公司动态 - 百川智能于1月13日正式开源新一代医疗大模型 Baichuan-M3 [1] - 该模型在全球权威医疗AI评测HealthBench中以65.1分的综合成绩位列全球第一 [1] - 在专门考验复杂决策能力的HealthBench Hard上，该模型以44.4分的成绩夺冠 [1] - Baichuan-M3具备原生的“端到端”严肃问诊能力，能主动追问、逐层逼近以获取关键病史和风险信号 [1] - 该模型能在完整信息上进行深度医学推理 [1] - 医疗应用“百小应”已同步接入Baichuan-M3，面向医生与患者开放相关能力 [1] 行业技术进展 - 百川智能开源的新一代医疗大模型在权威评测中展示了领先的医疗AI能力 [1] - 模型具备模仿医生进行主动追问和深度医学推理的复杂决策能力 [1] - 行业正将先进的大模型技术快速集成到面向终端用户的应用中 [1]

文章核心观点 - 医疗大模型在从头部三甲医院向基层医疗机构下沉应用时，普遍出现“水土不服”现象，未能实现预期的“提效减负”目标，反而可能成为额外负担 [2][3][4] - 基层医院对AI有真实需求，但更需要功能克制、场景明确、成本可控的“智能助手”，而非为复杂疾病设计的精细大模型 [15] - 医疗大模型的基层落地面临数据完整性不足、疾病谱差异、持续成本高昂及效率逻辑错配等多重结构性挑战 [7][8][9][10][13] - 未来可行的路径可能包括通过医联体/医共体分摊成本、发展轻量化垂直模型，并依赖明确的支付预期和数据资产规则等制度条件的完善 [20][21][22] 基层医院应用大模型的现状与挑战 - **落地效果不及预期**：某基层医院引入的头部医疗大模型，在电子病历生成和辅助诊断上均未达预期，甚至因无法识别方言导致文书错乱，增加了医生手工校正负担 [2] - **普遍存在“水土不服”**：当头部医院训练好的大模型下沉到基层时，“水土不服”是普遍状况，根本原因在于模型的训练和应用场景存在错位 [3][4] - **数据完整性缺失**：基层医院数据缺乏结构化与互联互通，且患者就诊路径不连续，导致数据碎片化，模型所需的高质量输入变量无法完整获取 [8][9][10] - **疾病谱存在差异**：头部医院主要处理疑难杂症，而基层以常见病、多发病为主，用为复杂疾病训练的模型处理基层问题存在根本错位 [10] - **成为新的工作负担**：模型结论常与医生判断不一致，导致医生需花更多时间核对信息、补充检查或组织讨论，未能为基层医生减负 [11][12] 基层医院应用大模型的成本与效率矛盾 - **持续成本高昂**：一家非头部三甲医院院长透露，每年仅算力成本就要几百万元，几乎占掉全年信息化预算，且还需复合型人才进行数据清洗和流程适配 [13] - **投入产出比低**：投入几百万元算力仅换来工作效率的有限提升，既无法直接减少人员编制，也难以显著改善医院经营状况，导致决策层不满意 [14] - **效率逻辑存在错配**：医院人力配置围绕现有工作量平衡，AI带来的效率提升可能引发人员冗余问题；且现阶段AI多为“部分替代”，仍需大量人工监督校验，难以释放人力成本 [13] 基层医院的应对策略与探索 - **需求转向“智能助手”**：基层真正需要的是更贴近真实工作流、功能克制的工具，聚焦于慢病管理、患者随访、护理文书辅助及转诊协同等高频、低争议场景 [15] - **部分医院选择“自己干”**：有县级医院针对县域常见病种，研发多个专病小模型，单个项目成本控制在十几万元，并已实现成果输出至同级医院 [16] - **策略聚焦细分领域**：有医院将资源集中投向护理场景，研发辅助文书书写、智能化宣教等应用，以解放人力资源最紧张的护士岗位 [17] - **自研面临约束**：即便小模型，全院范围运行的服务器投入也可能达数百万元，且既懂医疗又懂数据的复合型人才在基层医院稀缺 [17] - **合作引入面临价格门槛**：外部AI厂商的大模型落地要价往往高达一两百万元，使医院望而却步 [18] 医疗大模型下沉的未来路径与条件 - **政策驱动明确**：国家政策目标为到2030年基层诊疗智能辅助应用基本实现全覆盖，持续抬高基层对信息化与智能化的要求 [4][5] - **医联体/医共体成为关键中间层**：可通过算力集中部署、模型统一维护、基层按需调用，降低单点投入，避免重复建设，并成为成本与收益的“缓冲器” [20][21] - **技术路径趋向轻量化与垂直化**：更现实的路径是围绕区域优势病种、高发慢病或特定工作流，构建轻量级、垂直化的模型或智能模块 [21] - **依赖制度条件叠加**：成功的基层大模型解法需要明确的支付预期、合理的数据资产规则、可分摊的成本结构以及对场景边界的克制选择 [22] - **建议审慎进入**：专家建议基层医院“让子弹飞一会儿”，先看清哪些坑已被踩过，再决定是否入场，避免花了钱却用不起来的真正失败 [22]

文章核心观点 - 医疗大模型在从头部三甲医院向基层医疗机构下沉应用时，普遍出现“水土不服”现象，未能实现预期的“提效减负”目标，反而可能成为额外负担 [2][7][10] - 基层医疗机构对AI存在真实需求，但更需要功能克制、场景明确、成本可控的“智能助手”或垂直小模型，而非复杂的大而全模型 [15][16] - 医疗大模型在基层的落地面临数据完整性不足、疾病谱差异、持续成本高昂及效率逻辑错配等多重结构性挑战 [8][9][10][12] - 未来可行的路径包括通过医联体/医共体分摊成本、发展轻量化垂直模型、并期待明确的支付预期和商业化路径，当前阶段基层医院采取审慎观望态度更为理性 [19][20][21] 医疗大模型下沉的挑战与困境 - **数据质量与完整性差异**：头部医院数据高度结构化、规范化，而基层医院数据碎片化、非标准化，且患者就诊路径不连续，导致模型所需输入变量无法完整获取 [8][9][10] - **疾病谱与场景错位**：头部医院模型针对疑难杂症训练，而基层以常见病、多发病、慢病管理为主，模型应用存在根本性错配 [10] - **成本高昂且难以转化收益**：大模型每年光算力成本就需几百万元，几乎占掉医院全年信息化预算，且效率提升难以直接减少编制或改善经营，投入产出比低 [12][13] - **操作复杂增加负担**：模型可能无法识别方言导致病历错乱，且因流程复杂或结论不一致，反而增加了医生核对、补充检查的工作量，未能实现减负 [2][10][11] 基层医疗机构的现实需求与应对策略 - **需求聚焦高频、低争议场景**：基层真正需要的是慢病/常见病风险管理、患者随访、分级诊疗提示、护理文书辅助及转诊协同等“智能助手” [15] - **转向自研专病小模型**：部分基层医院选择针对本地常见病种研发多个专病小模型，单个项目成本控制在十几万元，并已实现成果输出 [15][16] - **关注护理等未被充分满足的场景**：有医院将资源集中投向基于护理场景的AI应用开发，以解放人力资源最为紧张的护士岗位 [16] - **合作中的成本障碍**：外部AI厂商的大模型落地要价高达一两百万，使医院望而却步，某医院每年约600万元的AI科研经费仅能支撑小范围试点 [17] 未来发展的潜在路径与条件 - **医联体/医共体作为关键中间层**：可通过算力集中部署、模型统一维护、基层按需调用，降低单点投入，避免重复建设，并成为成本与收益的“缓冲器” [20] - **技术路径趋向轻量化与垂直化**：围绕区域优势病种、高发慢病或特定工作流，构建轻量级、垂直化的模型或智能模块是更现实的路径 [20] - **依赖明确的商业化与支付预期**：模型持续下沉的动力取决于未来AI医疗产品在定价、收费或医保支付上获得明确路径，使头部医院能通过模型租赁、服务输出等方式实现商业回报 [20] - **需要多重制度条件叠加**：基层大模型的成功落地需要明确的支付预期、合理的数据资产规则、可分摊的成本结构以及对场景边界的克制选择 [21]

