2021年，醫療AI企業迎來了上市大關，3月，科亞醫療向港交所遞交IPO申請；6月，鷹瞳科技緊隨而來；8月，由科創轉投港股的推想醫療遞表；9月，數坤科技提交了招股書。

但全力商業化兩年的成績單依然難過二級市場的法眼：

7月，依圖科技的IPO狀態變成了“終止”，8月，依圖醫療團隊被深睿收購。9月，最先沖刺的科亞醫療上市狀態變成了“失效”，11月，成功著陸的“醫療AI第一股”鷹瞳科技上市即破發。

醫療AI是這個時代最有代表性的技術第一次與醫療的碰撞，但五年來，這個不賺錢的賽道經歷了短暫輝煌后便一路低迷，如今，這項前沿技術最顯眼的標簽只剩下了“燒錢”。

互聯網技術起步期燒錢并非什么新鮮事，但面對堅固的醫療堡壘，企圖接近診療核心的醫療AI之路顯然要比互聯網醫療更崎嶇，過去兩三年里，醫療AI企業在商業化的戰場上處處碰壁，又處處逢生，像是褪去華服后換上一件普通衣裳，重新站在了醫院和資本面前。

這一次，人們會相信醫療AI企業重新講述的故事嗎？面對中國醫療體系這樣一個龐然大物，AI如何改變醫生、說服醫院？

從醫生到基層醫生再到輔助工具，AI究竟能取代誰？

現在頭部醫療AI公司正急于上市解渴，但當年創業者和資本都徜徉在AI取代醫生拯救負重前行的中國醫療的愿景中時，錢，恰恰是最不是問題的問題。

據統計，2020年中國醫療AI市場整體規模約為265億，而從2015年風口突起至今年上半年，醫療AI總融資規模就超過了350億。

如果不考慮后來的回報率和泡沫，而聚焦到醫療AI產品本身，350多億、無數AI巨擘、眾多三甲醫生和從業者，耗時6年，為什么沒能將取代影像科醫生，哪怕在一個病種上戰勝醫生呢？

時間撥回AI和醫療還沒有深入交鋒的2017年，當時的熱門話題還是AI能不能取代醫生，這一年過后，2018年醫療AI融資額比從前翻了兩倍，達到了76億，融資次數達到了91次。外界、投資人甚至創業者自己對以“人機大戰”的故事為模板創作出了醫療版的AI故事：升級版的alphago使用的這項強人工智能技術，既然能戰勝世界圍棋冠軍柯潔，那它沒有理由不能戰勝醫生。

但AI邁出的第一腳就踢到了醫療的鐵板——數據，影像數據算是標準化程度最高的領域之一，但每家醫院信息系統中的數據質量參差不齊，因此，一家剛剛起步的創業公司只能去磕一家或幾家醫院，通過付費購買或者科研合作的方式，從醫院獲得數據，作為交換，他們會讓合作的醫院作為“樣本醫院”免費使用產品。

直到2021年2月，中華醫學會放射學會、中國食品藥品檢定研究院等聯名發表的《胸部CT肺結節數據建構及質量控制專家共識》仍將國內肺結節數據集情況概括為各家公司“各自為戰”，數據集中度低，且“質量參差不齊，容易影響產品質量，甚至帶來風險”，要知道肺結節是醫療AI應用最早最成熟的病種。

即便獲得了一些質量還可以的影像數據，機器“學習”過程依然是道難關。圍棋輸贏是有標準的，但疾病診斷卻很難有一個金標準，業內人士孫濤比喻，“很多病人到死也不知道自己究竟是得了什么病，找8個專家可能給出了8種診斷，而醫生解決不了的問題，依靠醫生經驗衍生出來的AI更解決不了”。

