在優(yōu)質醫(yī)療資源稀缺的背景下，AI大模型的介入無疑正在改變傳統(tǒng)的行業(yè)競爭格局和醫(yī)患關系。

　　本月以來，多地公立和私立醫(yī)院紛紛官宣接入DeepSeek并開啟本地化部署，瑞金、中山、協(xié)和等頭部大三甲醫(yī)院接踵發(fā)布醫(yī)療垂直領域的大模型。而DeepSeek的開源路徑，不僅打破了技術“黑箱”帶來的應用鉗制，也讓“技術平權”的思路正植入醫(yī)療生態(tài)中。

　　但熱潮之下也需要冷思考。醫(yī)療場景的嚴肅性、復雜性和低容錯性，使得醫(yī)院、醫(yī)生、患者與AI的磨合之路，注定道阻且長。

　　悖論似乎正在增多：當普通患者、基層醫(yī)生通過AI獲取海量知識時，理論上有助于分級診療和精準醫(yī)療，但AI幻覺增加了醫(yī)患間的沖突和不信任；大模型給醫(yī)生減負也減輕了醫(yī)院管理成本，但大模型的實施和維護成本高昂；生態(tài)開放降低了醫(yī)療大模型的入局門檻，但大模型的迭代需要大量高質量數(shù)據(jù)，強者恒強的故事仍在上演。

　　此外，開放式創(chuàng)新能否找到容他性知識產權保護機制和產業(yè)生態(tài)？在生態(tài)開放下，患者隱私和診療的準確性又由誰來兜底？

　　醫(yī)療“百模大戰(zhàn)”迎來新入局者

　　“醫(yī)療機構自身投入行業(yè)大模型訓練的趨勢，正變得越來越明晰?！眱?yōu)實資本董事長邢杰在接受第一財經(jīng)采訪時說。

　　有數(shù)據(jù)顯示，2024年涌入醫(yī)療領域的AI大模型公司已經(jīng)過百。今年，國產推理大模型DeepSeek-R1推出后，掀起新一輪醫(yī)療行業(yè)大模型研發(fā)和應用熱潮。如邢杰所言，通用大模型領域的“百模大戰(zhàn)”在DeepSeek的V3和R1發(fā)布后喧囂褪去、格局已定，但醫(yī)療行業(yè)大模型的“百模大戰(zhàn)”正在迎來新入局者、曾經(jīng)的AI應用“保守派”——醫(yī)療機構。

　　邢杰表示，在這背后的一個核心的原因在于大模型研發(fā)進入到第二個階段，也即從預訓練通用模型進入到后訓練推理模型主導的階段。醫(yī)院尤其是在某些專病領域掌握權威數(shù)據(jù)資源又具備一定臨床轉化能力的“大三甲”醫(yī)院逐漸意識到：后訓練推理模型階段的訓練成本遠低于預訓練階段，用于強化學習訓練推理模型的數(shù)據(jù)量也遠低于預訓練階段。

　　2月中旬以來，多家大型公立醫(yī)院宣布大模型研發(fā)的最新成果。

　　上海交大醫(yī)學院附屬瑞金醫(yī)院發(fā)布單模態(tài)大模型——“瑞智病理大模型”(RuiPath)；復旦大學附屬中山醫(yī)院發(fā)布心血管專病大模型“觀心”稱其則結合多模態(tài)數(shù)據(jù)深度推理能力；北京協(xié)和醫(yī)院官宣“協(xié)和·太初”罕見病大模型進入臨床應用階段。第一財經(jīng)了解到，該模型采取“數(shù)據(jù)＋知識”雙輪驅動的“小樣本學習”模式并結合了大模型的強推理能力。

　　但相較于科技企業(yè)、醫(yī)療AI公司和互聯(lián)網(wǎng)醫(yī)療企業(yè)，這些大醫(yī)院的研發(fā)投入更為謹慎，通常從單模型、單病種或特色病種入手。

　　“行業(yè)大模型研發(fā)是個循序漸進的過程，目前在醫(yī)療影像診斷等領域，AI診斷的成熟度和準確性之高，業(yè)界已經(jīng)基本達成共識。所以，醫(yī)院大都選擇從文字或影像等單模態(tài)入手來訓練細分行業(yè)模型，這樣難度較低?！毙辖苷f。

