从理论奠基到生成式AI入场，AI医疗的行业发展可梳理为三个关键拐点：第一，1967年美国经济学家鲍莫尔构建两部门非平衡增长模型，为理解医疗成本持续上升提供了理论底座；第二，ChatGPT掀起一浪高过一浪的余波，国内外频繁发布各种“GPT”，OpenAI明确将科学、教育、医疗列为最关注的三大核心领域；第三，GPT-4等模型开始出现具体的医疗辅助案例，但AI医疗整体仍处在L1到L2阶段。
拐点一：鲍莫尔两部门模型奠定理论底座
美国经济学家鲍莫尔（Baumol）于1967年构建了一个两部门非平衡增长模型，该模型成功解释了主要经济体在20世纪大部分时间里的产业结构变迁以及经济增长趋势。
鲍莫尔把宏观经济分为具有正劳动生产率增长率的进步部门，以及不存在劳动生产率增长率的停滞部门，并在几个关键假设条件下得出结论：随着时间的推移，进步部门的单位产品成本（这里指劳动力成本）将维持不变，而停滞部门的单位产品成本将不断上升。若消费者对停滞部门产品的需求不是完全无价格弹性的，不断上升的单位产品成本将促使消费者减少需求，结果会导致停滞部门不断萎缩并最终消失。
医疗服务正是典型的停滞部门——生产力提升再快，一位医生单位时间能提供的诊疗服务仍相对刚性。这为理解医疗成本为何越来越昂贵，提供了理论底座，也为AI入场留下了巨大的想象空间。
拐点二：GPT浪潮与OpenAI的三大核心领域
ChatGPT掀起的余波一浪更比一浪高，国内外都频繁发布各种“GPT”，让人们看花了眼，由此可见OpenAI改变世界的决心。
而科学、教育、医疗这三大核心产业，正是OpenAI最为关注的3个领域，也是整个社会最根本的行业。尤其是对于越来越昂贵的医疗行业，AI早已磨刀霍霍。以ChatGPT为例，便能在医疗领域实现多种应用，包括远程医疗虚拟助手、临床辅助决策、远程患者监护，以及在心理咨询、病历保存、医疗翻译、药物管理、疾病监测等领域的广泛应用空间。
拐点三：能力落地与L1到L2的现实阶段
此前有案例表明，一个人的爱宠久治不好，走投无路之下向GPT-4求助，将所有检查信息输入后，GPT-4给出了免疫介导性溶血性贫血（IMHA）作为选项，之后狗狗果然得救。未来，经由专业训练的GPT们或将在临床发挥巨大作用。
但落地能力与行业成熟度是两回事。在《深度医疗》一书中，埃里克·托普将自动驾驶汽车和人工智能的医学实践相提并论：目前在理想的环境和交通条件下，自动驾驶汽车已经可以达到L3的水平，但AI医疗仍处在L1到L2的路上。相比智能驾驶，AI医疗面临更为严重的伦理问题——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。基于此，托普认为AI医疗不太可能超越自动设备的3级水平：阅片、诊断等工作可以用AI辅助完成，但就医学整体而言，绝不能容忍没有人类医生和临床医生的监督。
数据同样是一道门槛。医疗数据属于患者隐私，所有权理应属于患者，但实际中医疗大数据的权属基本在医院方。在《深度医疗》中，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。”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。
常见问题
鲍莫尔成本病和AI医疗是什么关系？
鲍莫尔1967年的两部门非平衡增长模型指出，停滞部门的单位产品成本会不断上升，医疗服务正属于此类。这一理论解释了医疗费用长期上涨的结构性原因，也构成了AI介入医疗、试图改变成本曲线的重要理论背景。
AI医疗目前发展到什么阶段？
按《深度医疗》作者埃里克·托普的类比，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。阅片、诊断等环节可由AI辅助完成，但医学整体仍需人类医生和临床医生的监督。
为什么数据多不等于AI医疗能力强？
IBM医疗AI沃森的失败说明，获取数百万页医疗信息并不等于理解或使用这些信息。医疗数据还存在权属、隐私与“数据不出院”等现实约束，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。