今天小編分享的科學經驗：醫療大模型的決勝點，在于鑄重劍，歡迎閲讀。
華為在 3 月宣布成立醫療衞生軍團，AI 醫療概念股應聲暴漲，至此，這場自 2023 年以來的 " 大模型 + 醫療 " 競賽，又被推上了一個新高度。
截至目前，已經有百多個大模型覆蓋了生命科學的全領網域、醫學診療全流程，科技巨頭 BTAH（百度、騰訊、阿裏、華為）、AI 獨角獸（科大訊飛、商湯、零一萬物等）悉數到場。
但狂歡背後，井噴式的醫療大模型及 AI 應用，不是每一個都有長期價值，也不一定能讓醫院和患者買單。
回顧智慧醫療的歷史，會發現AI 醫療的真正挑戰，在于場景之深。Watson 醫生希望治療所有癌症，實際不達預期，pass；谷歌 google health 以尖端 AI 算法切入診療環節，卻因商業背景而遭到患者抗拒，pass；機器學習小模型時代的 AI 輔助醫學影像，需要一個個專科一張張圖表做标注，成本高收益低，pass；ChatGPT 掀起的大模型熱潮，數據孤島、算力成本、倫理紅線等怎麼解決，仍有非常多的未解之題。
醫療場景的壁壘深厚，唯有以系統性思維和系統工程，才能完成從通用到專用的轉變。讓大模型真正融入醫療行業的業務流程，解決核心業務問題。
因此，大模型廠商的決勝點，在于能否築造一柄穿透場景的重劍。
根據國家衞健委發布的《衞生健康行業人工智能應用場景參考指引》，目前已經有 84 個人工智能應用場景。僅從醫療場景來看，大模型就已經全面覆蓋了院前、院中、院後的全流程。
院前階段，以基于大模型的 AI 診療助手為主，為患者提供實時語音問答、智能分診、健康教育、疾病預防的健康科普等服務。
院中階段，大模型為臨床診療決策提供支持，成為貫穿全流程的智能中樞。入院時，可以高效完成入院記錄生成、檢查項目推薦、電子病歷自動糾錯、手術計劃初稿等文書工作。診斷時，傳統診療方式十分依賴于醫院的級别、昂貴的設備、醫生的臨床經驗職稱和耐心，這些因素都會影響到疾病的判斷和腫瘤的檢出率。AI 大模型輔助診療、AI 病理影像，就可以有效減少這些因素對檢出率的不良影響，避免延誤病情。在治療或手術期間，AI 大模型可以對患者的病史信息了解得更加全面透徹，為醫生提供關鍵參考，從而提高診療效果。
院後階段，關懷性随訪可以增強患者的依從性，達到更好的預後效果，減少自行停藥風險。但醫生少、時間精力有限，大多數患者很難得到及時随訪，和連續性的健康服務。這時候，基于大模型的智能随訪系統，就可以結合患者的全面診療信息，實時高效地進行随訪，記錄患者的反應，并對一些停藥、復發等風險提前幹預。
橫向來看，大模型在醫療場景中，已是遍地開花。
但縱向來看，會發現不同細分場景的深度，卻有很大的差别。
比如院前、院後的 AI 問答，容錯率相對高，研發難度低，通過 deepseek、文心、盤古、混元等基礎通用大模型，結合醫療場景專用數據進行微調即可上線，因此也是這一輪醫療大模型最擁擠、布局最多的，幾乎所有科技巨頭 BATH、運營商，以及 AI 醫療服務商、醫院，都推出了相關服務。
而診中階段，需要大模型作為智能中樞，來輔助診療，打破傳統醫療信息化的數據煙囱，提供可靠可信的專科意見，容錯率極低，開發難度大、耗時長，需要多部門配合、專有隐私數據進行訓練，十分依賴于醫院、大模型廠商、第三方服務商等深度互信。
由此可以發現，發布并上線一個醫療大模型并不難，但淺層應用是一片紅海，很難脱穎而出，而深度整合進醫療業務中，又要跨越醫院和科技巨頭們壁壘森嚴的地盤，并不容易。
既然醫療大模型的商業模式尚不清晰，為什麼仍然迎來了爆發，吸引了各方巨頭争相搶灘？
從 AI 誕生以來，醫療就被認為是 AI 落地的高價值場景。既然醫療行業對 AI 并不陌生，為什麼大模型的到來會掀起一陣狂歡？
理解這個問題，我們有必要回到歷史中去，看看在沒有大模型的歲月裏，AI+ 醫療究竟留下了哪些未解的難題。
按照技術代際來劃分，AI 醫療有兩個重要階段。一是以 Watson 健康為代表的專家系統，當時很多醫院與醫療機構都希望将專家系統和知識計算的新技術應用于臨床。最後以大量機構退出合作、Watson 被低價出售而結尾。