行业评测平台与标准 - 中文医疗大模型权威评测平台MedBench发布了最新4.0版本评测结果 [1] - MedBench 4.0是国内首个且唯一面向医疗垂直大模型、专用大模型及应用场景的综合性评测与验证平台 [1] - 平台对齐国家《卫生健康行业人工智能应用场景参考指引》 覆盖60个全自主构建评测集 深度提炼共70万余专业评测题 [2] - 评测体系聚焦“实战化评测突破”与“生态化开放共建”两大核心方向 包含多模态大模型、大语言模型及智能体三大技术范式 [2] - 此次升级标志着我国医疗大模型评测体系迈入一个全新的阶段 [2] 公司评测表现与排名 - 在MedBench 4.0的综合榜单中 微医医疗大模型持续领跑 [1] - 在多模态大模型评测榜单中 微医医疗大模型排名第一 综合得分为60.8 [2] - 在大语言模型和智能体的评测方面 微医医疗大模型均位列榜单前三 [3] - 评测结果验证了公司突出的临床辅助能力与可靠性 [1] 公司技术能力与特点 - 微医医疗大模型在多模态能力上问鼎榜单 [3] - 其能力在医学影像辅助分析、多模态报告解读等方面获得精准验证 MedBench 4.0为此设置了涵盖目标检测、图像分类等10项细分任务 [3] - 公司自研技术聚焦深度融合临床真实诊疗数据与临床决策路径 [3] - 与满足日常健康咨询的通用大模型不同 该模型在需要专业判断的严肃医疗场景中能够提供高质量的循证参考 [3] - 公司技术发展遵循“生于场景、长于场景”的路径 训练与优化始终与线下医疗机构的真实业务流程紧密耦合 [3][4] - 在真实业务场景协同下 公司已形成能够增强训练和自我强化的数据飞轮效应 在疗效评估、经济性评估等反馈中不断优化AI医疗能力 [4] 公司业务应用与战略 - 微医医疗大模型的能力已全面赋能微医人工智能医院的各项服务 [4] - 大模型能力通过AI医生、AI药师、AI健管、AI智控和微小医等五大智能体 已在AI健共体中规模化应用 实现了从技术能力到商业价值的闭环转化 [4] - 公司表示将以通过权威验证的医疗大模型为核心驱动 联合生态伙伴在更广泛的医疗人工智能应用领域持续深耕 [4] - 公司目标是构建一个智能化、普惠化的医疗健康新生态 让优质医疗资源触手可及 [4] - 模型的核心价值在于真正赋能诊疗水平提升、助力基层医疗补短 最终服务于价值医疗的宏伟目标 [3]

公司近期动态 - 商汤医疗正式引入河南汇融人工智能产业投资基金近亿元战略投资，这是河南省首支聚焦人工智能产业的主题基金[2] - 此次战略注资明确指向区域医疗体系的数智化升级与协同建设，标志着公司“AI+医疗”战略在中原地区进入实质性落地阶段[2] 行业市场背景 - AI医疗正处在从技术验证向价值验证过渡的关键阶段，2023年中国AI医疗行业市场规模约107亿元，同比增长超过50%[3] - 在“健康中国2030”等政策推动下，AI在诊前、诊中、诊后及科研管理等环节的应用持续扩展[3] - 医疗机构对AI的需求正在从聚焦影像识别或单一算法，转向更强调跨科室、跨流程、可持续演进的系统级工具[3] - 具备医疗大模型能力、能够支撑多场景协同的AI医疗平台，开始在区域与大型医疗体系中获得更高关注度[3] 