医疗大数据集（全基因组序列、高分辨率影像、可穿戴设备的连续数据输出）正持续井喷，而人类对海量数据的处理能力已出现明显瓶颈。AI医疗正处于从L1向L2跃迁的供需再平衡阶段，其渗透节奏取决于“数据供给增速”与“人类处理能力上限”之间缺口的扩大速度。短期内AI以辅助角色介入诊断与阅片，中长期则有望通过边际成本优势缓解医疗服务价格刚性上升的压力。

供需错配：数据井喷与人类“无能为力”

在医疗领域，大数据集呈现为全基因组序列、高分辨率图像、可穿戴设备的连续数据输出等形式。在医疗数据不断井喷的背后，是人类对于这些数据的“无能为力”——医生单位时间能处理的病例数相对刚性，而数据量却呈指数级增长，供需缺口由此持续扩大。

这一矛盾与“鲍莫尔成本病”理论高度契合：医疗服务属于劳动生产率增长缓慢的停滞部门，其单位产品成本随时间不断上升。正如经济学家鲍莫尔在非平衡增长模型中所揭示的，消费者对停滞部门产品的需求若并非完全无价格弹性，其不断上升的成本将促使需求萎缩。AI的介入恰恰提供了另一条路径——以机器的边际处理成本对冲人力服务的刚性成本曲线。

节奏判断：从L1到L2的辅助定位

《深度医疗》作者埃里克·托普将AI医疗与自动驾驶汽车相类比：目前在理想环境和交通条件下，自动驾驶汽车已达到L3水平，而AI医疗仍处在L1到L2的路上。这意味着现阶段AI更多承担辅助驾驶式的功能——如远程医疗虚拟助手、临床辅助决策、远程患者监护等，而非替代人类医生的自主判断。

值得注意的是，托普认为AI医疗不太可能超越自动设备的L3水平。尽管大量诊断和阅片工作可由AI辅助完成，但就医学整体而言，任何时候、任何情况下都不能容忍没有人类医生和临床医生的监督。这一判断为供需节奏划定了边界：AI渗透率提升的拐点，将出现在“辅助能力覆盖更多环节”与“人类监督框架保持完整”的交汇处。

数据瓶颈：理解比获得更重要

医疗数据是AI医疗的第一驱动力，但也是永远的痛点。医疗数据权属涉及患者、医院与政府多方，目前AI模型训练所需数据主要依靠企业与医院签署研发协议获得，且通常遵循“数据不出院、模型出院”的物理隔离原则。

更关键的约束在于：对于现阶段的AI医疗产品来说，理解医疗数据远比获得数据更重要也更困难。IBM医疗AI沃森的教训正在于此——将获取数百万页医疗信息等同于理解或使用这些信息，是基本失误之一。数据供给端持续井喷，但若缺乏对医疗场景的深刻理解，再多的数据也难以转化为临床价值，这直接决定了AI医疗供需再平衡的节奏不会一蹴而就。

常见问题

AI医疗会完全替代医生吗？

不会。AI医疗目前处于L1到L2的辅助水平，且受限于伦理约束，预计难以超越L3。大量诊断和阅片工作可由AI辅助完成，但整个医疗过程始终需要人类医生的监督与最终决策。

医疗数据的权属问题如何影响AI发展？

医疗数据权属涉及多方：所有权在患者、控制权在医院、管理权在政府。目前AI训练数据主要通过医院与企业签署研发协议获得，并采用“数据不出院、模型出院”的模式，这一机制在保护隐私的同时也构成了数据流动的约束。

鲍莫尔成本病对AI医疗意味着什么？

医疗服务属于停滞部门，单位成本持续上升。AI的边际处理成本递减特性恰好对冲了这一趋势，但前提是AI能真正“理解”医疗数据而非仅“获得”数据——这决定了AI医疗渗透率提升的实际节奏。