AI医疗，迎来DeepSeek时刻了吗？
2025年8月，国家发布《关于深入实施“人工智能+”行动的意见》，在“人工智能+”民生福祉方面，文件提到“探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率。”
政策发力之外，科技巨头已加速入局。蚂蚁、京东、华为、字节纷纷切入AI医疗赛道，聚焦问诊、用药、健康管理等核心场景。“AI六小虎”中，百川智能与北京儿童医院合作开发专科AI医生。
他们共同瞄准的是一个潜力巨大的市场。据咨询机构弗若斯特沙利文预测，从2023年至2033年，中国AI医疗市场规模将从88亿元飙升至3157亿元，年复合增长率高达43.1%。放眼全球，世界经济论坛预计，2032年，全球AI医疗市场规模有望突破4910亿美元（约3.5万亿元人民币）。
过去，医改试图优化资源配置，互联网医疗则在挂号、咨询、购药等环节提升效率。但医疗行业的核心痛点在于优质医生供给严重不足。尤其在基层，缺的不是设备，而是会看病的医生。
如果AI能够深入诊疗核心，成为基层的“智能医生”，承担首诊、分诊、慢病管理等任务，它就不再只是辅助工具，而是放大优质医疗资源的杠杆。
我们将在本篇报告中探讨：AI医疗能否真正解决供给难题？AI医疗将如何重塑现有医疗体系？技术之外，AI医疗面临哪些监管与落地挑战？
在移动互联网时代，曾经有一个热门的概念叫作“入口”，也就是整合多服务资源的平台，比如信息入口、消费入口、支付入口，都是当时巨头们想要极力争取的。但在整个互联网的发展进程中，医疗领域似乎没有出现一个真正的“入口级”企业。
首先，医疗是数字化程度极高的行业，数据基础扎实。AI技术日渐成熟，能够整合利用已有的数据，拓展医疗领域的智能应用。
其次，医疗决策往往以家庭为单位——上有老、下有小，一个人的健康需求牵动整个家庭。谁能成为这个入口，谁就可能掌握家庭级的服务触点，商业价值巨大。AI的引入，使得系统性地管理一个家庭的健康成为可能，比如持续追踪每位成员的健康数据，识别跨代际的遗传风险。
在深入探讨AI医疗之前，我们有必要先对医疗行业本身建立一个整体性的认知。毕竟，技术是为解决问题而存在的，理解问题本身，才能看清技术的真正价值。
对于医疗问题，老百姓用六个字总结得非常精准：看病难、看病贵。这六个字看似简单，实则涵盖了医疗体系的核心痛点。但医疗难题并不只是中国的困境，全球范围内，在医疗领域可能没有真正的“模范生”。不少国家的医疗体系都深陷于“供给不足、资源不均、成本高昂”的多重困境之中。
比如美国，尽管拥有全球最 先进的医疗技术和研发能力，但并未实现全民覆盖的医疗体系，低收入群体和少数族裔仍然面临就医难的困境。美国前总统奥巴马执政期间提出的医疗改革方案缓解了部分矛盾。但更突出的问题是，美国医疗成本极高，根据美国《卫生事务》杂志的统计，2024年美国医疗支出增长率达8.2%，突破5万亿美元大关。
再比如英国，建立国家医疗服务体系（NHS），曾经用不到10%的GDP成本实现了全民医保，一度是大家学习的模范。但近些年随着医疗成本的快速上升，这个体系也面临严峻挑战。首先是服务效率低下，非急症患者长期等待候诊成为常态，许多留学生宁愿回国就医。其次是财政压力持续加大，随着人口老龄化和医疗成本上升，政府越来越难以承担，税收负担也逐年加重。
为什么医疗改革如此艰难？根本原因在于，医疗不仅具有消费属性，还承载着强烈的公益属性。医疗行业既要维持行业的可持续运转，又必须控制费用，避免成为人们的负担。这一内在张力使得政策设计始终面临两难。此外，医改涉及“医疗、医药、医保”三方主体，不同主体利益诉求各不相同，协调难度极大。（更多关于医疗体系的思考，欢迎阅读）
2009年，“新医改”正式启动，逐步建立了覆盖全民的基本医疗保障制度。2015年，分级诊疗制度开始推进。2017年，公立医院全面取消药品加成，标志着“以药养医”模式的终结。2018年，国家医保局成立并启动药品集中带量采购。近年来，医疗行业的反腐也成为改革的重要一环。
但中国医疗行业始终面临一个待解的难题——优质医疗资源供给不足。换句话说，医改可以改变分配方式，但难以在短期内培养出大批量的好医生或者大范围提升基层诊疗能力。
