其中非侵入式是目前临床最广泛的应用形式，市场占比达 86%，主要用于注意力和认知能力训练、睡眠情绪闭环调控以及利用眼动追踪、脑电、肌电和康复辅具进行的闭环神经康复等场景。

今年 5 月，马斯克创立的脑机接口公司 Neuralink 宣布完成上半年全球 AI 医疗领域最大规模融资。其 "Blindsight"（盲视）技术路径致力于通过刺激大脑视觉皮层，帮助失明患者重建部分视觉功能。在同一技术路径上，明视脑机凭借其独有的 " 脑机双学习 " 闭环系统，在全球范围内首次完成对复杂图形与多种颜色的动态解析与功能化交互验证，将视觉脑机接口从基础的光点感知推进至有意义视觉信息重建的新阶段。

明视脑机创始人兼 CEO 刘冰以生动比喻解释该进展：" 过去的视觉假体仅能让患者感知无序的光点，而现在能看到由点组成的轮廓和图形，就像模糊的简笔画，但已具备识别功能 "。

在此过程中，AI 扮演着 " 超级翻译官 " 和 " 智能教练 " 的双重角色，既将外部图像转化为大脑可理解的电刺激模式，又能实时调整参数，实现系统与大脑的协同学习，标志着脑机接口在重建有用视觉方面迈出关键一步。

繁荣背后的三道 " 暗坎 "

2025 年 AI 医疗行业虽取得了长足进步，但医疗服务流程的复杂性，使其在数据、支付与商业化层面暗藏多重难题，成为行业从政策驱动转向市场驱动必须跨过的三道坎。

其中，数据质量与标准化问题堪称 " 头号拦路虎 "。

在合规框架下，国内医疗数据呈现 " 多而不优、散而不通 " 的特征。2024 年，全国卫生机构 101.1 亿诊疗人次产生百亿条数据，体量庞大却价值难挖——由于医院间数据标准不一，大量数据以非结构化形式存储，错漏、残缺等问题频出，直接影响到 AI 模型的训练效果与应用精度。

源头数据质量不佳则让难题雪上加霜。超五成医生日均工作超 8 小时，20.6% 的医生甚至超过 10 小时，在诊疗与科研的双重压力下，他们无暇撰写精细化的病历推演过程；同时，国内数千家机构的软件系统标准难以对齐，而欧美在数据治理上已领先中国十几年，差距客观存在。

面对数据困局，企业们已开始探索破局路径。

钱琨认为，破解数据难题须先锁定药企、保险公司、患者这些买单方的需求，从他们的使用视角设计数据产品的形态，再反推数据清洗、分级分类与定价工作，否则其成本机构难以承担。

" 想将数据流通场景里的多个参与方的利益和目标对齐，在现有运转规律下已属不易，确实为难了管理者和采购方。" 钱琨坦言，国内数据标准化程度尚未形成大规模共识，虽然目前大模型技术能快速提取有效字段，但多模态长时序的高质量队列数据治理成本极高，很多医院投入千万元清洗数据库，才能获得基础元数据用于持续高质量积累，足见其难度。

健康元以 " 先能用再好用 " 方式的阶梯式推进。林鹏提及，健康元在 AI 落地中采用敏捷、轻量化模式：先快速验证 AI 在各业务部门的可行性并推动初步落地，以较低的前期成本完成价值测试；待确认应用价值后，再持续投入进行迭代优化，大幅降低 AI 落地过程中的成本风险。

刘冰则给出医工结合与技术驱动的 " 破解之道 "。一方面与顶尖临床中心共建专病数据库，从源头保障数据标准化与高质量；另一方面利用联邦学习、合成数据等隐私计算技术，在数据不出域的前提下最大化其价值。

如果说数据是 AI 医疗的 " 燃料 "，那支付就是驱动行业前行的 " 引擎 "，而当前这台引擎尚未完全启动。

2024 年底，国家医保局将 AI 辅助诊断首次纳入放射检查等项目的扩展项，在同样价格水平下，医院可选择人工诊疗或 AI 辅助，但明确现阶段不重复收费。原因在于，AI 虽能提升效率，但无法完全 " 平替 " 医生，额外收费有失公平。AI 医疗仍在等待医疗收费目录和医保的明确准入。

" 支付问题本质是价值认定问题。当 AI 技术能证明其不可替代的临床价值，比如显著提升手术成功率或避免后续高昂治疗时，支付方自然会有动力将其纳入覆盖范围。" 刘冰认为，当前关键是设计出能体现 " 价值医疗 " 的循证医学方案，而商业保险作为医保补充，将在创新支付中扮演重要角色。