公司战略定位 - 公司定位为“医疗大模型驱动的智慧医院系统级解决方案提供方”[4] - 核心是以自研临床级医疗大语言模型“商汤大医®”为中枢，构建覆盖诊疗、就医、科研与管理等全院场景的SenseCare®智慧医院综合解决方案[4] - 技术路径采取“通专融合”架构，目标是通过AI提升诊疗效率、稳定性与资源配置效率，而非替代医生决策[4] 核心技术架构 - 以“大医®”作为统一决策与调度中枢[5] - 下层联动影像、病理、内镜、心电等多模态医学基础模型[5] - 结合专病知识库与临床工具集，将模型能力嵌入真实医疗流程[5] 产品与临床能力 - 围绕SenseCare®体系，已形成多条可落地的应用模块[6] - 在临床诊疗侧，目前已上线40余款AI模块，覆盖肺部、心脏冠脉、头颈血管、肝脏、肌骨等十余个临床方向[7] - 在病理场景中，SenseCare®智慧病理AI辅助诊断系统可帮助科室整体效率提升30%–50%[7] - 在智能决策与手术规划方面，智能手术规划系统基于医学影像自动完成三维重建与病灶定位，为医生提供多种术式方案选择[8] - 与北京清华长庚医院董家鸿院士团队联合推出的肝脏多模态智能体IDEAL，已实现肝脏手术规划全流程的AI辅助[8] 区域落地与协同应用 - 在河南区域，公司已参与郑州大学第一附属医院远程医疗体系建设，协助构建覆盖影像、病理、心电的智能远程诊断平台[9] - 该体系重点解决基层医疗机构在疑难病例诊断、专科资源不足等问题，为AI医疗在区域范围内的规模化应用提供了实践样本[9] - “大医智健”覆盖导诊、预问诊、云陪诊、诊后随访等患者服务流程[11] - “大医智研”服务于医生科研场景，支持选题、文献处理、统计分析及论文写作等高频需求[11] 行业阶段与竞争关键 - 此次引入区域产业资本，释放出的关键信号是AI医疗正进入“区域协同与体系落地”的新阶段[12] - 新阶段真正拉开差距的，不再是模型参数大小，而是谁能够在真实医疗体系中，将AI能力稳定嵌入诊疗、管理与服务流程，并在区域层面持续运行[12] - 河南这样的医疗需求大省，正在成为AI医疗“从试点走向规模化”的关键验证场[12] - 公司后续观察重点将集中在区域复制能力、医院侧使用深度以及商业模式的可持续性上[12]

公司战略融资与合作 - 商汤医疗近日引入河南汇融人工智能产业投资基金近亿元战略投资 [3] - 此次投资标志着公司“AI+医疗”战略在中原地区的深化布局 [3] - 投资方是河南省首支专注于人工智能领域的产业主题基金 [3] 公司定位与核心技术 - 公司定位为“医疗大模型驱动的‘未来医院’设计者与赋能者” [4] - 以自研临床级医疗大语言模型“商汤大医®”为核心 [4] - 通过“通专融合”技术框架构建AI医疗“世界模型” [4] - 致力于打造可自主学习、持续进化的智慧医院新范式 [4] - 提供覆盖全院场景的“SenseCare®智慧医院”综合解决方案 [4] 区域市场战略意义 - 河南作为人口大省，是AI医疗技术进行大规模、深层次实践的绝佳场景 [2][6] - 此次合作实现了前沿技术能力与区域发展战略的精准匹配 [6] - 是推动公司全栈解决方案在关键市场进行规模化验证与体系化落地的战略举措 [6] - 合作目标包括提升区域诊疗均质化水平、优化医疗资源效率、培育本土化AI医疗产业生态 [6] 具体业务方向与赋能领域 - 未来将围绕医学大模型、智能辅助诊断、智慧临床决策及医院精细化管理等方向为河南各级医疗机构提供技术赋能 [6] - 将创新技术转化为驱动区域医疗高质量发展的新质生产力 [6] 过往合作案例与行业地位 - 