中國正以史無前例的政策力度與資本投入，將人工智慧推向醫療體系的每一個角落；2025 年 11 月，國家衛健委聯合五部委發布《關於促進和規範「人工智能＋醫療衛生」應用發展的實施意見》，明確提出 2030 年前實現 AI…
十五五的處方箋｜中國 AI 醫療的政策狂潮、技術突破與生存賽局
中國正以史無前例的政策力度與資本投入，將人工智慧推向醫療體系的每一個角落；2025 年 11 月，國家衛健委聯合五部委發布《關於促進和規範「人工智能＋醫療衛生」應用發展的實施意見》，明確提出 2030 年前實現 AI 輔助診斷在基層醫療機構的近全覆蓋，並附帶時間表、分階段目標和配套監管的規劃。與此同時，市場端的爆發同樣驚人，螞蟻集團的「螞蟻阿福」健康助手在短短兩個月內突破一億註冊用戶；百川智能的 Baichuan-M3 醫療模型在 HealthBench 基準測試中以 65.1 分超越 GPT-5.2；清華大學的「代理醫院」系統讓 AI 醫師在虛擬世界中自主進化，診斷準確率達到 95.6%。這場變革的背景是中國醫療體系長期面對的結構性矛盾，每千人僅 3.04 名執業醫師、超過 101 億次年門診量、以及即將在 2040 年突破 4 億的 60 歲以上高齡人口，AI 不再是醫療的錦上添花，而是解決不可能三角：可及性（Accessibility）、品質（Quality）與成本（Cost）的核心路徑。
結構性危機催生剛性需求
要理解中國 AI 醫療為何在此刻進入加速期，必須先正視這個全球最大醫療體系面臨的深層矛盾；2024 年中國醫療機構累計就診 101.5 億人次，平均每位門診病人花費 361 元人民幣、每次住院花費 9,870 元，全國衛生總費用達到 9.09 萬億元，佔 GDP 約 6.7%，但仍低於德國的 12.8%、法國的 12.4% 甚至韓國的 8.8%，可以說在醫療支出尚有巨大成長空間的同時，供給端已經嚴重不足。
醫師短缺是最核心的瓶頸，截至 2021 年，中國每千人口執業醫師數僅為 3.04 人（若排除醫師助理，僅約 2.73 人），遠低於多數已開發國家；更令人擔憂的是專科醫師的嚴重不足，每千名兒童僅有 0.43 名兒科醫師、精神科醫師比例低至每千人 0.02 名，缺口估計超過 20 萬名兒科醫師和 16.1 萬名一般科醫師，其中放射科醫師的缺口尤為突出，中國的放射科醫師與人口比為 1:70,000，而美國為 1:7,000，差距達到 10 倍。台灣每千人口醫師數約為 2.5 人（低於 OECD 平均的 3.7 人），但城鄉差距遠小於中國，且專科醫師的訓練品質相對均質；中國的問題不只是量不夠，更是品質落差巨大。
城鄉差距讓這一問題雪上加霜，東部地區醫師密度最高，而西藏、新疆、內蒙古等地區顯著偏低；農村基層醫師中，38.5% 學歷低於高中，僅 5.3% 持有全科醫師資格。一項研究顯示，縣級醫院的醫師管理準確率為 90%，到了鄉鎮衛生所降至 38%、村衛生室僅 28%，分級診療（Tiered Healthcare System）制度推行多年，但 2024 年數據顯示，66.6% 的就醫量仍集中在一、二級醫院，基層醫療機構的能力不足使得病人持續向上級醫院集中。
高齡化的壓力正在加速，2019 年中國 60 歲以上人口約 2.54 億，預計 2040 年將達到 4.02 億（約佔總人口 28%）、2045 年可能突破 4.5 億；60 歲以上人口慢性病患病率超過 78%，65 歲以上人口中 13% 需要長期照護（Long-term Care），80 至 90 歲人口中比例上升至 50%。然而，全國合法執業的長照護理師僅約 30 萬人，面對 1.67 億 65 歲以上人口，缺口巨大。
從臨床醫學的角度來看，這些數字背後是真實的病人安全風險，當一名僅有高中學歷的鄉鎮衛生所醫師面對一位胸痛病人時，他可能無法區分 Stable Angina、Unstable Angina 和 Acute Myocardial Infarction，而這三者的處置策略截然不同，後者需要在 90 分鐘內進行經皮冠狀動脈介入治療（Percutaneous Coronary Intervention），延誤可能致命。同樣地，在缺乏病理科醫師的縣級醫院，一份 Breast Core Biopsy 可能需要送到數百公里外的省級醫院判讀，等待時間長達一至兩週，而對乳癌病人而言，每多等一天都是心理折磨。AI 的介入點正是在這些「時間敏感」和「專家稀缺」的場景中最具價值，不是意在取代醫師，而是確保每一位病人，無論身在北京還是偏遠山區，都能獲得基本水準以上的診斷品質。
正是這些結構性矛盾，使得 AI 在中國醫療體系中不是錦上添花而是雪中送炭，當人力供給無法快速擴張時，技術替代和增強成為唯一可規模化的解決方案，這也解釋了為什麼中國政府在「十五五」規劃中將 AI 醫療提升到前所未有的戰略高度。
「十五五」規劃開啟 AI 醫療的全面加速時代
從提及 2 次到 8 次的政策躍遷
2025 年 10 月，中共二十屆四中全會通過了「十五五」規劃建議，隨後將於 2026 年 3 月提交全國人大審議；「人工智能」一詞在「十五五」規劃建議中出現 8 次，「數智化」出現 5 次，而在「十四五」規劃建議中分別僅出現 2 次和 0 次，這不僅是數量的變化，更是定位的躍遷：AI 從眾多新興技術之一，升格為生產力變革的核心引擎。規劃建議明確提出「全面實施『人工智能＋』行動」，要求「用 AI 引領科研範式變革」，並將 AI 與工業發展、文化建設、民生保障和社會治理全面結合。在醫療領域，代表從「十四五」時期的試點探索階段，正式進入規模部署階段。
