在医学影像重建等医疗场景中，判别式AI与生成式AI并非相互替代，而是分工互补：判别式AI侧重识别疾病、分析影像、预测疗效，在数据集较为单一的场景中应用效果较好；生成式AI侧重生成全新、潜在的数据样本，可用于合成结构、强化病变区域，例如3D医学影像重建、脑部疾病影像分析。从AI医疗竞争格局看，生成式AI是对现有医疗领域的有益补充，当前AIGC在医疗领域的应用仍处于起步阶段，成规模的应用主要集中在聊天机器人领域。

两条技术路线的分工

判别式AI算法通过学习输入与输出数据之间的映射关系进行预测，因此在图像识别与分类等问题上表现较好，尤其适合数据集较为单一的应用场景。

生成式AI算法的核心特点是生成全新、潜在的数据样本，能力可以以多种方式扩展，在数据集丰富、需要生成全新数据样本的场景中更能发挥作用。在医疗图像诊断中，生成式AI可用于合成结构和强化病变区域，3D医学影像重建、脑部疾病影像分析即属此类方向。

两者结合也被视为趋势：AIGC的发展促进了判别式AI与生成式AI算法的结合，企业可根据自身需求将两类算法组合，以实现更复杂和精细的任务。

产业链上的玩家位置

AIGC产业由上游基础设施、中游算法模型、下游应用拓展三部分构成。基础设施主要由工具链和智算平台构成；模型层中存在从自建模型到开发应用的端到端模式，即针对特定领域自行完成基础模型开发，再面向目标市场做模型、知识和数据的特定优化，并交付直接可用的应用产品；应用层则往往依赖模型层，通过接入API实现功能。

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；创业公司在应用方面的探索和突破，则可能成为未来的主要趋势。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。

通用大模型与垂直专精模型

生态开放后，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，这将对一部分纯应用层创业企业造成挑战。垂类赛道下的专业化模型可能是解决方案之一，其思路是从通用人工智能模型出发，再对其进行实质性专业化以提高质量。

医疗领域尤其需要高质量的专业化模型，高质量、用户反馈和专有数据集是专业化模型的关键。以大型医用语言模型Med-PaLM 2为例，谷歌在推出后仍在推进专家与研究人员的合作，并表示考虑到医疗信息的敏感性，技术普及到普通消费者手中还需要一段时间。医疗领域容错率低，应用需基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规与伦理规范。

常见问题

判别式AI和生成式AI在医学影像中是替代关系吗？

不是。判别式AI擅长识别、分类与预测，生成式AI擅长生成新样本、合成结构与强化病变区域，生成式AI对现有医疗领域是一种有益的补充，二者更多是互补与结合的关系。

生成式AI在医学影像重建中主要做什么？

官方资料给出的方向是：在医疗图像诊断中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。这类能力适用于数据集丰富、需要生成全新数据样本的场景。

AI医疗赛道当前处在什么阶段？

当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域。产业链上，基础层与模型层更适合有规模效应的大厂和平台，创业公司更多在应用层探索，且不少仍处于早期轮次。