AI医疗行业研究纪要关键要点 一、 行业与公司概述 * 涉及的行业为**AI医疗行业**[1] * 涉及的公司/产品包括：蚂蚁集团的“阿福”医疗入口[1][6]、腾讯健康小程序[6]、DeepSeek[15][16]、爱尔眼科[16]、华厦眼科[16]、云之声[24][26]、讯飞[19][24][26]、联影[22]、迈瑞[22]、海外公司Abridge[27] 二、 技术进展与能力评估 * **大模型的突破性作用**：相比传统AI医疗（主要集中于影像等标准化场景），大模型显著提升了语言理解、知识密度与表达组织能力，使诊疗能力被大幅强化[1][2] * **当前技术能力水平**：即便是小尺寸模型，在疾病识别与诊断的整体水平上，**至少可达到并在部分情况下超过一般医生水平**[1][2]；但在罕见病、极专科等顶尖领域仍不及专家[1][2] * **技术实现路径**：一般企业难以从0到1训练底层大模型，多数在开源基础上开展工作[2][14]；聚焦垂类与专病场景，沉淀**几万条优质问诊数据或病例**，即可基于开源大模型进行微调，形成专科模型[2][16] * **AI问诊技术可行性**：技术层面已达到较成熟程度，但落地仍需合规与验证[4]；关键敏感点在于**处方权**及AI能否承担“诊疗角色”[4] 三、 商业模式与变现路径 * **B端（医院端）是更清晰的商业化方向**：商业模式围绕**医生文书、科研等场景**提效，医生工作压力大，价值挖掘明确[1][5]；医院是AI医疗的稳定商业“产粮地”[2][20] * **C端商业化难度更高**：更依赖规模效应[1][5]；短期内政策对**AI处方权放开不乐观**，是C端商业化的关键限制[1][5][18] * **C端主流变现路径**：主要集中在**卖药与卖服务**，但以服务直接变现不多，更多是导流[1][8]；卖药维度上，除京东外很难与阿里竞争[8] * **其他变现路径**： * **数据服务**：传统主要付费方是**药企**，用于药品研发与临床应用[1][9]；平台侧可能面向大B端提供数据服务，辅助药企训练与开发[1][9] * **硬件变现**：将模型能力嵌入机器人、终端或小型设备中，通过软件加成提升整体议价能力[18] * **政府/医保付费模式可持续性差**：更偏“占地盘”，现实中“省钱再分成”难度很高，盈利难度大[18][19] * **医疗超级入口的变现**：蚂蚁“阿福”等入口变现基础盘较好（卖药、电商、保险、医疗服务）[1][7]，但当前更偏“价值探索”而非以商业为核心[1][7]；短期商业化相对克制[7] * **行业盈利现状**：严肃医疗的既有模式整体盈利并不理想，无论互联网诊疗还是AI影像，盈利表现普遍不强[27] 四、 市场参与者与竞争格局 * **医疗超级入口竞争**：传统互联网厂商医疗入口月活达到“几百万”已属不错[6]；腾讯健康小程序月活为“大几千万，近亿级”[6]；蚂蚁“阿福”凭借支付宝流量基础和**几十亿甚至上百亿的投入**，有望打造“超一档”的超级入口[6] * **医院端市场推动者**：传统HIS/信息化厂商因缺乏AI团队和动力，未必能做好AI场景应用[22]；更可能由**新公司切入**推进[22]；海外亦类似[22] * **设备厂商的AI集成**：联影、迈瑞等设备厂商在设备中增加AI能力，能提升产品价值与溢价空间[22] * **已形成规模的领域**：**AI语音病历**是相对明确的方向，云之声、讯飞在该领域表现较为成熟[24][26][27]；海外Abridge已发展为独角兽[27] 五、 具体应用场景与落地 * **院内核心应用场景——文书生成**：是核心大类之一[2][24]；院内至少有**20~30种文书**需要生成[24]；传统方式占用医生大量时间，住院医生在文书上的时间投入**可超过50%**[24] * **其他院内应用方向**：管理与科研分析（推动专科/专病模型）[24]、病人随访与客服服务（以较低边际成本扩展服务能力）[24][25] * **输入方式多样**：门诊可通过语音生成病历和处方建议[26]；住院场景中，查房记录可通过语音生成，但病程记录、出院总结等更多基于系统数据总结生成[26] * **基层医疗应用挑战**：讯飞等早期AI助手存在“**上了但不用**”的现象，因增加基层医生工作量而未带来效率提升[19]；关键需从“政策驱动”转向“工具属性”[19] 六、 数据要素与合规 * **医疗数据价值与付费方**：数据变现相对敏感且克制[1][9]；传统主要付费方是**药企**，支付能力强[9]；保险应用更多集中在控费与理赔[9] * **数据流通渠道**：既有灰色链路（如通过科研协议获取数据）广泛存在，是当前主流方式之一[10]；**合规链路正在增加**，政府或医院主导的数据集开始上交易所“挂网”，但量仍较小[10] * **数据产权与授权**：数据产权界定复杂，不完全归属医院[11]；若用于保险理赔等需要直接使用个人数据的场景，则需要获得C端授权[11]；科研使用通常以脱敏方式在科研框架下推进[11] * **数据规模要求**：大模型时代，聚焦垂类与专病场景时，数据量要求并不高[16]；但若覆盖全病种，则难度显著上升，需要每个疾病有足够数据，目前基本仅有大型机构具备能力[16] * **医保局与医院数据差异**：医保局掌握就诊费用相关关键数据，但并非“最全”[12]；医院数据最全，医保局的数据量与之无法比拟[12][13]；医保局侧核心数据主要是预结算与结算两张表[13] 七、 发展前景与关键挑战 * **关键限制——处方权**：将AI本身作为商品售卖的终局形态，需要获得**处方权**，这是医生的关键关口，**短期难以突破**，预计不是近5~10年能完成的事情[18] * **商业化节奏判断**：2025年是行业开始大规模推进的开源节点，但一年内快速落地不现实[23]；文书生成等方向是否能出现“有规模的东西”更可能在**2026年观察**[23] * **支付方分析**：**政府通常不是理想支付方**，财政项目周期长、难盈利[20]；**医院相对更具商业可行性**，流程更标准化、决策周期更短，构成稳定市场[20]；头部医疗信息系统厂商体量可达**二三十个亿年营收规模**[20] * **中医AI分身等新兴应用**：训练难度不高，但商业化核心在于用户付费意愿[17]；当前整体仍处在探索期，尚未出现大规模“为分身付费”的成熟模式[17]