21世纪经济报道记者韩利明
在温州医科大学附属第一医院（以下简称“温医大附一院”），72岁的慢病患者陈阿姨体验到了AI（人工智能）带来的就医变化：从手机端智能分诊开始，AI贯穿挂号、候诊、检查、取药全流程，等候时间缩短了近一半。
更让她意外的是，医生在AI辅助下开具的临床营养方案，隔天就有特医食品配送上门，后续AI系统还会定期随访，跟踪她的营养指标和依从性，动态调整方案。“以前出了医院大门就没人管了，现在感觉医生一直在身边。”
自2023年医疗大模型行业迎来发展探索热潮以来，叠加国家政策持续引导、底层技术快速迭代、民众智慧医疗需求攀升、资本市场持续赋能等多重利好因素，国内医疗AI从概念炒作走向实战落地。现阶段，AI在医院场景的应用愈发具象化。
不过行业发展仍存关键课题：如何持续释放医疗AI的长期产业价值，打通技术落地壁垒，实现规模化商用，是当前医疗人工智能产业高质量发展的核心命题。
从“概念探索”到“价值交付”
国内医疗AI的发展，离不开国家多层级政策的引导。2024年底，国家卫生健康委牵头制定了《卫生健康行业人工智能应用场景参考指引》，列出了AI在医疗领域创新应用的84个场景，为AI在医疗行业的进一步拓展提供了明确方向。
2025年11月，国家卫生健康委办公厅等5部门联合发布的《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》提出，到2030年，基层诊疗智能辅助应用基本实现全覆盖，推动实现二级以上医院普遍开展医学影像智能辅助诊断、临床诊疗智能辅助决策等人工智能技术应用，“人工智能+医疗卫生”应用标准规范体系基本完善，建成一批全球领先的科技创新和人才培养基地。
2026年以来，伴随国务院《“人工智能+”行动意见》的深入实施，AI与医疗健康加速融合。全国各级公立医院纷纷启动医疗AI实景化落地试点，智慧医疗建设进入快车道。
例如常州市第一人民医院门诊部，“真真”和“儒儒”人形导诊机器人忙着给患者解答，自2月24日亮相以来，两个“医BOT”已累计提供超过10万人次交互服务。
此外，国内头部科技企业、互联网医疗平台依托自身技术底座、产业生态、医疗供应链差异化优势，加码医疗AI赛道，打造适配不同医院需求、不同临床场景的定制化解决方案。
其中，京东健康依托自研“京医千询”医疗大模型技术底座，已形成业内最全面的全场景AI产品矩阵。业内首个医院全场景AI大模型产品“京东卓医”，已在温医大附一院完成从1.0到2.0的全场景落地验证——从智慧门诊全流程的患者就医体验优化，到临床营养与体重管理的专科全病程管理，成为业内首个跑通医院全场景AI+的应用案例。
据了解，截至目前，该院门诊AI服务体系累计使用量已超过910万人次。下一步，医院希望重点突破三个方向：一是让AI进入专科专病患者服务及管理中，成为医护人员可信、可用、可管的工作助手；二是让患者服务从院内就诊延伸到院外连续管理，真正形成诊前、诊中、诊后一体化闭环；三是建立更加完善的AI质量评估、数据安全和责任边界机制，使AI应用既提升效率，也始终服务于医疗质量和患者安全。
据悉，继温医大附一院之后，京东卓医已在华中科技大学同济医学院附属协和医院、苏州市立医院等全国多家三甲医院落地，成为国家“人工智能+”行动在医疗领域落地的标杆实践。
此外，6月5日，在2026腾讯云AI产业应用大会智慧医疗专场，腾讯健康正式发布AI全栈解决方案，并同步展示腾讯健康开放平台、NGES2026、数字运河等产品与生态体系的重要发展，旨在携手各方合作伙伴以全场景AI Agent打通医疗健康创新全链条，驱动就医体验与效能协同增长。