這時，AI取代醫生的故事已經圓不上了，真正來到醫療領域，通用型AI面臨的不僅是要不要落地的問題，而且是如何見縫插針落地的問題，依圖醫療的前商務經理李梅告訴八點健聞，“做一個產品，最理想的肯定是先做商業戰略分析，找到醫療痛點，再對癥下藥，但實際落地時，僅僅是哪里有醫療資源和數據，就先做哪個了”。

然而，獲取數據成本高昂，而且是排他性的，這就使得作為數據來源的醫院本身就成為了一種標準。理想情況下，頂尖醫院數據質量好，診斷也更準確，從中訓練出的產品“可以當做一個年輕的小醫生，至少要比基層醫生水平要高一些”。于是，故事就變成了“提升基層診療水平”。

但即便證明了一款AI軟件對肺結節的檢出率達到99.999999%，而某位醫生診斷準確率不超60%，那AI是不是可以替代這位醫生呢？答案是否定的，軟件不可能獨立地直接面向患者，“機器本身的診斷結果肯定是需要醫生蓋章的，從倫理上講，一旦出了問題要追責，你不可能去追一個機器的責任，最后都是需要找醫生”。

在基層醫院市場，“誰來對診斷結果負責”的問題更加凸顯。某頭部醫療AI公司負責肺結節篩查的產品經理張力告訴八點健聞，“大醫院的醫生有能力鑒別，但是很多縣級醫院的醫生根本不會自己看，直接照抄AI軟件的結果。即使AI的準確率已經很高，但一旦出錯就麻煩了，這一點實際上是廠商非常害怕的。”

“AI之于醫生，就像會計有了Excel，你能說有Excel就不需要會計了嗎？”，行業內最好的產品相當于一名5年資醫生，而這些相當于“小醫生”的醫療AI軟件，現在的定位重回輔助類工具，醫療AI的流行故事也變成了要嵌入臨床場景，要助力精準醫療、分級診療，要琢磨“醫生需要什么樣的工具”？

基層醫院里的新故事：工具能賣多少錢？

“有沒有好產品是一回事兒，產品值多少錢是另外一回事兒”，盡管并非所有醫療AI公司都能拿得出一款相當于“5年資醫生”的頂尖產品，但重復布局、激烈內卷的市場競爭決定最終提供給買方的產品只能是質優者。

如果Excel付費才能使用，它在中國能賣多少錢我們不得而知，但作為“低配版新手醫生”的醫療AI軟件，在中國醫院中能做些什么卻是可以想象的，而這決定了醫療AI行業的天花板有多高。

在醫療AI公司的設想里，“低配版新手醫生”既能幫三甲醫院減負，又能幫基層醫院提高診斷質量。

大三甲的確需要提高效率，但卻不一定需要多么智能的AI軟件。當李梅向醫院院長展示了依圖炫酷的智能系統時，令院長們眼前一亮的往往是技術水平最低的“分診導診”系統，這些流程優化類的項目雖然技術水平低，但定制化程度高，因此交付價格更高。

“醫院里對AI閱片的認可度不高，藥監局發證的標準也沒有確定，那時的公司應該放低姿態開拓一些更容易盈利的產品來渡過難關”，孫成所在的圖瑪深維，曾是獲得軟銀和經緯中國青眼的醫療AI先驅，但最終因資金鏈斷裂而于19年底破產。

隨著2020年三類證的獲批及近兩年的市場教育，醫療AI進院也取得了一些實質性的進展，上至三甲，下至地方，都開始接納AI產品。

在基層，醫療體系正在推動分級診療，“訓練三甲數據，賦能基層醫生”的新故事又有了想象空間。

站在醫院管理者的角度，如果有錢，當然愿意為醫院“增加AI元素”，一家醫療AI公司的市場人員在縣級醫院推廣時發現，向院領導強調鄰縣醫院已經采購這種新產品，是一個更見效的銷售邏輯。

基層科室—醫生診療能力—信息化基礎，是基層應用AI的硬件基礎，就像想用Excel，既得需要有會計，還得需要有電腦，而如果要推基層市場，醫療AI公司就得參與培訓醫生、布局算力。