已与上海瑞金医院、四川华西医院等国内顶尖医疗机构深度合作 [9] - 多项成果入选国家级人工智能典型案例及上海市卫生健康人工智能核心成果 [9] - 在河南已助力郑州大学第一附属医院构建一体化多模态综合服务平台 [9] - 郑大一附院应用其技术打造了影像、病理、心电三大智能远程诊断平台 [9] - 公司已稳步发展为AI医疗领域最具成长性的准独角兽企业之一 [11] 未来愿景与规划 - 在河南的布局目标在于参与构建区域智慧医疗的“新基建” [11] - 愿景是通过AI技术构建一个全域协同、实时互联、持续进化的智慧医疗网络 [11] - 旨在打破数据与业务壁垒，让优质医疗资源畅通无阻地覆盖城乡 [11] - 最终实现医疗服务体验、质量和效率的全局优化 [11] 市场与资本认可 - 公司在短期内连续完成多轮融资，体现了市场对其业务推进节奏与后续增长潜力的高度认可 [11] - 河南汇融人工智能产业投资基金作为本轮领投方，为公司在AI医疗领域的持续发展提供了重要支撑 [11]

AI医疗应用趋势 - 全球ChatGPT对话中超过5%与医疗健康相关，每天有4000万人向ChatAI寻求健康问题答案[3] - 用户主要使用AI探索症状（60%）和理解医学术语或临床建议（52%），越来越多的医生在撰写医疗报告时应用AI[3] - OpenAI已发布ChatGPT健康，整合个人健康信息与大模型能力以辅助健康决策[3] 蚂蚁安诊儿医疗大模型(AntAngelMed)概述 - 模型由蚂蚁集团联合浙江省卫生健康信息中心、浙江省安诊儿医学人工智能科技有限公司开源[4] - 总参数量达到1000亿，激活参数为61亿，是迄今为止参数量最大的开源医疗领域专业模型[5] - 在HealthBench、MedAIBench等权威评测中表现超过GPT-oss、Qwen3、DeepSeek-R1等通用模型及现有医疗增强推理模型，达到开源模型第一[5] - 在MedBench中国医疗健康领域LLM权威基准中位列第一，综合得分68.0[7][8] 模型技术架构与训练 - 采用专业三阶段训练流程构建医学能力[12] - 第一阶段为持续预训练，在蚂蚁百灵通用基座模型Ling-flash-2.0-base上引入大规模高质量医学语料以构建完整医学知识结构[13][14][15] - 第二阶段为监督微调，引入高质量医疗指令数据，重点微调模型推理过程表达，使其在真实场景中能更好理解语境并给出符合医疗逻辑的回应[16][17] - 第三阶段为强化学习，采用GRPO算法，通过推理强化学习和通用强化学习双阶段路径，优化模型因果推理清晰度并控制行为边界与风险意识[18][19][20][21][22] 模型性能与效率 - 采用高效混合专家架构，仅激活1/32参数（61亿），相比同等规模Dense架构可实现高达7倍的效率提升[26][29][30] - 仅需6.1B激活参数即能实现约40B稠密模型的性能，资源占用更低、可扩展性更强[30] - 在H20硬件环境下推理速度超过200 tokens/s，约为36B稠密模型的3倍，适合高并发医疗场景[31] - 采用YaRN外推技术将上下文长度扩展至128K，增强处理长病历文档能力[33] - 采用FP8量化结合EAGLE3优化方案，在并发数为32时显著提升推理吞吐量，在HumanEval、GSM8K和Math-500数据集上提升幅度分别为71%、45%和94%[34] 行业影响与展望 - 模型开源将极大降低前沿医疗AI技术应用门槛，使大量机构和研究者可进行下游任务微调[44] - 蚂蚁集团将依托国家平台持续推进“AI+医疗”开源生态与技术创新，普惠更多开发者与用户[45]