五部委「AI＋醫療衛生」實施意見
2025 年 11 月 4 日，國家衛健委聯合四個部委發布《關於促進和規範「人工智能＋醫療衛生」應用發展的實施意見》（國衛辦規劃發〔2025〕30 號），設定清晰的兩階段目標，到 2027 年建立高質量醫療健康數據集和 Trusted Data Space；開發 Clinical Vertical LLM 和 AI Agent；廣泛部署 AI 輔助基層診療、Clinical Decision Support（CDS）和智慧病人服務；建設國家級 AI 醫療應用試驗基地。到 2030 年，AI 輔助診斷在基層醫療機構實現近 Full Coverage；所有二級以上醫院常規使用 AI 影像診斷和臨床決策支持；AI 醫療應用監管框架基本完善；建成全球領先的創新和人才基地。
文件劃定了八大應用領域、24 項具體任務，涵蓋 AI＋基層醫療（智慧診斷、慢病管理）、AI＋臨床診療（影像診斷、專科疾病、復健機器人）、AI＋病人服務（智慧分診、雲陪診）、AI＋中醫藥（中醫診斷模型）、AI＋公共衛生（傳染病監測）、AI＋科研教學、AI＋行業治理、AI＋健康產業。基礎設施方面，文件提出建設「國家＋省級」兩級衛生健康資訊平台，打通國家、省、市、縣四級，Cover 所有公立和民營醫療機構，並根據身份證字號建立統一的個人健康標識。
國務院「AI＋」行動意見與預算規模
2025 年 8 月，國務院發布《關於深入實施「人工智能＋」行動的意見》（國發〔2025〕11 號），設定了三階段滲透目標：2027 年關鍵領域 AI 滲透率70%、2030 年 90%、2035 年全面部署；醫療領域的具體表述為：「探索推廣面向全民的高水準居民健康助手，有序推動 AI 在輔助診斷、健康管理、醫保服務等領域的應用。」
在財政投入方面，市場研究機構 Precedence Research 估算，中國政府為 AI 醫療戰略在五年內撥出 150 至 200 億元人民幣（約 20 至 30 億美元），這一數字來自第三方分析而非官方文件，衛健委實施意見本身未提及具體預算額度，僅強調「加強政策支持」和「發揮新型舉國體制優勢」，但結合國家 AI 產業投資基金（600 億元，2024 年 1 月設立）和各省市配套資金，實際投入規模可能更大。
從「十四五」到「十五五」：政策進化的關鍵維度
「十四五」期間（2021 至 2025）的成績為「十五五」奠定了基礎，中國 AI 產業規模在 2024 年超過 9,000 億元，AI 企業突破 5,300 家（佔全球 15%），NMPA 累計批准 126 項三類 AI 醫療器械，AI 算力年均增長近 30%，但「十四五」時期的定位仍是試點，AI 被視為眾多新興技術之一，醫療應用集中在影像和藥物研發等特定場景。
「十五五」的根本轉變在於三個層面：第一，AI 從特定技術工具升格為系統性變革力量，Cover 預防、診斷、治療、復健、健康管理的 Whole Chain；第二，從碎片化的數據孤島轉向集中式的國家至省級數據平台和可信數據空間；第三，從鼓勵創新轉向強制性部署，二級以上醫院 Routine 使用不是建議而是目標。
地方政策的競爭性部署
省市層面的政策競賽同樣激烈，北京於 2025 年 7 月發布《加快推動「人工智能＋醫藥健康」創新發展行動計劃（2025 — 2027 年）》，目標到 2027 年產出 30 項以上核心技術產品、20 項以上創新醫藥材進入臨床、建成 2 至 3 個有競爭力的產業集群；上海於 2024 年 11 月發布《發展醫學人工智能工作方案（2025 — 2027年）》，提出創新能力、支撐平台、全域應用場景、產業發展、一流環境五大支柱。全國已有 10 個以上省份在「十五五」建議中明確對接「健康中國」和 AI 醫療戰略。
螞蟻阿福：一億用戶的消費級 AI 醫療試驗
從支付寶到國民級健康應用
螞蟻集團的 AI 健康助手經歷了快速的產品迭代，2024 年 9 月「AI 健康管家」作為支付寶內嵌功能上線，10 個月內服務超過 7,000 萬用戶；2025 年 6 月 26 日，獨立應用「AQ」正式發布，2025 年 11 月，螞蟻集團將「數位醫療健康事業部」升格為「健康事業群」 ，使健康業務與支付和金融並列為集團三大戰略支柱。2025 年 12 月 15 日，AQ 正式更名為「螞蟻阿福」（據報導由馬雲親自命名，寓意「健康是福」），同步進行重大產品升級。
此後的成長曲線令人瞠目，更名當日衝上 Apple App Store 總榜第三，次日升至第二、醫療類第一；2026 年 1 月 8 日，月活用戶突破 3,000 萬，日查詢量超過 1,000 萬次；2 月 4 日推出支持 10 種方言的「長輩模式」，2 月 16 日登上央視 2026 年春節聯歡晚會小品節目，獲得巨大的全國性曝光；2 月 23 日，春節活動期間總註冊用戶突破一億，螞蟻阿福的月活複合增長率達到 83.4%，在所有 AI 應用中位列第一。
產品架構
