“醫療是AI最難啃下的硬骨頭。”這似乎已經成為行業共識。其實這并不是技術本身不夠先進，而是源于醫療行業與生俱來的、極為嚴苛的特性。這些特性共同構筑了極高的準入門檻，使得AI在短期內難以實現成熟、廣泛且深度的落地應用。

如何跨過AI醫療這座大山，已然成為行業、企業研究的重要課題。

雙重因素驅動下，AI醫療賽道升溫

行業天花板高，意味著前景廣闊。

國金證券指出，大模型技術的突破提升了市場對醫療AI的接受度，CDSS（臨床決策支持系統）等在輔助診斷、治療方案規劃與醫囑生成等環節的應用不斷深化，有望提升診療準確性與效率，為行業轉型升級提供核心動力。

據公開數據顯示，2019年至2023年，AI醫療市場規模從27億元增至107億元，占AI行業比重由6.4%提升至8.6%；預計到2028年將達976億元，占比升至15.4%，滲透率持續提升。

在技術突破與政策紅利的雙重驅動下，AI醫療賽道顯著升溫。從AI制藥到影像診斷，再到專病輔助決策，技術迭代層出不窮。

國家層面，國務院印發的《關于深入實施“人工智能+”行動的意見》明確提出實施“人工智能+”民生福祉行動，有序推動人工智能在輔助診療、健康管理等場景的應用，為AI醫療產業發展搭建合規框架。

近日，國家衛生健康委等五部門聯合發布《關于促進和規范“人工智能+醫療衛生”應用發展的實施意見》，系統規劃了AI在醫療領域的應用場景與發展路徑，特別是在基層輔助診療、慢性病全程管理與區域協同醫療等方面提出明確方向。

政策的持續利好，疊加人口老齡化帶來的巨大供需缺口，讓互聯網巨頭們意識到，20萬億級的大健康市場正迎來數字化變革的關鍵期，AI醫療很可能成為最具潛力的賽道之一。

巨頭競逐：戰略布局與路徑分野

在這一背景下，巨頭們以不同姿態涌入賽場。

百川智能是其中最為激進的玩家。今年4月，王小川在內部全員信中宣稱：“為生命建模型、為人類造醫生，是百川的使命。這是第一天就立下的志向。”隨后便裁掉了原商業化支柱的金融、教育等ToB項目，全面投入AI醫療賽道。

但AI醫療僅靠模型和技術上的先發優勢遠遠不夠。由于缺乏真實醫療場景的閉環驗證，百川智能至今在這方面仍未取得亮眼成績。

相較于百川智能，螞蟻集團則更有“家底”。其對醫療的布局最早可追溯到11年前。2014年支付寶打造中國第一筆線上掛號繳費服務，2019年推出中國首張電子醫保碼，2024年收購國內最大的線上問診平臺好大夫在線，完成了支付寶醫療8億用戶與28萬好大夫醫生的鏈接。收購完成后，螞蟻推出AI超級醫生助理，為醫生提供病歷管理、科普創作等工具，實現“技術+醫療資源”的優勢互補。

今年11月7日，螞蟻集團宣布原“螞蟻數字醫療健康事業部”正式升級為“螞蟻健康事業群”，加速醫療健康業務成為螞蟻的新戰略支柱板塊。

調整后的螞蟻集團形成全新的業務矩陣：除螞蟻國際、數字科技、Oceanbase保持獨立公司運營外，支付寶事業群、數字支付事業群、財富保險事業群、信貸事業群與新成立的健康事業群，共同構成螞蟻5大核心業務單元。

值得一提的是，2024年上線的AI健康管家AQ，開啟了螞蟻在AI領域的嘗試，也是其AI戰略在垂直領域的一次關鍵落地，標志著螞蟻對新增長曲線的探索。目前AQ表現尤為亮眼，僅上線四個月，便成為中國第五個月活用戶突破千萬的AI原生App。

騰訊則選擇從大模型創新、智能體應用、知識庫建設、基礎設施升級等方面全面發力。在大模型層面，通過健康組學平臺全面上線自研AI模型倉庫，為科研機構提供蛋白質、單細胞、DNA等大模型；在智能體應用層面，發布健康管理助手，以體檢報告、檢驗檢查報告智能解讀為基礎，幫助用戶動態分析健康狀況，發現潛在風險，進而給出針對性的健康管理計劃。

AI落地醫療，知易行難，任重道遠

正如前文所言，在政策紅利和AI技術與醫療領域深度融合的雙重驅動下，AI醫療成為了互聯網巨頭又想分的一塊大蛋糕，但由于行業的特殊性，短時間內仍很難實現。

如何破解醫療數據的安全互聯互通、釋放數據要素價值，是AI能否在醫療行業落地的首要課題。

首先，醫療系統各異，龐雜的難以互聯互通。各大醫療機構的信息化系統來自不同廠商，建設于不同時期，數據標準、格式和接口千差萬別。病歷系統、影像系統、檢驗系統之間就像說著不同語言，導致院內數據整合本身就困難重重，也在一定程度上加劇了跨機構的數據匯聚。

其次，數據非結構化，處理成本極高：醫療中存在的數據龐大，且大部分數據是非結構化數據，如醫生手寫的病歷文本、影像圖片、病理切片等。將這些數據提取、清洗、標注成AI算法可“消化”的標準格式，需要投入巨大的專業人力和時間成本，這為AI模型的訓練設立了極高的門檻。

更為重要的是數據隱私和安全問題，由于醫療數據通常包含患者的個人健康信息，涉及高度敏感的隱私問題。如何確保AI在處理醫療數據時的安全性，并防止數據泄露或濫用，也是AI應用于醫療領域的核心挑戰之一。

除了數據問題外，還需要面臨AI診斷的可靠性與可解釋性的問題。目前雖然AI在醫學影像分析和疾病預測方面表現優異，但其決策過程往往缺乏可解釋性。醫生和患者需要理解AI是如何得出診斷結論的，以便提高對AI輔助決策的信任度。

當然，還要考慮醫療從業者對AI技術的接受度，目前仍有部分醫生對對AI的診斷能力存疑，或者缺乏足夠的技術培訓，從而影響AI技術在醫療實踐中的推廣。

再就是，臨床落地與監管合規壓力也不容忽視。AI醫療應用想要真正融入臨床流程，需要一系列嚴格的臨床試驗驗證、相關部門批準等流程。此外AI診斷的責任界定、隱私問題、醫療糾紛處理等法律問題，尚未形成完善的解決方案，這些都為產品的規模化落地增添了難度。

結語

總而言之，由于醫療行業自帶的專業性、嚴肅性和復雜性的屬性，注定了AI在醫療領域的征程是一場“馬拉松”，而非“百米沖刺”。當前我們正處在起步的關鍵階段，需要技術開發者、醫護工作者、監管機構和資本方抱以更多的耐心和智慧，共同協作，一步一個腳印地推動這項變革性技術安全、可靠、有效地服務于人類健康。