同日，华为云在INSPIRE创想者大会上宣布正式上线“行业AI梦工厂”智慧医疗、具身智能、智能制造、科学计算四大专区，坚持用AI解行业难题，加速发展行业数智化生态。
多重难题待解
当前国内医疗AI细分应用场景遍地开花，但行业规模化商用推广、可持续商业闭环搭建依旧面临多重现实瓶颈。
数据是医疗大模型迭代优化的核心生产资料，而中国医疗数据呈现出“多而不优、散而不通”的特征。每年全国卫生机构超100亿诊疗人次产生海量数据，但由于医院间数据标准不统一，大量数据以非结构化形式存储，错漏、残缺等问题频出，直接影响AI模型的训练效果。
《BMJ Open》2026 年的研究系统评估了主流通用模型的医疗回答，约 50% 被评为“有问题”，近 20% 属于“高度有问题”。通用模型当前的幻觉率在严肃医疗场景下不可接受。
针对通用模型幻觉问题，京东健康技术产品部负责人向21世纪经济报道记者解释，医疗大模型研发必须摒弃通用大模型黑盒输出模式，依托三层技术架构打造可溯源、可解释、高可靠的医疗AI系统。
具体来看，第一层为循证医学基座，这是医疗大模型的核心底线。所有AI诊疗判断、方案推荐，必须严格依托权威临床指南、行业专家共识、最新医学科研论文。
第二层为临床专家思维链复刻。研发团队深度联动全国三甲医院临床专家，完整拆解真实接诊、病情研判、方案制定全流程临床思维逻辑，让AI具备和真人医生一致的多轮追问、分层研判、逻辑推演能力，告别通用大模型一次性盲目输出结论的缺陷。
第三层为全流程结果审核闭环。AI输出诊疗建议后，系统会同步开启人机双重审核机制，先通过算法自动校验结果合规性，再由临床医生完成最终人工复核，形成从数据输入、智能推理到结果审控的完整闭环。
此外，医疗数据孤岛问题同样严峻。当前医疗数据分散在医院、检验中心、影像系统甚至设备里，很多企业在自己产品上积累了大量数据，但一旦涉及跨医院、跨区域或跨系统的共享，往往会卡在隐私合规、授权机制和接口标准这几道关。
对此，行业也在探索。例如日前在2026南山呼吸健康论坛上，京东健康联合广州医科大学附属第一医院等单位，正式发布“呼吸医学人工智能数据集v1.0”。经中国信息通信研究院依据国家标准《高质量数据集质量评测规范》及行业标准《面向人工智能的数据集质量通用评估方法总体要求》（YD/T6486-2025）评估，该数据集成为国内首个通过权威4级评估的呼吸医学高质量数据资源，专为AI与大模型训练、验证而设计。
商业模式不完善是制约医疗AI规模化落地的另一痛点。《2025医疗人工智能报告》显示，在当前经济环境下医院普遍现金流紧张，管理者倾向于控制风险，投资回收期短的创新技术，因而能够接受AI落地，但难以为其支付费用。
该报告也指出，如果患者付费这一路径是未来AI付费的主流模式，那么商保将在这个新体系中发挥越来越多的价值。现在的问题在于，医疗AI应该如何提升自己的价值，才能与商保形成良好的协同关系，在现有的医疗体系中创造出新的服务模式。
除此之外，行业普遍认为，在医院付费意愿及付费能力短期内难以提升的背景下，AI医疗企业也需要合理优化产品定价策略，贴合医疗机构预算水平与采购预期，进一步降低医院智能化升级门槛，加速产品规模化渗透。
整体而言，国内医疗AI行业已经顺利完成从0到1的单点场景突破，实现了院内多环节、多科室的实景落地，技术可行性与临床价值已经得到医疗机构与患者的双重验证。但长远来看，行业仍需攻克数据、算法、支付等多重难题。
