AI医疗的发展历程经历了从早期规则系统到深度学习，再到当前专用AI系统分化的多个关键拐点。核心转折包括：2010年代初期基于规则的系统、2015-2020年深度学习的突破（如影像识别）、以及2020年后大模型与专用系统的分化，其中高价值医疗工作流程正逐步由专门的人工智能系统主导。
早期阶段：规则系统与判别式AI
在2010年代初期，AI医疗主要依赖基于规则的系统。这类系统通过人工定义的逻辑规则进行决策，应用场景有限，例如简单的辅助问诊或健康管理。随着技术进步，判别式AI逐渐成为主流，它通过学习输入与输出数据的映射关系，在图像识别和分类（如影像分析）中展现出更高准确度。
深度学习突破：2015-2020年
2015-2020年间，深度学习技术（如ImageNet在影像领域的应用）推动了AI医疗的显著拐点。判别式AI在识别疾病、分析影像、预测疗效等方面实现了更高的准确度和效率。 例如，在医疗图像诊断中，AI能辅助医生分析病变区域，提升诊疗效率。同时，生成式AI也开始崭露头角，在药物发现、疗效评估和模拟数据生成中发挥作用。
当前拐点：大模型与专用系统分化
2020年后，AI医疗进入大模型与专用系统分化的新阶段。Google教父Eric Schmidt提出，定义明确的高价值工作流程（如医疗领域）将主要由专门的人工智能系统解决，而非通用大模型。 医疗领域容错率低，需要高质量的专业化模型，其关键要素包括高质量数据、用户反馈和专有数据集。当前，AIGC在医疗领域的应用仍处于起步阶段，成规模的应用主要在聊天机器人领域（如谷歌的Med-PaLM 2），而产业链由基础设施、算法模型和应用拓展三层构成。
常见问题
判别式AI和生成式AI在医疗中有何不同？
判别式AI擅长识别疾病、分析影像和预测疗效，适用于图像分类等单一数据集场景；生成式AI则能生成新数据样本，用于药物发现、3D医学影像重建和个性化医疗。
AI医疗当前的主要应用场景有哪些？
目前AIGC在医疗领域的应用主要集中在聊天机器人领域（如患者咨询管理、医疗教育），以及研发环节的药物发现和CXO服务。在诊疗环节，AI辅助问诊和健康管理正逐步发展。
未来AI医疗的发展方向是什么？
未来方向是向高质量的专业化模型演进，重点依赖专有数据集和用户反馈。高价值医疗工作流程将由专门AI系统主导，而通用大模型主要用于低价值工作流程。