从2000年数字医疗企业丁香园创立，到2003年国家提出加快卫生系统信息化建设步伐，再到2006年互联网医疗平台好大夫在线成立，以及2010年挂号网的成立……互联网医疗一度被寄予厚望。
政策也开始推动。2013年，国务院发布《关于促进健康服务业发展的若干意见》，其中提到“与物联网、移动互联网融合，不断提升自动化、智能化健康信息服务水平”。
2014至2015年，互联网医疗迎来高潮：阿里、腾讯、百度等巨头纷纷入局；丁香园、春雨医生、微医（原“挂号网”）等平台试水线下诊所，其中微医在乌镇开了中 国第 一家互联网医院。
热潮之后，是监管收紧。2018年，国家出台互联网诊疗管理办法，明确禁止在线首诊，只能用于复诊，行业迅速降温。直到新冠疫情爆发，远程医疗需求激增，互联网诊疗才迎来新一波增长。
互联网医疗的挣扎持续了相当长一段时间。归根结底，医疗的核心环节是诊疗，互联网医疗更像是在医疗外围“打转”，大多停留在轻问诊、健康咨询和药品流转等环节。互联网医疗调节了分配，但是没有解决医疗行业供给稀缺的问题。打个简单的比方，互联网挂号改善了挂号体验，但改变不了优质医生有限的现实。
因为互联网医疗能提供的服务较为有限，盈利模式也受限。阿里健康、京东健康等平台虽已陆续IPO，商业模式更多聚焦于在线药品销售，而非诊疗。
在中国，医疗服务的定价长期偏低，医保又面临巨大的支付压力。如果AI只是作为医生的“辅助工具”，它的价值就很难独立体现。这样一来，医院和医生可能缺乏动力去采购和使用AI产品。
医疗行业真正的破局点，或许在于：谁能系统性地增加医生供给，提升基层医生的诊疗能力，谁就有可能成为医疗体系的“入口”。此外，如果AI医疗能在广大的基层医院得到普及，其放大优质医疗资源的杠杆作用会更强。
早在2011年，由IBM和美国德克萨斯大学联合研制的超级电脑“沃森”(Watson)在美国智力问答电视节目《危险边缘》中的总分超过了该节目的两位人类冠军。
“沃森”在节目中的亮眼表现让IBM看到了“沃森”拓展应用场景的可能性。“沃森医生”曾与纪念斯隆-凯特琳癌症中心合作，研究与癌症相关的变量。“沃森医生”还与休斯顿MD安德森癌症中心合作，试图为癌症患者提供诊疗建议。然而，这些声势浩大的尝试最终以失败告终。最终，IBM将Watson Health大部分资产拆分出售，宣告了第 一代AI医生的退场。
第 一，彼时AI的能力还不够强大。尽管沃森具备出色的语言理解能力，但医疗场景中充斥大量非结构化、高度专业化的临床数据，当时的AI难以实时处理和更新这些数据，限制了“沃森医生”的临床实用性。
第二，数据来源严重受限。沃森的训练数据有限，缺乏多样性和广泛性，可能导致模型泛化能力不足，不容易应对复杂多变的真实病例。
第三，定位存在偏差。动脉网曾援引业界专家对“沃森医生”的评价：“过度宣传Watson代替医生、超越医生，能够超越医生的认知……这样的宣传迅速拉高了外界对于IBM Watson的期望……过分夸大的市场宣传，对产品长期健康的发展并没有好处。”
首先是技术能力的飞跃。医疗诊断的本质并非强逻辑推理，而更接近“知识库+经验”的模式，更多依赖记忆、模式识别和经验积累。如今，大语言模型在医疗诊断任务中的表现，相较上一代AI医疗产品已经有了一定的提升。
2024年，哈佛大学、斯坦福大学、微软等机构联合开展了一项研究，对OpenAI旗下o1-preview模型在医学推理任务的表现进行了综合评估。结果显示，o1-preview模型在诊断临床推理（判断最可能是什么疾病）、管理推理（制定治疗方案）等任务中超越了实验组中主治医师和住院医师的水平。
其次是数据质量的提升。上文提到，2003年中国提出加快卫生系统信息化建设步伐。经过20余年，中国医疗行业已经积累了足够充分的高质量数据。这些高质量数据，将有助于AI医疗的发展。毕竟，在一定程度上，数据的质量直接决定了AI医生的“高度”。
最后是定位的理性回归。依据中国卫健委的数据，中国乡村医生仅占全国医生总量的近五分之一，但乡村人口占全国总人口超过三分之一。AI医生或许更适合定位成替代基层的全科医生，而非挑战临床研究型的医生。AI医生适合发挥其跨学科、多病种综合判断的优势，实时更新医学知识，整合多学科指南，提供诊疗建议。