　　當前，在診療方面，醫(yī)療機構所訓練的小模型大體可分為兩類：一類是綜合考慮訓練數(shù)據(jù)量、算力、與真實醫(yī)療場景中的適配度以及所需解決的實際醫(yī)療問題，而自研的模型；另一類是在如DeepSeek等通用大模型開源基礎上，“蒸餾”并予以本地化部署的專用模型。

　　京東健康探索研究院(JDH XLab)首席科學家王國鑫對第一財經(jīng)表示，對于前者，盡管DeepSeek讓業(yè)界看到了通過算法優(yōu)化和深度推理能力，可以以一種更具性價比的方式實現(xiàn)大模型訓練，但模型“小樣本學習”或者說實時學習的能力其實并不容易達成。在出現(xiàn)顛覆式訓練方式之前，模型訓練對于算力以及對于高質量、大體量的數(shù)據(jù)需求，仍然迫切。

　　對于后者，“大家有時候低估了大模型落地對于醫(yī)院自身軟硬件卓越程度的要求?！蓖鯂闻e例說，比如醫(yī)院算力消化情況、信息化基礎設施投入等，這些都關乎大模型能發(fā)揮真實效力。

　　有醫(yī)院人士告訴第一財經(jīng)，由于算力受限，醫(yī)院需要將大模型上數(shù)據(jù)部署在云平臺上，而非醫(yī)院內置服務器上。出于醫(yī)療數(shù)據(jù)隱私安全考慮，在大模型上問診的患者無法直接跳轉醫(yī)院門診預約平臺，需要重新使用真實ID進行注冊和預約，或者通過醫(yī)務人員的人工介入，幫助患者與醫(yī)院建立真實診療關系。如何讓大模型診療與線下就診渠道更“絲滑”？仍待醫(yī)院信息化的持續(xù)變革。

　　小模型打敗大模型？

　　在接受第一財經(jīng)采訪時，DCCI-未來智庫與FutureLabs-未來實驗室首席專家胡延平表達了一個觀點：鑒于行業(yè)特殊性，醫(yī)療大模型的發(fā)展或是一個從“專用”到“通用”的過程。

　　現(xiàn)階段，一方面，“很難說醫(yī)療領域擁有了所謂的通用大模型”，相反“越通用，可能在某個特定的方向能力越不突出”；另一方面，行業(yè)對大模型的泛化功能需求不太迫切，但更需要使用病理大模型提升檢查效率，通過專病模型切實提升診斷準確率。

　　前述受訪醫(yī)院人士表達了類似看法。她舉了一個例子：此前，OpenAI宣稱通過“強化微調”技術，使通用型大模型O1為罕見疾病診斷提供了全新的解決方案。在官方示范案例中，O1模型從數(shù)百篇關于罕見疾病的科學病例報告中提取出一系列疾病信息，并據(jù)此預測可能引發(fā)遺傳疾病的基因。

　　該醫(yī)院人士認為，在前述案例中，所有疾病表型已知，相當于大模型在擁有了完整版的患者信息后，再進行決策，這是一種純知識映射。而更貼近現(xiàn)實診療環(huán)節(jié)的模式，則是在醫(yī)患雙方都不知曉疾病種類的情況下，自由地進行人機交互。這一點已有垂類大模型可以做到。

　　一種普遍存在的業(yè)界看法是，部分通用大模型或能實現(xiàn)個別精準診斷，但個案的成功并不代表模型具備特定疾病精準診斷的能力。

　　“不過，這并不代表‘小模型打敗大模型’?！焙悠秸J為，原因有兩點：其一，專用(垂類)模型的訓練離不開通用模型，或者說專用模型往往是在幻覺較低、推理能力較強的通用模型基礎上微調、后訓練或者模型蒸餾而成的；其二，專用模型的準確度從50分提升到70分容易，甚至目前已有不少專用模型宣稱其疾病診斷能力達到80~90分。但再往上，專用模型的性能提升會遇到瓶頸。這時候就需要通用大模型的三個能力進行賦能——通識能力、思考推理能力以及多模態(tài)能力。