钱琨同样提及，医保支付需要漫长的循证数据链来评估 "AI 到底能为患者诊治解决多大问题 "。她指出，支付是全球性难题，即便是美国，能为 AI 医疗付费的‌ CPT code（通用医疗程序编码）也十分有限，加上 ICD（国际疾病分类）操作编码对 AI 服务的适配缺陷，使得 AI 在严肃医疗的商业化落地产生瓶颈。

" 过去 AI 只能解决单点问题，现在技术已经在逐步实现多模态诊断和诊疗流程打通，背靠 "AI+" 政策的推动，未来的保险收费模式很有可能形成具备国际领先性的结构，同时 AI 产业发展也能更好地依托医疗的丰富场景，支撑国家的战略目标。" 钱琨表示。

3.0 时代的普惠与可持续路径探索

在数据治理、支付体系等行业痛点的掣肘下，2025 年的 AI 医疗行业仍未走出盈利困境。但在对商业化可持续路径的探索中，不同赛道已走出差异化路线，AI 医疗 3.0 阶段的雏形初显，普惠医疗的实践也成为行业突破的重要方向。

AI 医疗器械商业化的破局关键，锚定在 " 临床价值 " 这一基石上。刘冰认为，不能创造提升疗效、降低风险、节省成本等明确临床价值的 AI 工具，难以形成可持续的商业模式。

他将商业化路径划分为三个梯队：第一梯队是已跑通的 " 医技科室赋能型 "AI，如医学影像辅助诊断，能直接嵌入现有医院工作流，收费模式清晰；第二梯队是快速成长的 " 临床治疗增值型 "AI，如手术机器人、脑机接口系统，作为高价值医疗器械的一部分实现盈利；第三梯队是未来可期的 " 健康管理型 "AI，如慢病管理、疾病早筛，虽市场空间巨大，但依赖用户付费意愿和保险支付创新，规模化盈利尚需时日。

刘冰同时预判，与高端医疗设备深度绑定、解决刚性临床需求的硬科技 AI，以及提升医院效率、优化资源配置的赋能型 AI，其商业模型将随着病组（DRG）和病种分值（DIP）等医保支付方式改革的深化而更快跑通。

药企则从全产业链视角挖掘 AI 的商业价值。林鹏表示，未来一年，健康元将在研发端用 AI 加速药物发现与临床研究，实现降本增效；在生产端用 AI 优化工艺、严控质量，进一步提质控费；在商业化端借助 AI 精准触达患者、赋能营销，最终构建以患者为中心的精准商业化模式。

商汤医疗的 " 标品化 " 策略，为行业提供了现金流管理的参考思路。

" 定制化服务削弱了规模化复制能力，也是多数 AI 医疗企业依赖资本输血的主因。" 钱琨解释，可复制的标准化产品多集中在医技科室，它们只负责专项数据解读或专项问题支持，无需面对患者制定多维个性化诊疗方案。商汤医疗自成立起便克制盲目扩张产品线，因此成本可控、壁垒高、回款快、现金流稳，说到底 " 这是一个取舍的问题。"

" 行业已跨过数字化转型 1.0，步入 2.0 阶段，在 3.0 的门口，已经能见到个别医院正在尝试用 AI 原生基座来做多个 AI 场景的串联，将医生的特定工作流打通。相信这种模式能够突破医保所追求的诊疗闭环，形成可追溯的价值链优化。" 钱琨表示。

技术迭代与商业试水之外，" 普惠医疗 " 成为 2025 年 AI 医疗行业的高频词。企业纷纷把破解 " 不可能三角 " 写进愿景：既要服务质量升级，又要兼顾诊疗可及性与医疗成本。

刘冰把普惠医疗的落地路径拆成两段。先让最前沿的颠覆性技术完成 " 从 0 到 1" 的突破，为危重患者提供治疗可能；再通过技术进步和规模效应实现 " 从 1 到 N" 的成本下降，最终惠及更广泛的人群。

钱琨则认为，无需强行挑战医疗 " 不可能三角 "，可通过维度拓展实现普惠目标。一种方式是把战线前移到健康管理，利用大模型完成 80% 的基础健康科普问答与慢病管控，就能有效减少重症发生、降低后期大额医疗支出，从而实现全民 " 健康衰老 "。另一种是用规模化复制来摊薄 AI 早期投入的成本，让 AI 放大稀缺医疗资源的覆盖面，也能把优质医疗送到缺医少药的地方。

当技术锚定临床价值，商业逻辑回归产业本质，AI 医疗在 2026 年将走得更稳。这场关乎健康与生命的技术革命，正以坚定的步伐，书写着医疗行业的未来图景。（文丨公司观察，作者丨曹倩，编辑丨曹晟源）