在理想环境和交通条件下，自动驾驶汽车已达到 L3 水平，但 AI 医疗整体仍处在 L1 到 L2 的路上，两者之间存在明显的成熟度落差。这一判断来自《深度医疗》作者埃里克·托普的类比：AI 医疗面临更严峻的伦理约束，因此其能力边界不太可能超越自动设备的 3 级水平——阅片、诊断等环节可以用 AI 辅助完成，但对医学整体而言，任何时候都不能容忍没有人类医生和临床医生监督。与此同时，医疗数据是 AI 医疗永远的痛点，全球普遍呈现数据孤岛格局；而在这一共性瓶颈下，现阶段理解医疗数据远比获得数据更重要、也更困难，这构成了观察各国 AI 医疗相对位置的关键坐标。
为什么 AI 医疗停在 L1 到 L2
把自动驾驶与医学实践并列，是为了说明"谁在驾驶"这一问题的分量。在高速公路上用自动驾驶摸鱼的司机，也绝对不希望是机器人给自己主刀——托普用这个比喻点出 AI 医疗的特殊性：它不只是技术分级问题，更是责任归属问题。
因此，AI 医疗的现实路线是辅助而非替代。阅片、诊断等重复性、可标准化的环节适合由 AI 承担；而涉及整体判断与最终决策的部分，必须保留人类医生和临床医生的监督。这也解释了为什么在自动驾驶已触及 L3 的同时，AI 医疗仍停留在 L1 到 L2。
数据孤岛：权属、隔离与"理解"难题
AI 的三大基石是数据、算法、算力，数据被称为 AI 时代的"石油"。但医疗数据的特殊性在于权属分散：它属于患者隐私，所有权理应属于患者，实际中大数据权属基本在医院方；也有观点认为所有权在患者个人、控制权在医院、管理权在政府，第三方机构需借助政府支持和医院配合方能进行商业化开发和利用。
在操作层面，AI 模型训练所需的医疗数据大都通过企业与医院签署研发协议获得，会有专门模块进行数据清洗、只保留必要数据；数据收集到模型建立过程中，医院与企业做好物理隔离，通常是数据不出院、模型出院。国内各大数据交易所已有不少将"医疗卫生"纳入交易品类，但目前仅有贵州大数据交易所上架了一款"儿童构音障碍早筛语音数据"产品，售价 25 万元，已交易两笔。
真正的难点不在获取。托普分析 IBM 医疗 AI 沃森的失败时认为，“最基本的失误之一，就是将获取数百万页的医疗信息等同于理解或使用这些信息”。如果不能深刻理解所服务的行业，再多的数据也只是徒耗电力。医疗领域的大数据集表现为全基因组序列、高分辨率图像、可穿戴设备的连续数据输出等形式，数据井喷的背后是人类对数据的"无能为力"；而 AI 的价值，正在于驾驭并掌握这些数据。
全球格局下中国的位置
各国在数据隔离与合规上的做法差异，直接塑造了 AI 医疗的技术路线差异。中国的特点在于：数据权属与控制权高度集中于医院与政府一侧，第三方开发须依托政府支持与医院配合；同时，数据交易所已将医疗卫生纳入交易品类，出现了可定价、可交易的样本。这意味着中国在"合规框架内的数据流通"上已有制度性探索，但受限于上架品类与交易规模，仍处于早期。
需要说明的是，AI 医疗的全球相对位置并不由单一国家的数据总量决定，而取决于能否在合规前提下把数据转化为可理解、可用的临床能力。这也是各国面临的同一道题。
常见问题
AI 医疗目前处于什么阶段？
在理想环境和交通条件下，自动驾驶汽车已达到 L3 水平，但 AI 医疗仍处在 L1 到 L2 的路上。埃里克·托普认为，AI 医疗不太可能超越自动设备的 3 级水平，诊断、阅片等工作可由 AI 辅助，但对医学整体而言，任何时候都不能缺少人类医生和临床医生的监督。
为什么说医疗数据是 AI 医疗的痛点？
医疗数据属于患者隐私，所有权理应属于患者，但实际权属基本在医院方，第三方机构需借助政府支持和医院配合才能商业化开发。训练数据多通过企业与医院签署研发协议获得，并实行物理隔离、数据不出院、模型出院。对现阶段的 AI 医疗产品而言，理解医疗数据远比获得数据更重要也更困难。
沃森的失败说明了什么？
埃里克·托普在《深度医疗》中分析 IBM 医疗 AI 沃森的失败时认为，其最基本的失误之一，是将获取数百万页的医疗信息等同于理解或使用这些信息。这说明如果缺乏对所服务行业的深刻理解，数据规模本身并不能转化为有效能力。