　　邢杰也認為，從疾病診斷來說，通常需要患者影像數(shù)據(jù)、檢查檢驗數(shù)據(jù)、聲音數(shù)據(jù)、文本數(shù)據(jù)等多模態(tài)數(shù)據(jù)以進行交叉驗證，所以多模態(tài)大模型始終是行業(yè)趨勢。

　　王國鑫表示，多模態(tài)的推理模型可以視為AI未來在絕大多數(shù)醫(yī)療場景中應用的根本技術。唯其如此，AI才能逐漸具備類似于人的能力，進入數(shù)字人階段，乃至實現(xiàn)所謂的“強人工智能”，而不僅僅是一個對話工具。目前，在很多醫(yī)院場景下，小體量、單模態(tài)和專病大模型的應用，更多是延續(xù)“AI改造原有的技術鏈路”的思路，而非“訓練AI重新創(chuàng)造一種生產模式”。

　　生態(tài)開放

　　多名受訪業(yè)界人士均提出，無論是如互聯(lián)網(wǎng)醫(yī)療企業(yè)、AI醫(yī)療企業(yè)等先入局者，還是如醫(yī)院等后入局者，均需要進行生態(tài)合作和數(shù)據(jù)開放。

　　“回到一個基本的邏輯，醫(yī)療行業(yè)在某種意義上就是一個數(shù)據(jù)驅動型行業(yè)。大模型和AI醫(yī)生的訓練過程需要大量醫(yī)療數(shù)據(jù)。但現(xiàn)在醫(yī)療數(shù)據(jù)不僅量少，而且質量欠缺。所以，醫(yī)院間要合作、醫(yī)院要與互聯(lián)網(wǎng)醫(yī)院合作，還要和患者端合作?！蓖鯂握f。

　　此外，王國鑫稱，大模型天生具備“去ID化”特質，脫敏后的醫(yī)療數(shù)據(jù)往往可以達到更具精度的訓練成果，加之目前數(shù)據(jù)安全和隱私計算等技術日趨成熟，醫(yī)療數(shù)據(jù)的生態(tài)開放在大模型訓練上，有實現(xiàn)的可能性。

　　但醫(yī)院的顧慮顯然更多。“作為一個專業(yè)工具而言，醫(yī)療機構訓練的疾病診斷大模型并不具備開源的背景和基礎。因為醫(yī)學診療的執(zhí)行權不能交給AI工具。對于大模型生成推薦方案，需要醫(yī)生的審核和決策。如果實現(xiàn)大模型的參數(shù)開放，大模型的數(shù)據(jù)和知識來源將不再可控，如果因為產生‘AI幻覺’，不僅患者診療結局可能受到影響，大模型研發(fā)單位的聲譽和口碑也可能被殃及。”有受訪醫(yī)生表示。

　　所以，“可信、互信”是開源第一步。正如其他行業(yè)已出現(xiàn)的相關治理思路，邢杰認為，在很多醫(yī)療機構都開始訓練自已的小、中、大細分行業(yè)模型的情況下，會出現(xiàn)幾個權威的或官方的醫(yī)療健康行業(yè)AI模型評測體系，以驗證各家行業(yè)模型的性能指標，如疾病診斷的準確度、穩(wěn)定性等。在此背景下，醫(yī)療行業(yè)模型會逐步走向一個優(yōu)勝劣汰的階段。

　　醫(yī)療機構也能從開源中獲益。鑒于目前一些醫(yī)療機構訓練出的小模型或專病模型，在某些疾病診療領域已顯露出比通用模型更高的準確性和實用價值，邢杰認為，即便后續(xù)出現(xiàn)了全行業(yè)、更有權威性的行業(yè)通用模型，這些專病模型也有足夠的價值與這些行業(yè)通用模型展開各種合作，細分領域優(yōu)質數(shù)據(jù)永遠是模型訓練的稀缺資源。

　　而從現(xiàn)階段來看，醫(yī)療機構的數(shù)據(jù)開放依然推進艱難。相比之下，企業(yè)側的開源生態(tài)已初露端倪。

　　今年，在DeepSeek開源后，國內多家科技公司相繼宣布實施大模型開源。在醫(yī)療AI行業(yè)，包括在AI制藥、AI診斷等細分賽道上，企業(yè)的開源動作雖然不多，但已經(jīng)開始有。