現在的醫療AI軟件價格對于一些地方三甲醫院而言尚可接受，安德醫智負責東北市場的一位銷售經理告訴八點健聞，經過這幾年的推廣和教育，現在三四線城市也接受人工智能了，三四線城市三甲醫院成了兵家必爭的新戰場。

但提升算力仍然是不可以避免的應用成本，“你若要想用我的AI，得先買臺二三十萬的服務器來提升算力”。

但實際上，面向大三甲開發的AI軟件并沒有瞄準當下的基層市場，基層醫院主要聚焦常見病，還沒有建立起心腦、癌癥等疾病的應用場景，更關鍵的問題是，基層醫院沒有支付能力。

要應用先得造場景，要賣貨先得教育市場，醫療AI的市場擴容的確需要下慢功夫，行業只能一邊掙扎著生存一邊期待新的市場不斷兌現，但，創業公司等不了，資本也等不了。

前浪和資本，誰推動了誰？

即便所有AI細分賽道都面臨著落地難的窘況，醫療也一定是最先被犧牲和淘汰的板塊。今年8月，上市失敗的依圖，將自己的醫療板塊賣給了深睿，轉身增加了自動駕駛業務。

即便員工李梅自認依圖的產品位列第一梯隊，而且商業化收入并不比同行差，但“當面臨到上市、抉擇的時候，老板先砍的還是自己吃不透的領域”。

資本的話語權，顯然要比公司大得多，創業公司的發展態勢未必符合技術規律但卻必須符合資本勾勒的腳本。李梅后來明白了，“投資跟產品是兩條線，資本不管產品好不好用，只要能講通故事，在某個時間段內能創造利潤，就能往下走”。

如今業內人士提起曾經的醫療AI獨角獸圖瑪深維，皆是一聲嘆息，這家曾經獲得軟銀和經緯中國青睞的行業先驅，最終因資金鏈斷裂而于19年底破產，孫成回憶，公司最后兩三個月工資都沒發下來。一家小設計公司因10萬塊設計費用至今仍在堅持起訴圖碼。

風口上的醫療AI公司，曾靠著純互聯網式的打法熱鬧一時。那是靠公關稿拉投資的“to PR/to VC”時期，公司賣力宣傳，砸錢辦展會請專家。孫成記得，那時投資人會要求什么階段要實現規模多少、用戶醫院要多少家，公司在這樣的催促下盲目地跑馬圈地、急速擴張。

但彼時，醫療AI連三類證都沒有，醫院認可度也不高，大筆砸錢卻沒能實現商業化收益。

孫成有些后悔，圖碼當時或許應該放低姿態開拓一些更容易盈利的產品，但徜徉在獨角獸美夢中的管理層并未意識到危機，他們拒絕了一些小投資機構，接受了一家國企的2億融資，但只出不進的財務狀況使得這筆投資最終流產，昔日的獨角獸很快便消失在了醫療AI的版圖中。

“大家都是快速的試錯，圖瑪的初心就是想在風口賭一把，上場就是賭的心態，賭場上愿賭服輸，大浪淘沙掉一批，剩下的企業扎扎實實地理解行業，并且愿意長期投入做好這個行業”，孫濤認為這對于行業發展來說，未嘗不是一件幸事。

所有醫療AI企業4、5年前站在同一起跑線，2年前隱約分出先后。如今，幾年前涌進來的資本到了收獲期，數據安全法即將落地，今年或許是數據類公司IPO的唯一窗口期，第一梯隊拿了證急忙趕赴上市，而第二梯隊還在為拿證奔波。

技術水平更高一籌的醫療AI賽道本應是企業爭相涌入的藍海，但落地難的現狀讓資本和企業在市場里越來越沉不住氣，而紅海市場盈利模式比較明確，退回紅海用低技術高收入的訂單攢錢不失為一個優質選擇，而現實也的確如此，已經從藍海急轉掉頭回紅海的公司要比醫療AI公司活得好。

