1500亿参数级神经网络的训练依赖梯度下降等算法，但训练细节并不被完全掌握，这决定了AI医疗的价值分配更偏向算力、数据与临床入口。上游是算力与医疗数据，中游是模型与算法，下游是医院与药企渠道；商业模式涵盖软件授权、项目制交付与订阅服务，整体仍在从项目制向订阅制探索。由于监管对可解释性提出较高要求，价值分配向掌握数据与临床入口的一方倾斜。

上游：算力与医疗数据

训练拥有1500亿个参数的人工神经网络，需要强大的分布式算力资源。研究人员使用梯度下降等算法完成训练，但对内部相互影响的细节并不掌握——正如OpenAI公司CEO萨姆·阿尔特曼在公开访谈中坦言，ChatGPT为何出现归纳推理能力，研究者自己也不完全清楚。这种“知其然、未必知其所以然”的特性，使模型能力高度依赖持续的算力与数据投入，也让算力与医疗数据成为价值链上难以替代的一环。

中游与下游：模型、算法与临床入口

中游是模型与算法层，其技术路线可分为两类：一类基于模型的运算能力（如知识图谱、深蓝），工作原理有严格数学定义，可解释；另一类基于神经网络训练（如深度学习、阿法狗），目前只掌握基本逻辑，尚不具备严格数学定义上的可解释性。

下游是医院与药企渠道。医学领域的可解释性实质上要求看到因果关系，而深度网络在挖掘因果性方面是弱项。因此，寻求可解释性本质上是在追求网络结构设计与医学问题自身逻辑的匹配，考验的是人类对医学问题的理解。这也意味着，掌握临床入口与场景定义权的一方，在价值分配中更具话语权。

常见问题

AI医疗的商业模式有哪些？

主要包括软件授权、项目制交付与订阅服务三类。目前行业整体仍处在从项目制向订阅制探索的阶段，具体采用哪种模式，取决于产品形态与临床场景的付费习惯。

为什么AI医疗强调可解释性？

无论是FDA还是NMPA，对AI医疗的可解释性都提出了较高要求。在可见的将来，人类不接受AI医疗的“涌现”式黑箱结论，因此工作流程需与人类对医学问题的认知一致，或至少可被人类理解。

价值分配为什么向数据与临床入口倾斜？

模型能力高度依赖算力与数据投入，而算法细节难以完全解释；同时可解释性要求网络设计与医学逻辑匹配，这依赖对临床问题的深入理解。因此，掌握医疗数据与临床入口的一方，在价值链中更易获得主导地位。