螞蟻阿福的功能圍繞三大支柱展開，健康問答是核心功能，支持文字、語音（含方言識別）和圖片多模態輸入，「AI 診室」模式模擬真實醫師的問診流程，主動追問病史和症狀，類似於臨床上我們住院病歷需要打的 Review of Systems，只是由 AI 引導而非人類醫師；可分析皮膚疾病照片（涵蓋 50 種以上常見皮膚病）、檢驗報告、處方藥盒和病歷，報告解讀囊括 99% 的常見報告類型，準確率超過 95%，支持多份報告的對比分析，「無痕拍」模式自動對照片進行模糊化處理以保護隱私。
健康陪伴包括「健康小日記」（每日健康記錄）、智慧裝置同步（支持 Apple Watch、華為、Vivo、小米、魚躍、歐姆龍等 9 大品牌）、「健康小目標」（可自訂的運動、飲食、睡眠計劃）和家庭健康檔案，部分地區用戶可授權導入過往就醫和體檢數據。健康服務連接超過 30 萬名真實醫師和 5,000 家以上醫院，超過 500 名中國的資深名醫（包括 6 名院士）擁有「AI 分身」，累計回答超過 2,700 萬次健康諮詢，提供線上問診、掛號預約、購藥和「雲陪診」服務，支持電子醫保碼支付，與 8 個省級衛健委和 18 個省級醫保局合作，已創建 200 多個醫院智慧體。
2026 年 1 月推出的 PC 端「DeepSearch」功能面向醫療專業人員，索引 3,600 萬篇高質量醫學文獻，提供 Evidence-Based Clinical Decision Support，可追溯文獻引用、篩選 Level of Evidence、匹配權威指引，定位為「中國版 OpenEvidence」。技術底座是螞蟻集團自研的螞蟻醫療大模型，構建在百靈大模型之上，是螞蟻自主開發的原生 Multimodal Foundation Model，訓練數據超過 1 萬億 Tokens 的高質量醫療語料、數十億級中英文醫療圖文數據、千萬級 Medical Knowledge Graph 條目，在 MedBench、HealthBench 和 PromptCBLUE 等中文醫療大模型基準測試中排名第一或第二，率先通過信通院醫療健康大模型雙域可信評測，獲最高安全等級。
支付寶生態的護城河效應
螞蟻阿福最強大的競爭壁壘在於其與支付寶生態的深度整合，超過 8 億用戶已透過支付寶綁定醫保帳戶，是個現成的巨大用戶基礎；2024 年 8 至 9 月收購的好大夫在線（成立於 2006 年，中國的線上醫療諮詢平台先驅，擁有 28 萬以上註冊醫師，其中 73% 來自頂級醫院，已服務超過 8,900 萬名病人）進一步強化了醫師網絡，2026 年 1 月 24 日，螞蟻阿福和支付寶完成了與好大夫的技術整合。
商業模式：戰略耐心與長期投入
螞蟻集團 CMO 陳亮坦承：「坦白講，阿福的商業模式我們內部爭議很大，目前還沒有答案。」當前定位為長期戰略投入而非短期盈利項目，產品完全免費，DeepSearch 也免費；潛在的收入路徑包括 B 端（醫院 AI 輔助診斷系統、電子病歷質控）、C 端（一條龍健康服務的交易抽成）、保險整合（醫保直付＋商保直賠）、G 端（政府合約）以及健康產品推薦，但阿福在 2025 年 12 月 29 日公開承諾「零廣告、零商業排名」。55% 的用戶來自三線及以下城市，20% 為老年用戶，與中國 AI 醫療最迫切的需求場景高度吻合。從產業意義上看，螞蟻阿福正在驗證一個關鍵假設：消費級 AI 健康助手能否成為解決基層醫療可及性問題的規模化路徑。
清華「代理醫院」：在虛擬世界中進化的 AI 醫師
SEAL 框架：讓 AI 醫師自我學習
清華大學人工智慧產業研究院（AIR）開發的 Agent Hospital（代理醫院）提出了一個大膽的研究典範：在完全虛擬的醫院環境中，讓 LLM-Driven 的 AI 醫師透過自主診療數十萬名 AI 病人來學習進化，而不需要任何人工標註數據。傳統的醫療 AI 訓練需要大量 Labeled Data，也就是由真人醫師逐一審閱的病例、影像或診斷紀錄，明確標記「這是什麼病」，這個過程極其昂貴且耗時，一名放射科主治醫師標註一張 Chest CT 可能需要 20 至 30 分鐘，而訓練一個可靠的肺結節偵測模型可能需要數十萬張標註影像，Agent Hospital 的突破在於完全繞過了這個瓶頸。
這一系統的底層框架稱為 SEAL（Simulacrum-based Evolutionary Agent Learning，基於擬境的進化智能體學習），包含兩大組件，第一是擬境構建：建造一個虛擬醫院世界，能夠無限生成 Synthetic Medical Data，模擬從發病、掛號、問診、檢查、診斷、領藥、復健到出院追蹤的完整閉環。第二是智能體進化（MedAgent-Zero）：一種零人工標註的醫師智能體自我進化策略，病人智能體由 LLM 結合醫學知識庫自動生成（含人口學統計、病史、症狀、檢查報告），質控智能體確保醫學合理性；醫師智能體在診療過程中積累兩類知識：病歷庫（成功案例的問答對和思維鏈臨床推理，類似於住院醫師的 Case Log）和經驗庫（從診斷失敗中反思提煉的可復用原則，類似於 Morbidity and Mortality Conference 的學習成果）。
