6個月時間，逾千個醫療垂直模型噴湧而出後，市場步入冷靜期。
兜售算力的NVIDIA、分配算力的雲服務商、專注B端的AI工具開發商是這波風口的最大贏家。尤其是前兩者，當GPU搖身成為“零風險”的印鈔機，他們做好基礎服務便可透過緊缺的算力資源盈利。
反觀應用層面，醫療大模型開發者雖能研發出好的垂直模型，卻很難透過這些模型成功銷售出去。高投入對應的是負回報，極少有企業能夠利用LLM應用盈利。
擺在開發者面前的問題很多：當下應該選擇什麼應用場景作為研發方向？競爭壁壘如何構建？採用SaaS模式還是買斷制？都需他們在這個階段迅速作出決斷。
01
什麼要素決定了醫療垂直模型的研發方向？
在討論上述問題之前，我們先對國內醫療垂直模型的分佈情況進行梳理。
雖說國內醫療大模型的數量呈現井噴之勢，但其功能存在較大程度的重疊。追其究竟，大模型本身需要大量訓練資料。從成本出發，企業會優先衡量資料獲取的難度和模型泛化的難度，從能容易獲取的醫療資料集入手，開發與之對應的醫療人工智慧。
蛋殼研究院曾於2025年5月對國內288個醫療大模型的功能進行了統計，這些功能涉及應用場景 12 類。統計資料顯示：所有應用總計 814 個功能，其中僅醫療服務一項便有430個，超過了總量的50%。
288個大模型中，各類醫療大模型功能分佈形勢
所謂醫療服務，是指AI廠商透過大模型直接或間接向患者提供AI服務，包括大模型支援下的問診、導診、電話客服、智慧科普等場景。
這些場景的共同之處研發企業通常具備較大規模的使用者基數，相關醫療資料相對易獲取。一般來說，網際網路醫療企業及資訊化企業都能透過其相關業務整合日常生成的各類資料，建立對應的訓練資料集。
醫學科研相關的大模型同樣容易建立。科研成果大都免費對外開放，加之過往數年已有大量研究人員建起科研論文相關的知識圖譜，企業容易快速構建用於文獻檢索、文獻檢索、資料分析等常見功能的大語言模型。
相比之下，臨床領域的垂直模型較少，這類模型雖然數量體量豐富、資料標準化程度高（如DICOM、HL7），但構建模型時不僅需要處理文字資料，還需要對影像資料進行分析，構建成本及技術要求都要更高一些。
現階段國內臨床垂直模型大多聚焦於病理領域，這是因為病理資料容易儲存，且易於標準化，過往20年的病理標本都能透過簡單清潔後藉助全切片掃描器獲取。因此，病理大模型的訓練資料可以輕鬆達到百萬級甚至千萬級。
國內涉及病理的醫療垂直模型（不完全統計，資料來源：蛋殼研究院）
CT、MR等影像資料雖然體量大，但由於影像的部位、解析度、機器型號、病灶分佈等要素存在較大差異，能夠實現輔助診斷並維持低幻覺的模型非常少，垂直模型的資料量也不會太大。目前的影像垂直模型主要作為醫生的工具，輔助醫生高效處理多模態醫學影像，未能規模化應用於臨床。
目前，臨床領域的垂直模型主要由醫院主導，企業協助開發，其特徵為應用場景差異化明顯，模型體量普遍偏小，功能聚焦於醫生臨床需求。放療、感控等企業鮮有涉及的場景，均有頭部醫院參與相關應用研發。
此外，生物領域的大模型數量同樣較為稀少。由於基因組、臨床試驗資料涉及商業機密，分散且缺乏共享機制，因而很難構建規模化的臨床資料集。
資料獲取難度外，使用者規模亦是影響醫療垂直模型分佈的重要因素。
福鑫科創CEO吳笛告訴動脈網：從長期來看，臨床中的專科場景可以滿足醫院的獨特需求，但這些場景往往單體規模較小、分佈範圍廣泛，僅作單點專科佈局，很難覆蓋企業的投入。
因此，短期內企業研發大模型的落腳點應聚焦於使用者體量較大的場景之中，如資訊化相關的大模型應先借助HIS、資料中心沉下去，有了一定成果，再去協同醫院發展專科模型，形成“1+N”的整體解決方案，形成可持續的經營模式。
總的來說，醫療垂直模型的開發並非由醫療需求、競爭難度決定，資料獲取難度（成本）及潛在使用者規模（潛在收入）在這波浪潮之中更為深刻地影響了醫療垂直模型的釋出，資料獲取難度與應用場景模型數量呈反比例關係；使用者規模與應用場景模型數量呈正比例關係。
