AI医疗产业链由上游基础设施、中游算法模型、下游应用拓展三层构成，生成式影像业务能否覆盖成本并盈利，取决于各层能否找到与自身成本结构匹配的收入方式：基础层与模型层的搭建适合有规模效应的大厂和平台，应用层则多通过接入模型层API实现功能，创业公司在应用方面的探索和突破，很可能成为未来的主要趋势。但应用层创新仍有许多待解问题，这也造成了当下投资人“观望”的局面。

三层分工与各自的成本结构

基础设施层主要由工具链和智算平台构成，属于重投入环节；模型层中，有部分采用从自建模型到开发应用的端到端模式，即科技公司或创业企业针对特定领域自行完成基础模型开发，再针对目标市场和应用进行模型、知识和数据的特定优化，并开发出直接交付给用户的应用产品。从成本效益角度考虑，基础层、模型层的搭建适合有规模效应的大厂和平台来做——算力与数据投入需要足够大的用户规模来摊薄，这正是规模效应的意义所在。

生成式AI在医疗影像方向的应用，资料提及可用于合成结构和强化病变区域，例如3D医学影像重建、脑部疾病影像分析等。这类业务的价值实现，最终仍要回到成本与收入的匹配上。

应用层的收入路径与待解问题

应用层的产品往往依赖于模型层进行开发，通过接入API实现应用功能。这一分工意味着应用层企业无需自建基础模型，成本重心从算力与训练转向场景交付与用户获取，收入结构则可能对应订阅或按调用计费等方式——但具体采用何种计费模式、能否覆盖成本，资料未给出统一结论。

需要注意的是，GPT-4插件发布并开放后，通用大模型通过插件构建起直接面向终端用户的细分场景，这对一部分纯应用层创业企业构成挑战。垂类赛道下的专业化模型可能是解决方案之一。医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集将会是专业化模型的关键。

常见问题

生成式AI在医疗影像上主要做什么？

生成式AI可以用于合成结构和强化病变区域，例如3D医学影像重建、脑部疾病影像分析等。它更多是作为对现有医疗领域的一种有益补充，与判别式AI算法结合后可实现更复杂精细的任务。

应用层公司靠什么覆盖成本？

应用层产品往往依赖模型层开发，通过接入API实现应用功能，因此无需承担自建基础模型的全部投入。收入侧可能对应订阅或按调用计费等方式，但能否跑通盈利仍取决于成本效益，目前应用层创新还有许多要解决的问题。

为什么投资人仍在观望？

基础层、模型层的搭建适合有规模效应的大厂和平台，而创业公司在应用方面的探索和突破可能是未来主要趋势。但应用层创新仍存在待解问题，加之通用大模型通过插件直接触达终端用户，对部分纯应用层企业形成挑战，这些不确定性造成了当下投资人“观望”的局面。