華為殺入！AI醫療大亂鬥，誰是下一個倒下的「沃森醫生」？
AI医疗竞赛升级：华为入局与大模型狂欢
华为入局引爆AI医疗概念股
3月，华为宣布成立医疗卫生军团，如同在平静的湖面投下一颗巨石，瞬间引爆了AI医疗概念股。这标志着自2023年以来，以“大模型+医疗”为主题的竞赛，被推向了一个新的高潮。
百余大模型覆盖医疗全领域
如今，已有超过一百个大模型涌现，它们的应用范围几乎覆盖了生命科学的各个领域，以及医学诊疗的全部流程。科技巨头们纷纷入场，BAT（百度、腾讯、阿里）之后又加入了华为，形成了BTAH的新格局。同时，AI独角兽们，例如科大讯飞、商汤、零一万物等，也毫不示弱，纷纷亮出自己的医疗大模型。
狂欢背后的冷静思考：长期价值与实际应用
然而，在这场看似盛大的狂欢背后，我们必须保持冷静的思考。井喷式涌现的医疗大模型和AI应用，并非每一个都具备长期的价值，也并不一定能获得医院和患者的认可并愿意为此买单。我们需要思考，哪些应用能够真正解决医疗行业的痛点，哪些仅仅是昙花一现的概念炒作。
AI医疗的真正挑战：深入场景
历史回顾：AI医疗发展中的教训
回顾智慧医疗的发展历程，我们会发现，AI医疗所面临的真正挑战，在于能否真正深入医疗场景。曾经风光无限的Watson医生，希望治疗所有癌症，但最终未能达到预期效果，黯然退场。谷歌的Google Health，凭借尖端的AI算法切入诊疗环节，却因为其商业背景而遭到患者的抵触，同样遭遇了失败。在机器学习小模型时代，AI辅助医学影像需要对一个个专科、一张张图表进行标注，成本高昂，收益却很低，最终也未能普及。如今，ChatGPT掀起了大模型的热潮，但数据孤岛、算力成本、伦理红线等问题如何解决，仍然存在着太多的未解之题。
系统性思维的重要性：从通用到专用
医疗场景的壁垒深厚而复杂，只有运用系统性的思维和系统工程的方法，才能完成从通用模型到专用解决方案的转变，真正将大模型融入医疗行业的业务流程，解决核心的业务问题。这需要对医疗行业的运作方式、数据结构、临床需求有着深刻的理解，并在此基础上进行针对性的开发和优化。
决胜点：打造穿透场景的重剑
因此，对于大模型厂商而言，能否在医疗领域取得成功的决胜点，在于能否打造出一柄能够真正穿透各种复杂场景的“重剑”。这柄重剑不仅仅是先进的算法，更需要包含对医疗场景的深刻理解、可靠的数据来源、以及能够与现有医疗体系无缝对接的能力。
大模型在医疗场景中的应用：全面覆盖
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》，目前已经规划了84个人工智能应用场景。 仅从医疗场景来看，大模型已经全面覆盖了院前、院中、院后的全流程。
院前阶段：AI诊疗助手
院前阶段，大模型主要应用于基于大模型的AI诊疗助手，旨在为患者提供实时语音问答、智能分诊、健康教育、疾病预防等健康科普服务。 这些AI助手可以帮助患者初步了解自己的病情，并根据症状推荐合适的就诊科室，从而提高就医效率。
院中阶段：智能中枢，辅助诊疗决策
在院中阶段，大模型可以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，大模型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、手术计划初稿等繁琐的文书工作，从而解放医生的时间，使其能够专注于更重要的诊疗工作。 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等因素，这些因素都会影响到疾病的判断和肿瘤的检出率。 而AI大模型辅助诊疗、AI病理影像等应用，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：智能随访系统
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。
横向广度与纵向深度：差异显著
横向来看，大模型在医疗场景中，已是遍地开花，从院前到院后，几乎每个环节都有涉及。
但纵向来看，会发现不同细分场景的深度，却有着很大的差别。
浅层应用：院前院后AI问答的拥挤赛道
比如院前、院后的AI问答，容错率相对较高，研发难度较低，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，这一轮医疗大模型的热潮中，AI问答领域也最为拥挤、布局者最多，几乎所有科技巨头BATH、运营商，以及AI医疗服务商、医院，都推出了相关的服务。 这也导致了该领域竞争异常激烈，同质化现象严重。
深度应用：诊中阶段的挑战与机遇
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。 这也意味着更高的技术门槛、更严格的监管要求，以及更长的商业化周期。 但与此同时，诊中阶段的应用也具有更高的价值和更大的潜力，一旦成功，将能够真正改变医疗行业的格局。
医疗大模型爆发的原因：AI落地的高价值场景
由此可见，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？
AI医疗的历史难题：未被满足的需求
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？
AI医疗的两个阶段：专家系统与互联网时代
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。
最痛点问题：AI技术无法独自穿透医疗场景
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。
医疗场景的独特壁垒
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：
信任壁垒：数据共享难题
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。 利益分配机制的缺失，导致数据共享的意愿不足，从而制约了医疗AI的发展。
技术壁垒：临床应用的高标准
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。 医疗场景对准确性、可靠性的要求极高，任何细微的错误都可能导致严重的后果。 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。”
专业壁垒：AI开发者不了解医疗需求
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。 这需要AI开发者深入了解医疗行业的运作模式、临床流程、以及医生的实际需求，才能开发出真正有用的产品。
实例分析：腹腔镜图像去雾的挑战
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。
大模型能否穿透壁垒？
那么，下一个问题就是，大模型能穿透上述壁垒吗？
DeepSeek的开源策略与医疗AI的“平权时代”
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”，更多的医疗机构和医生能够接触到AI技术。
铸造重剑：医疗大模型的两种策略
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，真正深入医疗场景，解决实际问题。
目前来看，医疗大模型领域出现了两把“重剑”：
第一把剑：“结盟”：产业链合作
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。 这种合作模式能够整合各方的优势，共同攻克技术难题，提高模型的性能和可靠性。 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：“聚焦”：整合内部资源
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。 通过将资源集中投入到医疗领域，能够更快地提升技术水平，并更好地满足客户的需求。 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。
结论：AI与医疗的伟大相遇与未来机遇
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，需要长期投入和不断探索。
系统性思维与综合解决方案
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、制度等方面给予方方面面的支持。 这意味着需要构建一个完整的生态系统，包括数据采集、模型训练、应用开发、以及售后服务等环节。
有能力铸重剑的大模型厂商的未来
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。 只有那些真正理解医疗场景，并能够提供可靠、安全、高效的解决方案的厂商，才能在激烈的竞争中脱颖而出，成为医疗AI时代的领跑者。
相关文章
发表评论