过去三年，中国医疗大模型从 61 个涨到 311 个；全球机构对“医疗 AI 市场规模”的预测，从 367 亿美元到 562 亿美元，说法不一。热闹是真的，但很多人把这场变革理解错了方向——以为瓶颈在算法、在算力。

这篇文章想讲清楚一件事：AI 医疗的上限，从来不是模型多聪明，而是数据能不能供给、敢不敢流动、愿不愿共享。

01 先搞清楚：医疗大数据到底是什么

简单说，医疗大数据是围绕一个人从出生到诊疗、从用药到康复的全过程，沉淀下来的多模态数据：病历文本、医学影像、病理切片、基因序列、检验指标、用药记录、医保结算、可穿戴设备的实时体征……

但它不等于“病历电子化”。把纸质病历搬进电脑只是第一步，真正的难点在于：这些数据格式不一、标准不一、散落在不同机构和系统里，而且高度敏感。

它也不等于“数据越多越好”。医疗数据要能用，必须真实、完整、标注一致、可追溯。垃圾数据喂出来的模型，在医疗这种高风险场景里不是“没用”，而是“有害”。

02 为什么说数据是 AI 医疗的燃料

一个医疗 AI 从诞生到上岗，走的是“数据飞轮”：数据采集、清洗标注、模型训练、医院部署、临床反馈，再回流训练。这两年模型技术突飞猛进，算法和算力都能买到，唯独高质量医疗数据没法速成。所以竞争重心正在从“谁的模型参数大”转向“谁的数据底盘厚”。

几个例子能说明这个机制：邯郸的区域数智病理医联体里，县域医院完成数字切片扫描、云端 AI 初筛、中心医院医生复核，单张切片诊断时间从数分钟降到秒级，模型训练所需数据量减少到原来的 10% 以下——靠的不是更大的算力，而是数据飞轮带来的利用效率；瑞金医院联合华为云发布的瑞智病理大模型 RuiPath 2.0，把罕见病种数据训练与轻量化部署作为升级重点；杭州一家平台以自研医疗影像基座大模型覆盖近百类影像，做专病 AI 过去要两年研发周期、十万级样本数据，现在依托底座加少量自有病例调优，两三个月就能落地新病种。

03 真正的瓶颈：数据的“三不”

既然数据这么关键，为什么没有大规模流动起来？人民日报在《AI医疗规模化落地需过三关》里总结得很准：不能、不敢、不愿。“不能”，是因为医疗数据多模态、高复杂、强专业，多数医院缺乏成熟的数据治理与开发能力，各机构数据结构、格式、接口不一，数据孤岛是行业最大难点之一；“不敢”，是因为健康医疗数据高度敏感，隐私保护与安全责任压力大，共享顾虑重重；“不愿”，是因为数据贡献缺少合理的激励和价值回报机制。

政策正在“拆墙”。2025 年国务院印发《关于深入实施“人工智能+”行动的意见》，国家卫健委随后出台《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确支持建立高质量医疗健康数据的可信数据空间、鼓励研发医疗卫生行业垂直大模型；国家数据局持续推进“数据要素×医疗健康”和可信数据空间试点。上海已经汇聚医疗、医保、医药数据 100 多亿条，推出 6 大医疗垂直基础模型，开展 51 项医学人工智能应用中试。拆墙的速度，决定 AI 医疗落地的速度。

04 一组数据，看懂市场为什么“口径打架”

不同机构对 2026 年全球医疗 AI 市场规模的预测，从 367 亿美元到 562 亿美元不等；对国内市场的说法更是从“狭义 400—500 亿元”到“广义已达千亿级”，再到“2030 年有望达到 2000—6000 亿元”。

数字差这么多，不是谁算错了，而是统计口径不同：有的只算 AI 医疗器械，有的加上医院解决方案，有的把整个“AI+医疗健康”生态都算进去。所以看这类数字别急着下结论，先问三个问题：口径是什么？范围到哪？数据从哪来？口径一致，数字才有可比性。

05 三个常见误区，先排掉

误区一：AI 会替代医生。目前更接近现实的图景是“人机协作”：紫荆智康的多智能体协同系统在清华长庚医院 18 个临床科室门诊测试，医生整体诊疗效率提升约 30%，诊疗建议采纳率稳定在 90% 以上；北京安贞医院的心血管超声 AI 已落地 31 个省区市的 1000 余家医疗机构。AI 干得更多的是“初筛、辅助、提效”，责任和决策仍在医生手里。

误区二：医疗 AI 就是会聊天的通用大模型。医疗是强监管、高风险领域：AI 医疗器械要拿国家药监局三类证，大模型要完成备案，产品要可解释、可验证。联影智能累计拿下 20 张三类证，才换来商业化提速。通用对话能力只是入口，合规准入才是门槛。

误区三：数据越多越好。对医疗 AI 来说，数据质量、标注一致性、隐私合规比数量重要得多。模型在医疗场景一旦产生幻觉，代价不是一条错误推送，而是一个真实患者的诊疗决策。数据飞轮要转得快，前提是每一圈都干净。

06 以后判断一个医疗 AI 靠不靠谱，看这四件事

1. 数据来源：训练数据是否来自真实临床场景？样本覆盖哪些人群和病种？有没有标注规范？

2. 合规资质：产品是否通过医疗器械审批或完成备案？是否在真实医院验证过？

3. 责任边界：AI 的角色是辅助还是决策？出了问题由谁负责？

4. 可解释性：模型能否说明“为什么给出这个结论”？有没有经过独立临床验证？

四个条件缺一个，就该多打几个问号。

医疗大数据与 AI 的结合，可能是过去十年医疗行业最值得期待的变化，但它注定不是一场“技术独角戏”：数据治理、标准统一、隐私合规、激励机制，任何一块板子短了，水都装不满。

判断一个 AI 医疗产品，也别只盯着发布会上的演示效果，要看数据从哪来、证照全不全、责任怎么分、解释清不清。

目前能确定的是，方向已经明确，政策在加速，案例在增多；不确定的是，数据这座“富矿”最终能以多快的速度、多规范的方式被开采出来。这或许是未来几年，比模型本身更值得跟踪的变量。