另一個階段是 2015 年左右的互聯網時代，醫療行業電子化、信息化初步完成，京東、阿裏、騰訊、百度等互聯網巨頭都開始布局醫療健康領網域。但當時 AI 當客服都是 " 人工智障 "，計算機視覺技術一枝獨秀，AI 輔助醫學影像系統，如騰訊覓影，支撐起了 AI 醫療的概念。
到了大模型時代，ChatGPT 問世之後出現了一百多個大模型。發力大模型 + 醫療領網域的 AI 獨角獸，業務進展緩慢，盈利周期也較長。
既然 AI 醫療的方向是對的，那多年來久攻不下，這裏面最痛點的問題是什麼？
醫療場景之深，僅靠 AI 技術是無法獨自穿透的，這也成為醫療大模型所需要解決的核心問題。
除了行業大模型都會面臨的一些通用問題，比如數據稀缺、項目開發難度大、人才要求高、開發周期不可控等之外，醫療場景還有許多獨特的壁壘：
一是信任壁壘，數據難共享。為了促進醫療機構、科研機構之間的數據互通與共享，國家也在推廣多中心研發，打消了 " 不敢 " 共享的顧慮。但數據共享出去了，高質量數據和低質量數據對模型的貢獻卻不一樣，不同數據產生的價值怎麼合理分配？缺乏合理的機制牽引。
二是技術壁壘，達不到要求。AI 算法達到 85% 的表現，一般就可以發 paper 了，但要落地臨床場景，往往需要 95%、99% 以上的表現。很多榜單上十分優秀的大模型，在現實中卻面臨 " 叫好不叫座 " 的困局。谷歌的醫療大模型 Med-PaLM 回答的評分高達 92.6%，與人類臨床醫生相當，谷歌首席健康官 Karen DeSalvoy 也曾審慎地提醒：" 不希望大家認為，僅靠一個 AIGC 大模型，就能治愈所有的健康問題和疾病。"
三是專業壁壘，做 AI 的不懂醫療場景需求。一位智慧醫療領網域的從業者告訴我們，客户并不關心你采用什麼技術路線，他們最關心的是你能不能提供滿足他需求的產品和服務，所以必須得有場景化思維。很多痛點，是大模型廠商在辦公室裏想象不到的。
比如一位泌尿外科的醫生，在腹腔鏡操作中會產生大量的煙霧，希望使用 AI 算法來對影像進行去霧，要求極高的實時性，因此模型必須部署在本地，而本地模型又對端側算力的要求比較高，如果調用雲端伺服器的話，那就要求網絡時延在幾毫秒。
可以看到，僅靠一個醫療大模型，而沒有配套的網絡、端側設備相配合，連一個腹腔鏡影像去霧的小場景，都無法做好。
所以，大模型賦能醫療，看起來并不缺少方向和案例，但商業成功卻始終在迷霧中。
那麼，下一個問題就是，大模型能穿透上述壁壘嗎？
DeepSeek 的開源策略，使醫療機構和中小企業部署大模型的成本大幅降低，DeepSeek+ 國產推理芯片如昇騰、昆侖、寒武紀等的适配，也降低了算力門檻，這些推動醫療大模型在醫院的普及。醫療 AI 應用，開始步入 " 平權時代 "，
但我們也必須看到，壁壘高企的醫療場景，并非引入 deepseek 和大模型就萬事大吉。大模型廠商不能依靠接入 API 等淺層結合、腳不沾泥的方式，而需要鑄重劍。
目前來看，醫療大模型領網域出現了兩把 " 重劍 "：
第一把劍，名為 " 結盟 "。醫院、大模型廠商、醫療信息化服務商、ISV 和數據服務商等，通過產業鏈之間的互信與合作，來打造符合專科需求的專業大模型。比如邁瑞醫療和騰訊聯合開發的重症醫療大模型，華為與上海瑞金醫院合作開發的 RuiPath（瑞智），復旦大學附屬中山醫院聯合上海科學智能研究院共同研發觀心大模型 CardioMind 等。湘雅醫院也沒有直接引入 DeepSeek，而是選擇與 AI+ 醫療公司醫渡科技合作，由後者為其搭建由 DeepSeek、醫渡大模型等多個大模型組成 AI 中台。
第二把劍，名為 " 聚焦 "。部分模廠通過内部聚焦，整合資源，來推動大模型與醫療的深度結合。比如百川智能已經調整了業務線，将資源集中到醫療領網域。華為更是組建了醫療衞生軍團，整合華為多個部門的多種技術能力，将華為内部方案與外部痛點進行精準匹配，聚焦在構建 AI 輔助診斷解決方案體系，推動醫療大模型落地臨床場景。華為的軍團模式，也是精準切入醫療場景的一柄利劍。
整體而言， AI 與醫療，可能是本世紀最偉大的相遇，這場邂逅不可能倉促完成。
醫療與大模型的結合，需要用場景化、系統級的思維，用技術聚合的綜合解決方案，在系統、流程、制度等給予方方面面的支持。因此，有能力鑄重劍的大模型廠商，未來将在醫療數智化浪潮中獲得更大的機會。