此外，由於醫療資料特有的隱私性、安全性問題，醫院將在臨床垂直應用的發展之中扮演重要角色。臨床資料中隱藏著難以估量的價值，資訊化程度越高的企業，電子病歷、互聯互通的評級越高，也就越有可能從中攫取符合真正臨床需求的垂直模型。
至於哪一類應用有望最先跑通商業化。微醫認為：大模型的商業化路徑將呈現“B端先行、C端滲透”的特徵，輔助診療、健康管理、藥物研發等有望成為最先跑通的場景。但在長期中，一家企業若要實現技術、支付體系與生態協作的多維突破，還需構建多元應用場景，持續沉澱高質量資料，並不斷提升AI能力。
02
大模型帶來新的軟體付費模式
面對軟體類智慧化應用，企業通常會在SaaS與買斷之間展開激烈討論，尋求商業化的最優解。但對於大模型，我們可能需要尋找一些新的付費模式去契合這一技術。
AI不同於傳統場景，評判一個模型時，需要綜合考慮這一模型對於醫療行業的理解、模型的處理問題能力、模型的互動能力、給予使用者的體驗等要素。大模型功能越豐富，評判其競爭力的難度就越大。
因此，在進入大模型時代後，醫院場景中如影像採集加速、質控、隨訪、慢病管理等能夠形成獨立產品的AI模型仍可透過SaaS、買斷快速實現商業化。
以福鑫科創為例，該企業從則是從“識別-獲客-引導-交付”全流程出發，透過資料治理智慧體來管理、挖掘醫院資料，用全自動主動健康管理幫助醫院自動獲客增加收入，用AI陪診、AI預問診等提供患者服務，確保良好的患者體驗，用生成式電子病歷等產品，讓AI驅動醫院全流程，而不僅僅是輔助醫院的運營。
目前，該系統的實施已為醫院帶來了明顯的經營效益。一方面，透過高效資料探勘，發現對醫院的運營、科研、教學等有意義的資料和病例，醫院也能夠吸引更多的患者，拓寬患者來源，提升門診或住院床位的利用率；另一方面，持續的隨訪與管理能夠延長醫院與患者的關係週期，從而直接創造收入，提升醫院的經濟效益。換句話說，該專案不僅專注於患者的健康管理，還成為醫院可持續發展的一部分，助力醫院保持競爭力和創新能力。
但對於藥械研發投入、醫院管理等場景而言，短期ROI難衡量，SaaS與買斷均非醫療場景下最好的支付模型。
在這個從上至下開源節流的時期，“賣結果”比“賣工具”更具吸引力。
所謂“賣結果”，是指支付方在購買服務前期不支付或較少程度支付以模型部署成本對應的費用，而是以“最終結果”衡量大模型的支付主要數額。
以全球Top50生成式AI公司之一的深智透醫為例，該企業有多條產品線在全球商業化實現持續付費定價和按例付費，這種模式的最終付費額取決於幫助客戶臨床每天提升的患者人數、通量等價值ROI引數。
這個過程中，深智透醫沒有單單提供工具，而是以最終帶來商業和臨床價值為商業邏輯和臨床採購標準，作為使用者的付費參考。目前，該企業已部署全球超過700多家醫院與影像中心，與Bayer、Bracco、Telix等藥劑公司也實現了影像藥劑AI價值賦能的合作商業化，將AI生成模型推廣到臨床藥劑應用場景。
總的來說，大模型的出現將醫療軟體的商業化帶入了一個多元化的時代。透過SaaS、買斷、“賣結果”以及多種模式的結合，醫療機構或能更易實現“以提效為核心”，同時讓軟體的價格趨近於它的真實價值。
03
當醫生成為大模型開發的主力軍
從過去數年的AI（深度學習）的發展看，醫療場景中能夠獨立形成產品且實現盈利的案例非常稀少。
大多包含AI且實現盈利的產品，在未引入AI之前也能盈利（如醫院資訊化中的HIS、PACS、DRG；醫藥數字化的EDC、eCOA）。在這些場景中，AI之於產品商業化的影響力有限，它的價值在於提升了使用者體驗，拔高了產品或解決方案的競爭壁壘。
如今的大模型也面臨同樣的問題。
不過，相較於過往所有試圖顛覆醫療產業的創新技術，大模型的不同之處在於其在短短數月穿透醫療體系，引得醫院主動、迅速、成規模地引入基礎設施，參與到臨床應用的開發之中。
臨床資料中隱藏著難以估量的價值，但現有的絕大多數垂直模型未能進入臨床。當醫生成為應用的主要研發方，我們或能看到大模型在數月之內實現應用場景與商業價值的雙向突破，以新一代的數智化應用重構醫療體系。
*封面圖片來源：神筆PRO
如果您認同文章中的觀點、資訊，或想進一步討論，請與我們聯絡；也可加入動脈網行業社群，結交更多志同道合的好友。