但AI公司向后走，就相當于為了賣智能后車鏡，非得造輛車一同賣給醫院，但畢竟不是造車的，要么造了一輛不好用的車，導致智能車鏡用不上，要么設計出一輛很好的車，但是成本太高。

廣東省惠州市第一人民醫院磁共振室主任肖俊強直言，“影像科醫生當然是需要AI，好的AI可以很好的輔助診斷，而國內影像AI最大的問題是資本沒有耐心”。

“如果說資本的退出節奏打亂了公司發展規律，那是很可怕的事情，可能一個好的產品從此就消失了”，孫濤為斷臂求生的高科技企業感到惋惜。

上市成功或許會為醫療AI行業帶來更多的資金和話語權，但高度重合讓各家產品多在上市完成后還得再來一輪PK，只是細分成不同賽道后，競爭變得有序起來了。

夾縫中求變：哪兒有市場就鉆哪兒

醫療AI做的是增量市場的生意，科技本打算征服醫療，但反被吞噬，在這個過程中，AI醫療已悄然變成了醫療AI，而最能體現他們互聯網基因的便是這套“2B2C”的話語體系，只不過面臨醫療這座大山，他們還要面向醫院、設備廠商、政府、公關、投資人、二級市場………幾乎可以“to”一切，這是公司必須學會的生存法則，“哪兒有市場就看哪兒，不可能說放著賺錢的院外場景不做，就只盯著醫院”。

如果醫療AI所能提供的最好產品無法在院內獲得足夠的營收，再怎么死磕醫院影像科也沒用，企業要生存，資本等不起，初創公司也不得不開拓新的渠道和市場。

醫院之外， 政府買單的早篩市場，和體檢中心、藥方、保險公司合作的“2B”市場，搭載GPS大放設備的“2P”市場，為企業貢獻了招股書中最有想象力的部分。

據億歐智庫統計，2021年，多數AI軟件廠商都找到了搭載硬件廠商入院的新模式，硬件廠商向企業貢獻了占 60%-70%的銷售額。

據36氪報道，數坤和科亞與設備廠商的合作一次性就獲得了上千萬的收入，且“在數坤整個的收入結構中，賣器械廠商的商業化收入占比約在5成左右”。

雖同為器械，但幾十萬的醫療AI產品與幾千萬的大放設備并不在同一個對話等級，“如果一個軟件死磕醫院，或許能啃下來100萬，但是要做硬件集成，人家一定會把AI利潤壓到最低，可能只賣幾十萬，還不如直接找醫院合作，跟設備廠家談利益分配、做軟件適配的過程并不會比醫院更輕松”。

多位行內人士對八點健聞分析，一個非常核心的問題是，GPS通過合作的方式引入AI模塊是為了節省研發成本，“并不存在AI軟件與設備叫板的情況，設備想這款搭軟件就搭，不想搭就賣別人家的了，遠遠沒輪到AI軟件提要求的地步”。

“2G”市場不穩定，“2B”“2P”市場競爭激烈獨占期短，這些一錘子買賣很難形成企業的護城河，一個更大更有未來的持續性的市場是患者付費的“2C”市場，但醫療AI早期創業者張磊告訴八點健聞，“即便主打面向患者，AI也繞不過醫院、體檢中心等中間渠道”。

“醫院畢竟是一個需要自負盈虧的機構”，張磊對八點健聞分析，若是患者自費，“幫醫院減輕負擔與跟醫院分攤利潤是兩條線，醫院收了費為什么要分給AI公司呢”，未來如果要走醫保渠道，唯一的可能是“AI證明自己可以幫醫保省錢”。

且對于一款醫療軟件來說，入院形成患者付費場景并不輕松，科亞的深脈分數產品經醫院需向地方政府部門申請物價編碼后，才終于進入了河北、安徽、山東等多省定價項目目錄。

院外，鷹瞳跟體檢公司愛康可以按人頭分成，但紅利期還能持續多久尚未可知。

對于企業來說，耗費人力物力開拓出來的市場通道，可能是為后來者做嫁衣，讓競品有了迅速跟進的捷徑。

無論如何，醫療與AI的市場邊界正在被打破，已經落入口袋、寫在賬面上的收入，為各醫療AI公司提供了上市的可能，上市所帶來的錢和資源，會幫助它們進一步開拓市場。

中國醫療到底需不需要AI?

