在大模型浪潮席卷各行各业的当下，一个尖锐的问题正不断被抛向AI医疗企业——当底层能力逐渐由OpenAI、Anthropic、DeepSeek等厂商提供，所有应用层公司，是否终将沦为“套壳者”？这一质疑，在医疗场景中显得尤为严苛。

“如果只是简单套壳，在严肃医疗场景中是行不通的。”商汤医疗CEO张少霆教授给出了一个极具画面感的比喻——大模型的产业链，更像是一枚三级火箭。

一级火箭是基础模型，消耗约80%的“燃料”；二级火箭则是垂直领域的知识注入，占比约20%；而三级火箭，则是最终面向客户的应用系统，可以被直接使用。

将医疗知识转化为训练数据，并注入思维链能力，让模型真正“像医生一样思考”，成为这一阶段的核心任务。这也解释了一个关键现实：中国医疗体系的数据属性，决定了医疗AI无法简单复制通用大模型路径。由于数据安全与隐私要求，医院数据难以外流，万亿参数的闭源模型难以落地，实际可部署模型规模多集中在数百亿至千亿参数区间。

医疗AI的起点不一定是模型，而是“医工互译”

如果说大模型重塑了技术路径，那么“医工交叉”的复杂性，则决定了AI医疗能否真正落地。

过去十余年，行业始终面临一个结构性难题：医学、工程与数据科学之间，不仅语言不同，评价体系也截然不同。

“如果只从人工智能角度开发医疗产品，会走得非常困难。”张少霆认为，医生有其固定的工作流程与认知体系，不同医院之间甚至存在显著差异；如果完全从医生视角出发，又往往忽略算法的能力边界与商业化路径。

真正可行的路径，是让两种体系“互相入侵”。

在商汤医疗内部，一部分产品经理来自三甲医院外科医生，另一部分算法工程师则被要求深入学习临床场景——尽管他们无法成为真正的医生，但必须能够“用医学语言对话”，甚至在某些情况下，发现医生可能遗漏的问题。这种跨界，不再停留在合作层面，而是转化为组织结构本身。

医疗AI落地分水岭——技术有效性与商业可行性

一个更具争议的问题在于，医疗AI已经讨论超过十年，为何规模化落地依然有限？对此，张教授并不认同“落地缓慢”的主流叙事。

“如果看影像科，尤其是肺结节检测，AI的普及程度其实已经非常高。”问题不在“有没有用”，而在“是否付费”。这揭示了AI医疗长期被忽视的一个分裂：技术有效性与商业可行性，是两条完全不同的曲线。

在影像科，AI部署门槛相对较低——CT、MRI等设备本身已完成数字化，叠加服务器与软件即可运行；但在病理科，情况截然不同，数字切片扫描仪、病理信息系统、阅片系统等基础设施缺一不可，这意味着更长链条与更高成本。

比技术更复杂的，是数据。

医疗数据的流通，始终处于一种多方博弈但缺乏牵头者的状态：医院、患者、企业与监管机构之间，尚未形成清晰的权责结构。

一个值得注意的区分在于——训练数据与运营数据，本质上是两种完全不同的资产。

前者不追求规模，而强调高质量标注与分布代表性，通常依赖多中心临床研究与专家体系构建；后者则是在真实运行中不断产生与回流的数据，其价值在于持续优化模型与服务。

当技术不再稀缺，企业怎样避免陷入性能与价格竞争的循环？

所谓的“技术壁垒”是如此脆弱，当技术逐渐成为基础设施，IVD行业也正在面临一个相似的问题：当产品趋于同质化，真正的护城河在哪里？

“在中国市场，严格意义上的技术壁垒并不存在，更多是先发优势。”张少霆说，“但先发优势本身并不稳固，往往很快演变为价格竞争。真正关键的，是‘技术预判’。”

2018年，商汤大规模投入算力基础设施建设，在当时被视为“反共识”——行业主流仍认为应围绕具体任务开发小模型，而非训练通用大模型。如今看来，这一路径更接近OpenAI的演进逻辑。

即便如此，当大模型成为行业共识后，巨头的算力优势会迅速放大，模型之间的差距反而难以拉开。因此，真正可持续的护城河，必须是一个“组合结构”：技术预判 → 先发优势 → 产品设计 → 生态构建。只有当能力从单点技术，转化为系统性优势，企业才可能避免陷入“性能竞争”或“价格竞争”的循环。

这种“生态思维”，在出海过程中体现得更加明显。

以新加坡为例，医疗AI产品首先必须跨越监管门槛——获得认证，是进入市场的前提。商汤此前在CE MDR新规下取得AI认证，并成功转化为新加坡准入资质，为其进入当地医疗体系奠定基础。

当产品进入如百汇医疗这样的体系后，其影响力会沿着医疗集团网络扩散至中国香港、马来西亚、印尼等地区。但比认证更难的，是“信任”。商汤医疗早期通过与南洋理工大学合作、参与本地学术体系建设，以及获得政府层面的关注与访问，使该公司逐步建立起大众对其品牌的认知。但这一路径，对大多数企业而言并不具备可复制性。

因此，一个更现实的建议是抱团出海——由政府、头部医院与企业共同构建联合解决方案，通过“集体背书”进入海外市场，从而降低单一企业的信任成本。这本质上，仍然是生态壁垒的延伸。