公司近期业务进展 - 云知声智能科技股份有限公司于1月5日通过港交所公告披露，近期与江苏省医疗保障局、石家庄市卫生健康委员会及郑州市金水区卫生健康委员会达成深度合作，涉及金额累计超过2000万元人民币 [1] - 此次合作主要围绕医保垂直大模型、区域医疗质量管理及医院信息智能化建设等多个关键领域展开 [1] 合作内容与技术应用 - 合作依托公司医疗领域专家级大模型“山海‧知医大模型”的技术优势，并结合大数据治理等全栈服务能力 [1] - 合作基于对医保行业政策法规与业务特点的深度理解，为上述机构提供智能化解决方案 [1] 市场拓展与战略意义 - 合作对象包括省级医保管理部门及市、区级卫生健康主管机构 [1] - 此次合作标志着公司技术应用场景从单体医疗机构向区域化、体系化的公共服务管理领域延伸 [1]

公司近期业务进展 - 公司近期成功与江苏省医保局、石家庄市卫健委和郑州市金水区卫健委达成深度合作 [1] - 合作领域涵盖医保垂直大模型、区域医疗质量管理与医院信息智能化建设 [1] - 上述合作的总金额超过人民币2000万元 [1] 合作意义与技术能力 - 合作彰显了公司在医疗数智化领域的技术实力与服务能力 [1] - 合作标志着公司医疗大模型应用场景从单一场景延伸至全流程管理体系 [1] - 合作实现了从单点医院合作升级为区域化整体服务 [1] - 合作表明公司大模型服务已从应用系统输出，全面进阶为更底层、更核心的模型能力输出 [1] 公司核心产品与解决方案 - 公司的核心产品是医疗领域专家级大模型“山海‧知医大模型” [1] - 公司具备大数据治理等全栈服务能力 [1] - 公司对医保行业政策法规、业务特点有深刻理解 [1] 公司业务价值与行业定位 - 公司通过技术赋能，致力于破解医疗体系传统管理效率低、协同性弱的痛点 [2] - 公司旨在提升医疗质量与安全管控效能 [2] - 公司已与众多三甲医院达成深度合作 [2] - 公司推动辖区医院实现大模型与临床业务深度融合，加速服务与管理智能化升级 [2] 公司未来战略 - 公司将紧跟国家战略，以技术创新为引擎 [2] - 公司计划深耕医疗健康智能化赛道 [2] - 公司将完善区域医疗智能化解决方案 [2] - 公司将持续拓展业务边界，创造更大产业价值和社会价值 [2]

公司近期重大合作 - 公司成功与江苏省医保局、石家庄市卫健委和郑州市金水区卫健委达成深度合作 [1] - 合作领域涵盖医保垂直大模型、区域医疗质量管理与医院信息智能化建设 [1] - 总合作金额超过人民币2000万元 [1] 合作彰显的技术与服务能力 - 合作凭借医疗领域专家级大模型“山海?知医大模型”的领先技术优势 [1] - 合作凭借大数据治理等全栈服务能力 [1] - 合作基于对医保行业政策法规、业务特点的深刻理解 [1] 合作达成的战略意义 - 标志着公司医疗大模型应用场景从单一场景延伸至全流程管理体系 [1] - 标志着公司服务从单点医院合作升级为区域化整体服务 [1] - 标志着公司大模型服务已从应用系统输出，全面进阶为更底层、更核心的模型能力输出 [1] - 为医保行业智能化、精细化升级提供深度技术支撑 [1] 公司业务模式与行业价值 - 公司通过技术赋能，破解医疗体系传统管理效率低、协同性弱的痛点 [2] - 公司提升医疗质量与安全管控效能 [2] - 在与众多三甲医院达成深度合作的同时，公司亦推动辖区医院实现大模型与临床业务深度融合 [2] - 公司加速服务与管理智能化升级 [2] 公司未来战略方向 - 公司将紧跟国家战略，以技术创新为引擎 [2] - 公司将继续深耕医疗健康智能化赛道 [2] - 公司将完善区域医疗智能化解决方案，持续拓展业务边界 [2] - 公司致力于创造更大产业价值和社会价值 [2]