未来，医生的角色或许会逐渐分化：一部分医生专注于临床科研与疑难重症攻坚，成为顶 级专家；另一部分则在AI的辅助下，转型为以患者照护、慢病等健康管理为核心的“助理医生”或“健康管家”。
AI或许将彻底重塑医生的供给结构——让优质医疗资源通过技术杠杆，真正下沉到基层，触达更广泛的患者群体。
你只需在线问诊，AI即可结合症状进行初步评估。医疗平台上门检测采集的血常规、尿检等数据，或社区医院完成的影像检查，都被AI自动汇总、分析。
AI完成诊断后，立即分诊：常见病直接开方，纳入慢病管理并动态追踪疗效；急重症快速转诊至上级医院；疑难病例则推送给专科医生，AI可辅助提供决策支持。
随着AI在诊断和治疗建议中的参与度提升，诊疗过程中产生的结构化数据将不断积累，形成“数据—模型—应用”的反馈循环。这种数据飞轮效应，理论上可以提升模型性能，并为医学研究和真实世界证据积累提供支持，但其实际效果仍依赖于数据质量以及医疗机构间的协同程度。
以美国AI医疗企业Tempus AI为例，其核心业务是通过AI驱动的临床和分子数据库，为医疗系统提供精准的检测和诊断工具，服务范围覆盖肿瘤学、精神病学、放射学和心脏病学等多个领域。Tempus AI凭借与数千家医疗机构以及超半数美国肿瘤学家的合作，积累了海量数据集，用于训练人工智能算法。
当前临床中仍存在一定的过度用药、药物错配等现象。如果AI系统能够基于用药指南和最新文献提供建议，可能会在一定程度上减少非必要处方，提升用药规范性deepseek。但AI需要遵循相应的规范，不能以“个性化”的名义进行违规操作。
例如，远程医疗平台Hims & Hers Health会为用户制定个性化治疗方案。每个患者的剂量、药物的组合，甚至是成分，都会根据个人需求量身定制。但市场中也出现了另一种声音，2025年6月，合作方诺和诺德指责Hims & Hers Health未遵守禁止大规模销售配制药的法律，利用虚假的“个性化”定制规避监管，且营销行为危及患者安全。
第三，AI可能对商业保险和医保支付模式产生间接影响。当前商业健康险面临保费高、参保率低的问题，部分原因在于风险控制难度大。
如果AI能够参与全周期健康管理，渗透预防、筛查、慢病随访等环节，理论上有助于降低整体医疗支出，并为保险精算提供更精细的风险分层依据，进而降低保费。然而，这类模式的可持续性仍需验证，且涉及伦理、公平性和算法透明度等复杂问题。
总体来看，AI在医疗数据整合、用药规范和支付机制优化方面具备一定的应用前景，但其实际成效受限于技术成熟度、系统对接能力、监管框架和临床接受度。它更可能作为辅助工具，逐步嵌入现有体系，而非迅速颠覆或替代传统模式。
然而，真正决定它能否大规模落地的，并非技术本身，而是监管的态度与制度的跟进。毕竟，医疗关乎人的健康与生命。例如，2024年2月，湖南曾发布《关于进一步加强基本医疗保障定点零售药店管理的通知》，明确提到“严禁使用人工智能等自动生成处方”。
此外，AI医疗的一大待解难题在于，一旦发生医疗纠纷，责任应由谁承担？是医生、医院，还是算法开发者？
如果AI被明确界定为“独立决策者”而非“辅助工具”，责任归属反而可能更清晰。如果未来出现“纯AI医生”模式，即由AI独立完成首诊、分诊和处方，那么一旦出错，责任主体可能会落在开发方或运营方。
2025年1月，FDA发布的AI应用于药品与生物制品的监管框架《使用人工智能支持药品和生物制品监管决策的考虑因素:行业及其他利益相关方指南草案》，或许可以作为他山之石。其核心思路并非仅按照任务类型划分“高风险”或“低风险”，比如不能让AI开处方，而是根据AI模型的应用场景和潜在后果进行动态评估。这种“基于风险情境”的监管模式，可能更具灵活性。
尽管挑战重重，AI医疗的发展趋势已被视为“明牌”。国内科技企业如阿里、华为、百川智能等均已布局。AI医疗未必是万 能解药，但它确实为丰富医疗资源供给提供了新的可能性。原文出处：AI医疗，迎来DeepSeek时刻了吗？，感谢原作者，侵权必删！