這一設計的核心洞見在於時間壓縮效應，AI 醫師在幾天內可以接診約 10,000 名病人，相當於人類醫師 2 年以上 Clinial Practice 的量，對於正在經歷住院醫師訓練的朋友而言，這個概念可以這樣理解：一名內科住院醫師在三年訓練期間，大約會 Primary Care 1,500 至 2,000 名住院病人，但大多數疾病的實際遭遇次數極為有限，很多罕見疾病在整個訓練過程中可能只見過一至兩次，甚至完全沒有見過。Agent Hospital 的價值在於打破這個經驗瓶頸，AI 醫師可以在短時間內密集接觸數千例罕見病例，並從每次診斷失敗中提煉出結構化的經驗教訓，與醫學教育中 Case-Based Learning 的理念一脈相承，只是將學習效率提升了數個量級。當然，虛擬病人終究不等於真實病人，真實臨床中的不確定性、病人的非語言線索（臉部表情、焦慮程度、疼痛表現）以及複雜的社會心理因素（家庭關係、經濟狀況、文化信仰對醫療決策的影響），都是目前 AI 擬境無法完整再現的，這也是為什麼 Agent Hospital 團隊在北京清華長庚醫院啟動臨床試點，從虛擬到真實的跨越，是檢驗這套系統價值的關鍵一步。
性能表現與學術影響力
系統的內部模擬評估顯示醫療檢查選擇準確率 88%、疾病診斷準確率 95.6%、治療建議準確率 77.6%，在心臟內科，Rheumatic Heart Disease 的診斷準確率從進化前的 9 提升至 82%；在真實世界驗證方面，Agent Hospital 在 MedQA 呼吸系統疾病子集上取得了 93.06% 的準確率（基於 GPT-4），超越 Med-Gemini（91.1%）和 GPT-4 基礎模型（90.2%），達到該子集的 SOTA（State of the Art）；虛擬世界中習得的知識能有效遷移至真實世界基準測試，且不需要任何真實世界標註數據，這是該研究最具突破性的發現。研究論文發表於 ArXiv（2405.02957），截至研究日期已累計約209次引用，核心研究團隊包括 AIR 執行院長劉洋教授和 AIR 院長張亞勤院士，不過 93.06%的 SOTA 結果是在 MedQA 的呼吸系統子集而非完整數據集上取得的，且所有評估均為選擇題而非開放式臨床推理，截至研究日期尚無基於真實病人的臨床驗證。
從實驗室到臨床：Tairex 的產業化路徑
2024 年 9 月，清華 AIR 孵化成立了無錫紫荊智康科技有限公司（Tairex），2025 年 11 月完成近 1 億元人民幣的天使輪融資；商業化版本「紫荊 AI 醫生」已擴展至 42 名 AI 醫師、涵蓋 21 個臨床科別和 14 個非臨床科別、1,000 種以上疾病，2025 年 4 月 26 日在清華大學主樓舉行了正式揭幕儀式，北京清華長庚醫院為首個臨床合作夥伴。Agent Hospital 的價值不僅在於它本身可以成為臨床輔助工具，更重要的是它驗證了一個全新的 AI 訓練範式：透過合成數據和自我進化，繞過醫療數據標註的高成本瓶頸，如果這一典範可以順利且合理地外推，它可能改變整個醫療 AI 的開發方法論。
RuiPath：16 張國產晶片訓練的病理大模型
瑞金醫院與華為的三年磨劍
RuiPath（瑞智病理大模型）是由上海交通大學醫學院附屬瑞金醫院主導，聯合華為、商湯科技和上海衡道醫學病理診斷中心共同開發的臨床級 Multimodal Interactive Pathology Foundation Model，2022 年瑞金醫院院長寧光院士與華為輪值董事長胡厚崑啟動合作，經過三年開發，2025 年 2 月 18 日首次發布，2025 年 6 月 30 日核心視覺基礎模型 RuiPath-VisionFoundation-V1.0 正式開源，是上海醫療機構首個開源的病理 AI 模型。
Pathological Diagnosis 常被稱為診斷的 Gold Standard，幾乎所有癌症的確定性診斷都必須仰賴 Histopathological Slide 的判讀，一名合格的病理科醫師需要至少 5 至 7 年的專科訓練，學習辨識成千上萬種組織型態變化 ，從細胞核的異型性（Nuclear Atypia）到腺體結構的排列（Glandular Architecture）、從間質反應（Stromal Reaction）到脈管侵犯（Lymphovascular Invasion）。然而，中國的病理科醫師缺口估計超過 9 萬人，許多縣級醫院甚至沒有合格的病理科專科醫師，RuiPath 的意義在於，它試圖將頂級三甲醫院病理專家的判讀能力，透過 AI 模型下放到基層醫療機構。
技術架構的三重突破
RuiPath 的技術架構具有三項核心能力：泛癌種視覺特徵提取（Pan-cancer Visual Feature Extraction）、視覺-語言跨層表徵對齊（Vision-Language Cross-layer Representation Alignment）、長序列深度思考模型訓練機制，採用 PanVL-T1 技術框架，透過 Knowledge Distillation 將通用模型能力壓縮至 32B 參數規模的專家模型。訓練數據來自瑞金醫院病理切片庫超過100萬張高質量數位病理 Whole Slide Image（WSI），華為的 ModelEngine 工具大幅提升數據標註效率，過去 3 名病理醫師每日僅能手動標註 70 張切片，現在每位醫師可標註 300 張以上，數據準備週期縮短 80%。