噱頭、泡沫、故事、生意之外，一個觸及底層的核心問題是——中國醫療到底需不需要AI?

這個答案對于影像科醫生來說是毋庸置疑的。

青海省西寧市第一人民醫院放射科張春紅醫生在使用了一臺具有AI擺位功能的產品后稱，“解放了雙手，提高了效率，且圖像質量確實有提升”。

“以前處理一個冠脈要一個多小時，現在三五分鐘”，多位影像科醫生對其所使用的部分醫療AI軟件表示了認可。

河南省立眼科醫院醫療發展部李鵬則希望借助醫療AI技術，建立一個省市基層聯動的眼底閱片網絡，以提高診斷的準確率和基層診療能力。

如果AI的確能幫到醫院，醫院并不會吝嗇，“大部分醫院會拿出1~2%的收入來進行信息化改造，這筆投入是巨大的”。

從需求角度而言，醫療與AI團隊幾乎是天然的同盟，醫院里還有無數的病種可以AI化，還有無數的流程和重復性工作需要AI幫忙處理。

但適用性高的AI一定是定制化研發，一位北方地區醫院采購負責人告訴八點健聞，該院耗資82萬采購的兒童骨齡智能輔助診斷軟件在診斷上“有一些問題”，這個參照南方地區身高作為標準的軟件并不適合平均身高突出的當地。

“這就像考北京卷，卻一直按上海卷復習”，這樣的可遷移性、解釋性和適用性問題更需在產品升級和政策互動中給出一個衡量標準，醫療AI軟件對于監管而言同樣也是一個新課題。

“今年下半年，大陸對香港上市的數據類公司加強了監管，對數據的整理、收集、脫敏和應用提高了門檻”，張磊分析，數據監管升級，加劇了AI企業上市的不確定性，但其影響卻不止于此，對于依賴數據而生的AI企業來說，未來獲得、處理、應用數據的時間、人力和財力成本會進一步提高。

醫療的公益性決定了醫療服務行業很難像互聯網那樣賺到大錢。AI需要不斷升級以向醫生、醫院、市場證明自己的價值，“就像智能電話手表，以前功能單一只能打電話的時候賣得很貴，也無法大規模商業化，而現在它功能又多又便宜，大家對它的核心功能認可度自然高了，也就更容易市場化，醫療AI軟件也是一樣的，當基本功能并不足夠吸引人，價格又貴，大家就對它的要求就高一些”。

因此，在研發成本降下來和大規模商業化拐點到來之前，細致地切入臨床場景的定制化研發，仍然需要一個基本盤持續為它輸血，像商湯及BAT的大型互聯網公司可以用其他業務彌補暫時高投入低收益的醫療板塊，設備廠家可以用軟件模塊撬動設備更新換代從而獲得更大的邊際收益。

唯獨醫療AI創業公司，他們或許在上市后，可以稍微喘息一下，構思如何講好新時代的商業故事，但醫院想要能更智能、病種更多元的軟件，企業生存需要更豐富的管線，這一關過后頭部各家依然需要在商業化鏖戰中，為產品升級造血。

比爾·蓋茨有句名言，“人們永遠會高估一兩年的發展，而低估了未來10年的發展。”這似乎契合了醫療AI的發展軌跡，它曾在最初的一兩年里被高估，卻很快認清現實，但在下一個10年，它會真正改變醫生的診療習慣嗎？