　　比如，京東健康近日官宣旗下“京醫(yī)千詢”醫(yī)療大模型成為國內醫(yī)療行業(yè)首個全面開源的垂類大模型。對此，王國鑫表示，目前無論是大模型技術還是醫(yī)療AI行業(yè)，都在發(fā)展的早期階段。此時，開源和透明的合作方式能夠快速推動技術的使用和接納，培植行業(yè)生態(tài)。

　　患者挑戰(zhàn)專家？

　　當DeepSeek所引發(fā)的“技術平權”浪潮席卷醫(yī)療領域，不僅醫(yī)療服務供給側的生態(tài)競爭格局出現(xiàn)變化，醫(yī)患關系也正悄然發(fā)生改變。

　　近日，廣東一名醫(yī)學博主在社交媒體上發(fā)帖表示，自己為病人開出治療方案，對方查詢DeepSeek后反饋有問題，自己“氣得又查了一遍醫(yī)學指南”，結果發(fā)現(xiàn)醫(yī)學指南更新了。為此，他無奈自嘲：感覺“天塌了”。

　　于是在醫(yī)生群體中，“一石激起千層浪”，有的醫(yī)生產生了危機感，有的醫(yī)生則認為大模型的診斷結果“大而全，但不一定有用”，有的醫(yī)生譴責AI幻覺，還有的醫(yī)生認為大模型可以訓練基層醫(yī)生、提升診療同質化水平。

　　在胡延平看來，“患者挑戰(zhàn)專家”不失為一件好事。長期以來，醫(yī)療市場是個醫(yī)患雙方信息高度不對等的市場，患者知識儲備的增強，既能倒逼醫(yī)生提升專業(yè)能力，也能在一定程度上避免過度診療，或者因觀念、利益等因素選擇并不是最有利于患者的治療方案。

　　從更宏觀的維度，胡延平認為，AI大模型的應用也有利于醫(yī)療的“去中心化”，賦能基層醫(yī)療，并幫助互聯(lián)網(wǎng)醫(yī)療等市場化主體參與到醫(yī)療市場的競爭中，從而減少優(yōu)質醫(yī)療資源的壟斷和稀缺問題。

　　他認為，誠然如“醫(yī)生有了AI，變懶了”“病人有了AI，不找醫(yī)生”等現(xiàn)象，確實有可能發(fā)生，但從更長周期來看，大模型能夠讓優(yōu)質醫(yī)療資源更普惠和可及。

　　在受訪專家中，無論是“技術審慎主義者”還是“技術樂觀派”均認為，目前距離“AI開處方”還言之過早。

　　持審慎態(tài)度的受訪專家認為，醫(yī)學診療的執(zhí)行權不能交給AI工具，醫(yī)生需要對患者負責，醫(yī)生問診過程也是與患者情感交互過程，可以給予患者更個性化的診療方案，更勿寧說，AI幻覺還難以抑制。

　　持樂觀態(tài)度的受訪專家則認為，當AI成為一個被醫(yī)患雙方廣泛認可的技術之后，有關AI處方權、AI診療支付價格標準問題等，均會被監(jiān)管層重視并予以解決。但目前還處于技術發(fā)展的初期，醫(yī)療大模型的應用場景還有待拓寬。

　　而要想提升醫(yī)患雙方對AI技術的信任程度，核心之一在于抑制AI幻覺。

　　邢杰分析說，大模型“幻覺”產生主要有六點原因：一是訓練數(shù)據(jù)偏差；二是作為概率模型，大模型不可能實現(xiàn)100%精準；三是在泛化過程中會產生幻覺；四是大模型訓練數(shù)據(jù)通常是非實時的；五是對話長度和上下長度都可能導致幻覺問題；六是在反饋微調過程中，不同公司的偏好也會帶來一定幻覺。

　　王國鑫認為，AI幻覺可以得到抑制。“一定要把診斷流程的推理過程白盒化，這不僅僅是讓醫(yī)生隊伍產生信任，更重要的是讓技術有進步。”

　　在他看來，今天的大模型技術，還是一個“學生”，但可以通過拉長推理過程，使其自己反復校驗，從而達到一個更好的結果。換言之，在技術層面，AI幻覺不是不能解決的問題，AI會無限逼近那個準確性。

　　第一財經(jīng) 吳斯旻