相當具戰略意義的是算力方案，RuiPath 僅使用 16 張華為昇騰 910B 國產 AI 晶片完成訓練，等於是百萬級病理切片模型首次在 16 張國產晶片上完成訓練，訓練成本相比國際病理模型（通常需要 100 張以上 NVIDIA A100 GPU）降低約 90%、訓練週期縮短 30%，不僅是成本優勢，也是在美國晶片出口管制背景下的技術自主能力驗證。
臨床表現與部署進展
RuiPath 在 12 個主流公開數據集的 14 項輔助診斷任務中進行測試，在 AUC、ACC 和 F1 指標上 7 項達到 SOTA 水準，效率提升更為顯著，傳統顯微鏡診斷每張切片需要 5 至 10 分鐘（複雜病例可達 40 分鐘），RuiPath 的 AI 診斷僅需數秒，覆蓋範圍涵蓋 19 種常見癌症類型，代表中國年度癌症發病率的 90%。2025 年 6 月 30 日啟動包含 12 家國內外醫療機構的全球多中心計劃，不過目前 RuiPath 尚未獲得 NMPA 三類醫材審批，性能聲明主要來自會議發表和新聞稿，尚未發現經 Peer Review 的學術論文。華為在醫療 AI 的佈局遠不止 RuiPath，成立了醫療衛生軍團，技術棧為「盤古大模型＋昇騰 AI＋華為雲」，已與中國 1,800 家以上三級醫院合作建設智慧醫院，在全球 110 多個國家服務 5,000 家以上醫療機構。
Baichuan-M3：開源策略挑戰 GPT-5.2 的醫療模型
技術規格與訓練創新
百川智能於 2026 年 1 月 13 日開源發布了 Baichuan-M3，這是個專門為醫療領域設計的大型語言模型，模型採用 MoE（Mixture of Experts，混合專家）架構，總參數量 235 億，每一 Token 啟動 22 億個參數（128 個專家中每次啟動 8 個），基於 Qwen3–235B-A22B 構建，採用 Apache 2.0 開源許可。傳統的大型語言模型就像一家只有一位家醫科醫師的診所，每次問診都要動用醫師的全部知識；MoE 架構則像一家有 128 位專科醫師的醫院，每次問診只動員最相關的 8 位專科醫師會診，其餘 120 位「休息」，使得模型能在保持巨大知識容量的同時，大幅降低每次推理的計算成本。
訓練方法學是 Baichuan-M3 最具技術原創性的部分，採用三階段多專家融合訓練範式：第一階段（TaskRL）分別訓練臨床問診、健康諮詢和醫學推理三個專家模型；第二階段透過逆向 KL 散度進行離線蒸餾；第三階段透過 MOPD（Multi-teacher Online Policy Distillation）完成能力融合。SPAR 演算法（Step-Penalized Advantage with Relative Baseline）是核心創新，將臨床問診分解為 History Taking、Differential Diagnosis、Laboratory Investigation、Final Diagnosis 四個認知階段，每個階段配備獨立的獎勵模型。此外，事實感知強化學習（Fact-Aware RL）將模型回覆分解為 Atomic Verifiable Fact，動態平衡流暢度和事實準確性，使 Hallucination Rate 降至 2.6%。
HealthBench 全球第一：超越 GPT-5.2
Baichuan-M3 在 OpenAI 的 HealthBench 基準測試（由 60 個國家 262 名醫師、5,000 個多輪臨床對話構成）中取得了 65.1 分，排名全球第一，超越 GPT-5.2-High 的 63.3 分；在百川自主開發的 ScanBench 基準測試（OSCE 式客觀結構化臨床考試）中，M3 在臨床問診得分 74.9（GPT-5.2 為 62.5，人類專家為 54.6），是唯一在所有三個核心維度均排名第一的模型，只是要留意 ScanBench 是百川自主開發的 Benchmark，獨立第三方驗證尚未公開。
公司融資與戰略轉型
百川智能由前搜狗創辦人兼 CEO 王小川於 2023 年 4 月 10 日創立，累計融資約 10.4 億美元，估值達到 200 億元人民幣（約 27 億美元），IPO 目標為 2027 年；但 2025 年 3 月經歷重大人事變動，多位 Co-Founder 和高管離職，同月金融和教育 B 端團隊解散；2025 年 4 月，王小川發出內部信承認「攤子鋪得太大」，宣布全面聚焦醫療 AI。商業化方面，百川推出消費者產品「百小應」App（含醫師模式和病人模式），並與北京兒童醫院（國家兒童醫學中心）合作開發了全球首個兒科大模型「福棠·百川」（2025 年 3 月發布），AI 兒科醫師已在北京兒童醫院「正式上崗」，中國兒科醫師缺口超過 20 萬人，而兒科診療的特殊挑戰在於嬰幼兒無法清楚表達症狀、家長的描述往往充滿焦慮和主觀判斷，兒科醫師必須從有限且雜訊極大的資訊中做出準確判斷，福棠·百川嘗試解決的正是這個問題：透過結構化的問診流程（體溫變化趨勢、進食量變化、精神狀態評估、大小便性狀等），引導家長提供更有診斷價值的資訊，再結合兒童常見病的鑑別診斷邏輯，為基層兒科醫師提供決策參考。然而，兒科用藥的體重計算、年齡相關的劑量調整和禁忌症篩查等高風險環節，目前仍需要人類醫師的最終確認，AI 在兒科場景中更適合定位為智慧助手而非獨立決策者。與海淀區衛健委合作的「AI 醫師-人類醫師雙協同」模式正在社區衛生服務中心試點，總體來看，B 端商業化仍處於早期階段，尚無顯著收入披露。
