AI医疗的“黑箱”特性（即深度学习模型内部工作机制难以被完全解释）正在深刻改变其供需节奏与周期。在供给端，算法模型迭代速度虽快，但临床审批与市场教育周期显著拉长；在需求端，医院采购决策受“黑箱”影响，初期仅少量三甲医院愿意尝试，导致需求释放缓慢。因此，AI医疗的供需周期呈现“供给快、需求慢、政策触发爆发”的特殊节奏。
供给端：临床验证成为周期瓶颈
AI医疗的供给端面临双重挑战。一方面，基于神经网络模型的训练（如ChatGPT背后的技术路线）让算法能力快速涌现，但其工作流程目前尚未得到严格的数学定义，不具有可解释性。另一方面，无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高要求。这意味着，即便算法迭代迅速，从研发到通过临床审批、完成市场教育，往往需要更长的时间周期。供给端的节奏被迫从“技术驱动”转向“合规驱动”。
需求端：黑箱效应抑制早期采纳
需求端的释放同样受制于“黑箱”特性。在医学影像AI等场景中，所谓的可解释性，核心是要求AI的工作流程与人类对医学问题的认知一致，或者能被人类所理解。然而，目前深度网络在挖掘因果性方面是弱项，即使网络构造出看似合理的逻辑链路，也更多是通过人为网络结构设计获得。因此，医院采购决策趋于保守，初期只有部分三甲医院愿意使用，大部分医疗机构仍在观望，等待更明确的临床证据和可解释性标准。
周期性：政策突破是关键触发点
综合供需两端，AI医疗的周期性呈现明显的“政策驱动”特征。在现有阶段，需求被“可解释性”这一瓶颈所抑制，形成慢速增长期。而一旦政策层面出台可解释性标准或相关认证体系，将打破这一僵局，触发需求的集中爆发。届时，供给端积累的算法能力将迅速转化为市场落地，推动行业进入高速增长阶段。
常见问题
### AI医疗的“黑箱”具体指什么？
指基于神经网络模型的训练（如深度学习）的工作原理尚未得到严格的数学定义，内部如何相互影响并不清楚，因而不具有可解释性。这与基于模型运算能力（如知识图谱）的AI不同，后者有严格的数学定义，是可解释的。
### 为什么医院对AI医疗的采购决策比较谨慎？
因为医学领域的可解释性要求看到因果关系，而目前深度网络在挖掘因果性方面是弱项。医院需要确保AI的工作流程能被人类理解，并与医学认知一致，而黑箱特性使这一需求难以在短期内得到满足，因此初期只有少量三甲医院愿意使用。
### 未来哪些因素可能改变AI医疗的供需周期？
政策层面的突破是关键。一旦监管机构出台明确的可解释性标准或认证体系，将有效降低医院和患者的信任门槛，从而触发需求的集中释放，推动行业从慢速增长进入高速发展期。