深圳 AI＋生命健康產業園：硬體之都生態實驗
2025 年 5 月 8 日，位於深圳龍崗區寶龍街道的 AI＋生命健康產業園正式揭牌，是粵港澳大灣區首個「AI＋生命健康」主題產業園，園區為灣區未來科技園的核心組成部分，規劃用地面積約 19 萬平方公尺，總建築面積約 101 萬平方公尺，首批 14 家簽約企業預計實現年產值合計約 30 億元人民幣。深圳為 AI 醫療產業構建了密集的政策優惠網絡，市級層面使用 AI 技術服務的企業可獲得合約金額 15% 的補貼（上限 200 萬元/年），創新藥研發里程碑獎勵最高 3,000 萬元；龍崗區級政策更為激進，提供算力券（算力成本最高 30% 補貼，上限 600 萬元）、數據成本補貼（訓練語料購買 20% 補貼）、以及零租金空間，10 萬平方公尺為小微科技企業提供最長 2 年免租期。
與北京（基礎研究人才最密集）、上海（國際藥廠雲集）和杭州（消費性健康 AI 領先）相比，深圳的差異化優勢在於 IT＋BT＋AI 三重融合，華為（盤古模型、昇騰晶片）、騰訊（混元醫療大模型）、邁瑞醫療（醫療器材）和華大基因（基因組學）的同城聚集，形成了無可比擬的硬體-AI-生物科技整合能力，全市已部署 450 多項「AI＋醫療」產品。
高增長預期與冰冷現實的碰撞
市場規模與增長預測
中國 AI 醫療市場的規模估算因定義範圍而顯著不同，按核心 AI 醫療軟體 / 平台的狹義定義，2023 年市場規模約 15.9 億美元，預計 2030 年達到 188.8 億美元（CAGR 42.5%，Grand View Research）；按廣義定義，2024 年市場規模已超過 1,000 億元人民幣，截至 2024 年 12 月，NMPA 累計批准 126 項三類 AI 醫療醫材。2025 年 NMPA 第 63 號公告首次明確將「醫用大模型」納入 AI 醫療器材範疇。
上市公司的冰與火
中國 AI 醫療上市公司呈現出「技術熱、市值冷」的鮮明對比，鷹瞳科技（02251.HK）2021 年 IPO 價 75.1 港元，2025 年 11 月股價約 12.15 港元，較 IPO 價跌去約 84%；醫渡科技（02158.HK）從高點跌去約 95%；晶泰科技（02228.HK）2021 至 2023 年累計虧損 54.82 億元。IPO Pipeline 中，訊飛醫療（中國 AI 醫療收入份額第一 8.7%）已完成境外上市備案，數坤科技正推進科創板 IPO。
好公司？估值？下注策略？
判斷 AI 醫療公司品質的關鍵維度包括技術護城河（是否擁有獨特的訓練數據集、演算法創新或臨床驗證數據）、商業化證據（是否已有付費客戶、收入增長曲線是否健康）和監管資產（NMPA 三類醫材認證數量，因為每張認證代表 2 至 3 年的審批壁壘），以此標準衡量，數坤科技（14 項三類認證，覆蓋 3,000 家以上醫療機構）和訊飛醫療（8.7% 市場份額第一，2025 上半年收入 2.99 億元增長 30.26%）屬於「好公司」候選；百川智能的技術指標驚人但商業化極爲早期，更像是高風險高報酬的下一個爆發點；螞蟻阿福則因未上市且商業模式不明，目前無法直接投資但值得密切追蹤其對相關上市公司的拉動效應。
鷹瞳科技從 IPO 價 75.1 港元跌到 12 港元的過程，本質上是市場對「AI 醫療盈利時間表」的預期重新校準，2021 年上市潮時，投資人普遍預期 3 至 5 年內實現盈利；現實是 2025 年多數公司仍在虧損，當前估值已經反映了「盈利遙遙無期」的悲觀預期，換言之，如果任何一家公司在 2026 年真正實現盈虧平衡，可能引發整個板塊的估值重評，數坤科技和推想醫療被市場認為最接近這個拐點。
中國 AI 醫療的投資節奏應該是「小部位建倉，等待催化劑，逐步加碼」，初始部位不宜超過投資組合的 3 至 5%，因為個股風險仍然極高（前五名僅佔 21.6% 市場份額，行業整合尚未開始），關鍵催化劑包括：衛健委「AI＋醫療衛生」實施意見的配套細則和採購預算落地、龍頭公司季度財報顯示收入加速或虧損收窄、以及 NMPA 對醫用大模型的首批審批案例；認賠訊號則像是 2027 年之前若二級以上醫院 AI 部署率未達 30%、頭部公司收入增速降至 20% 以下，可能應果斷減持，地緣政治風險（美國晶片管制升級、兩岸關係影響資金流動）也需要納入風險管理框架。
我們或許可以將中國 AI 醫療公司分為三個梯隊來思考配置策略，第一梯隊是「已驗證收入但尚未盈利」的公司，訊飛醫療、數坤科技、鷹瞳科技屬於此類，它們有真實的醫院客戶、NMPA 認證和持續增長的收入，風險在於盈利時間表的不確定性，適合作為核心持倉；第二梯隊是「技術領先但商業化極早期」的公司，百川智能（若 2027 年 IPO）和可能上市的紫荊智康屬於此類，它們的研究論文和基準測試成績驚豔，但距離穩定現金流可能還有 3 至 5 年，適合作為零星持倉；第三梯隊是「供應鏈受惠」標的，華為昇騰晶片的代工和封裝鏈、醫療數據儲存服務商、以及為 AI 醫療提供算力基礎設施的雲端服務商，這些公司不直接承擔 AI 醫療的商業化風險，但能從產業整體擴張中獲益。
全球 AI 醫療創業投資在 2024 年達到 105 億美元 / 511 筆交易，美國佔全球數位健康融資的約 70%；中國方面，2024 年 AI 醫療投資為 26 筆 / 28.54 億元（3.93 億美元），相比 2021 年的高峰已連續三年下降，但結構性變化值得關注，國家資本正越來越集中投向國家冠軍型 AI 醫療公司，代表未來中國 AI 醫療的贏家很可能是既有技術又有政策關係的少數巨頭，而非百花齊放的眾多新創。
中美 AI 醫療的不對稱競爭
中美兩國在 AI 醫療領域形成了各具優勢的競爭格局，而非簡單的追趕-領先關係，中國的核心優勢在於數據和部署速度，101.5 億次年門診量橫跨 38,000 多家醫院、70% 的醫院已實現電子病歷數位化，形成了全球最大的醫療數據池，中國佔全球 AI 專利申請的 70% 以上，2014 至 2023 年生成式 AI 專利約 38,210 項，是美國的 6 倍。美國的優勢在於基礎研究和商業生態系，2023 年美國私人 AI 投資達 670 億美元，FDA 截至 2024 年中已批准約 950 項 AI/ML 醫療器材，地緣政治因素正在重塑競爭態勢，美國的先進 AI 晶片出口管制影響了中國企業獲取頂尖算力的能力，但 RuiPath 用 16 張昇騰 910B 完成訓練的案例，正是中國「被迫但成功」建立算力自主性的縮影。
未來 20 年不確定性中的確定趨勢
幾個確定性趨勢已逐漸浮現，而拉長到未來 20 年的時間維度來看，某些結構性力量將持續推動這個產業的演進。第一個趨勢是政策驅動從鼓勵轉向強制，「十五五」規劃和衛健委實施意見不僅設定了目標，更規劃了分階段的實施路徑，當政策從「應該做」變成「必須做」，市場的擴張邏輯從需求拉動轉變為供給推動，往未來看，到 2035 至 2040 年，當中國的高齡人口突破 4 億且醫師總量增長趨緩，AI 輔助診療很可能從「可選配備」變成「法定標配」，類似於今天電子病歷從「鼓勵使用」變成「強制規範」的過程。
第二個趨勢是消費性入口的爭奪已經開始，螞蟻阿福一億用戶的速度證明，AI 健康助手作為 C 端產品的用戶獲取能力可能遠超預期，但這場戰爭的終局不會止於問診助手，未來10至15年，隨著 Wearable Devices、連續血糖監測（Continuous Glucose Monitoring, CGM）和數位生物標記（Digital Biomarkers）的普及，AI 健康助手將從「被動回答問題」演化為「主動預防疾病」，在我們還沒感覺到症狀之前，就透過心率變異、睡眠品質、步態變化等數據發出預警，這才是消費級 AI 醫療的真正爆發點，也可能是為什麼螞蟻集團願意在目前沒有商業模式的情況下砸重金佈局的原因。
第三個趨勢是技術路線的分化與融合，百川 M3 代表的專用醫療大模型路線、清華 Agent Hospital 代表的多智能體自進化路線、RuiPath 代表的國產算力＋臨床數據路線，這三條路線並非互斥，更可能在不同場景和階段相互融合。展望未來，2028 至 2030 年多模態醫療基礎模型（能同時處理影像、病理、基因組、電子病歷和穿戴裝置數據的統一模型）的成熟、2030 至 2035 年 AI 輔助 Surgical Planning 跟 Intraoperative Navigation 從試驗走向常規、2035 至 2045 年 AI 驅動的個人化精準醫療全面落地，基於每個人的基因組、表觀遺傳學（Epigenetics）和即時生理數據，提供真正因人而異的治療方案，都是非常值得期待的。
第四個趨勢是國產算力替代正在從願景走向現實，RuiPath 用 16 張昇騰 910B 完成百萬級病理模型訓練，成本降低 90% 案例的象徵意義可能超過其技術意義本身，在美國持續收緊晶片出口管制的背景下，中國 AI 醫療產業正在被迫但也成功地建立算力自主性。
第五個確定趨勢是學術與產業的轉化速度在加快，清華 Agent Hospital 從 2024 年 5 月論文發表到 2025 年 11 月近 1 億元融資、再到醫院試點部署，週期不到 18 個月，中國特有的產學研醫四位一體模式：大學出技術、醫院出數據和場景、企業出工程和商業化、政府出政策和資金，正在成為 AI 醫療創新的加速器。
如果將時間軸拉到 2045 年，幾個更深層的結構變化值得思考，首先是醫師角色的根本轉變，當 AI 能夠以超過人類平均水準的準確率完成影像判讀、病理診斷、心電圖分析甚至基本的鑑別診斷時，醫師的核心價值將從資訊處理轉向關係建立和複雜決策，解讀 AI 無法處理的模糊情境、與病人溝通壞消息、在倫理困境中做出判斷，不是「AI 取代醫師」的老生常談，而是醫師的專業身份認同將被重新定義；其次是醫療資源分配邏輯的改寫，如果 AI 能讓村衛生所的診斷品質接近縣級醫院水準，那麼目前以醫院等級為核心的資源分配體系是否需要重新設計？分級診療的分級標準是否要從硬體設備轉向 AI 系統等級？這些制度層面的變革可能比技術本身更深遠；第三是數據主權的地緣政治博弈，當一個國家的 14 億人口醫療數據成為訓練 AI 最寶貴的原料，數據本身就成為戰略資源，中國的《個人信息保護法》和《數據安全法》不僅是隱私法規，更是數據主權的宣示。未來20年，「誰的數據訓練了 AI」和「AI 的決策邏輯是否透明」將成為國際醫療合作和醫療器材出口的核心議題。
對岸巨浪中的機會與警示
中國 AI 醫療的這波浪潮既是競爭威脅，也蘊含合作機會和重要啟示。從醫療體系的角度來看，台灣面臨與中國類似但規模較小的結構性壓力，少子化和高齡化正在加速，2025 年台灣 65 歲以上人口已超過總人口的 20%，正式邁入超高齡社會（Super-aged Society）；健保財務壓力日增，醫師人力雖然品質相對均勻但總量增長緩慢。中國的經驗顯示，AI 醫療在「基層下放」和「慢病管理」兩個場景的商業化最為成熟，恰好也是台灣健保體系最需要效率提升的領域，台灣擁有全球品質最高的健保數據庫之一（全民健保資料庫覆蓋 99.9%人口、超過 20 年連續資料），如果能在數據治理和隱私保護框架下妥善運用，有機會開發出精準度更高的 AI 模型。港股上市的 AI 醫療公司（鷹瞳科技、醫渡科技、晶泰科技）可透過複委託直接投資；台灣本土的醫療 AI 概念股（如廣達、緯創的醫療 AI 伺服器業務，或研華、佳世達的智慧醫療解決方案）可作為供應鏈受惠標的；此外，華為昇騰晶片的崛起值得台灣半導體產業密切關注，RuiPath 案例證明國產算力已能支撐臨床級 AI 模型訓練，對台積電的中國業務和先進製程晶片的地緣政治定位都有長期影響。
最重要的啟示或許是 AI 醫療的競爭不是純技術競賽，而是「數據＋政策＋場景」的系統性競爭，中國的優勢在於 14 億人口的數據量和舉國體制的政策執行力；台灣的優勢在於高品質的醫療數據、嚴謹的臨床驗證文化和國際化的監管框架，在這場全球 AI 醫療的重新洗牌中，台灣不需要追求「大」，而是應該追求「精」和「可信」，以高品質的數據和嚴格的臨床驗證，打造國際社會信任的 AI 醫療產品，才是小國的生存之道。
台灣的分級醫療制度推行多年成效有限，基層診所的轉診率和慢病管理品質參差不齊，中國衛健委實施意見中提出的「AI 輔助基層診療」和「AI 慢病管理」，其實為台灣提供了一個可參考的技術解決方案，如果台灣的基層診所也能配備類似螞蟻阿福「AI 診室」等級的臨床決策支持系統，或許能有效提升家醫科醫師的診斷信心，減少不必要的上轉，真正落實「小病在社區、大病到醫院」的理想。此外，台灣全民健保資料庫的價值加上完善的疾病編碼（ICD-10）和處方紀錄，在全球是稀有的高品質 Real-World Data，如果台灣能在《個人資料保護法》的框架下建立安全的 Data Sandbox，讓研究團隊在去識別化的前提下訓練 AI 模型，台灣有機會在特定疾病領域（如糖尿病併發症預測、慢性腎病進程預測、多重用藥交互作用偵測等）開發出全球領先的 AI 工具。
中國 AI 醫療的快速發展也提出了一個迫切的問題：我們的醫學生是否準備好了在「AI 協作時代」執業？未來的醫師不只需要知道如何判讀影像，更需要知道如何評估 AI 的判讀結果、何時信任 AI 的建議、何時覆寫 AI 的判斷，這種人機協作素養（Human-AI Collaboration Literacy）應該被納入醫學教育的核心課程。然而，不確定性也近在眼前，商業化的最後一哩路仍然漫長，最大的純 AI 醫療上市公司年收入不足 10 億元，多數企業仍在虧損；監管框架仍在演進，醫用大模型剛被納入 NMPA 監管範圍，從實驗室數據到 Real-World Evidence 的過渡標準尚不明確，數據隱私合規成本持續上升，一項調查顯示省級健康應用的《個人信息保護法》合規率僅 59.9%，此外市場碎片化嚴重，前五名僅佔 21.6% 市場份額，行業整合尚未開始。
中國 AI 醫療產業正處在一個特殊的歷史時刻，前所未有的政策支持、全球領先的技術突破、一億用戶的市場驗證同時發生，但大多數參與者仍在尋找可持續的商業模式。這不是一個「是否會發生」的問題，而是「以什麼速度、什麼路徑發生」的問題，回到最根本的命題：AI 醫療的價值不應該用「節省多少錢」或「取代多少醫師」來衡量，它的真正價值在於讓一位西藏偏遠地區的牧民，在胸痛發作時能透過手機獲得與北京協和醫院同等品質的初步分診判斷、讓一位鄉鎮衛生所的醫師在面對罕見皮膚病變時，能即時調用一個見過百萬張皮膚影像的 AI 模型作為 Second Opinion、讓一位獨居老人的血壓和心率異常在凌晨三點被 AI 健康助手偵測到，並自動通知家屬和家庭醫師。如果這些場景在未來五到十年內成為常態，那麼中國 AI 醫療產業的投入，無論目前看起來多麼燒錢，都將被證明是值得的。
當北京協和醫院的診斷智慧，透過一行行程式碼抵達西藏牧區的手機螢幕；當瑞金醫院百萬張病理切片的判讀經驗，被壓縮進 16 張國產晶片；當一億用戶在除夕夜打開螞蟻阿福詢問孩子的發燒該不該跑急診，我們正在見證的，不只是一場技術革命，而是醫療公平性的重新書寫。中國 AI 醫療的故事，本質上是一個關於時間的故事：用演算法壓縮醫師十年的臨床經驗累積、用政策的確定性對沖商業模式的不確定性、用十四億人的數據密度換取診斷品質的均質化，這場賭注不是財報上的盈虧數字，而是四億即將老去的人口，能否在生命最脆弱的時刻，獲得不因地理座標而打折扣的醫療照護。潮水的方向已經確定，但浪花的形狀仍在成形，對岸的巨浪終將拍向我們的海岸，是被沖刷還是借勢而起，取決於此刻的準備，答案不在未來，在我們現在的選擇裡。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.