AI医疗正在参照自动驾驶L0-L5的分级框架来定位自身的发展阶段。根据行业共识，AI医疗目前仍处在L1到L2的辅助阶段——即系统能够协助医生完成部分控速和转向式的单项任务，但远未达到L3级“有条件自动驾驶”的水平。当前产业演进正处于从L2迈向L3的关键爬坡期，横亘其间的主要障碍并非技术算力，而是医疗场景独有的伦理责任与数据治理鸿沟。

分级体系：从自动驾驶迁移到医疗

将AI医疗与自动驾驶相提并论的思路，源自埃里克·托普在《深度医疗》中的经典类比。这套框架借用自动驾驶的分级逻辑来审视人机协作的深度：

  • L1-L2（辅助与部分自动化）：AI承担具体的单项任务，如阅片辅助、初步筛查、药物相互作用提醒，医生负责整体监督与最终决策。
  • L3（条件性自动化）：系统在特定条件下自主完成诊疗闭环，但需保留人类医生作为后备接管。
  • L4-L5（高度与完全自动化）：系统在限定或所有场景下独立完成诊疗，无需人工后备。

目前，自动驾驶汽车在理想环境与交通条件下已经可以达到L3水平，而AI医疗仍走在L1到L2的路上。两者之间的差距，映射出医疗行业对安全冗余的更高要求。

L2与L3之间的三道鸿沟

其一，责任归属的伦理难题。 在高速公路上使用自动驾驶的司机，也绝不愿意由机器人给自己主刀。医疗决策直接关乎生命，当系统出错时责任由谁承担——是算法开发者、医院，还是监督的医生？这一伦理症结使医疗AI迈向L3的每一步都格外审慎。

其二，数据流通的结构性痛点。 医疗数据是AI医疗的第一驱动力，但数据孤岛现象长期存在。医疗大数据权属涉及患者、医院与政府多方，第三方机构需借助医院配合才能进行商业化开发，实际操作中通常采取“数据不出院、模型出院”的物理隔离模式。数据的获取尚且如此艰难，对数据的深度理解则更难。

其三，从“获得数据”到“理解数据”的能力断层。 埃里克·托普在复盘IBM医疗AI沃森的教训时指出，最基本的失误之一就是将获取数百万页医疗信息等同于理解或使用这些信息。如果AI不能深刻理解所服务的临床场景，再多的数据也难以转化为可靠的诊疗能力。

产业演进的关键拐点

基于上述约束，埃里克·托普认为AI医疗不太可能超越自动设备的L3水平。在任何时候、任何情况下，医疗体系都难以容忍没有人类医生和临床医生监督的完全自动化。这意味着产业演进的关键拐点并非追求L4-L5的“无人驾驶”，而是在L3边界处建立可靠的人机协作机制——让AI在阅片、筛查、药物管理等具体环节发挥更大的辅助效能，同时确保人类医生的最终监督权不被削弱。

对投资者和从业者而言，理解这一阶段特征有助于形成合理预期：AI医疗的价值兑现将是一个渐进过程，当前的核心命题是跨越L2到L3之间的信任鸿沟，而非眺望遥远的完全自动化。

常见问题

AI医疗的L3与自动驾驶的L3有何不同？

两者都指“有条件自动化”，但医疗场景的风险等级更高。自动驾驶L3在特定路况下允许系统自主驾驶，而医疗L3意味着AI在特定诊疗环节自主决策，一旦出错后果直接关乎生命，因此对可解释性与责任归属的要求远比自动驾驶严苛。

为什么说AI医疗“理解数据”比“获得数据”更难？

医疗数据涉及患者隐私，权属结构复杂，获取本身已受限制。但更关键的挑战在于，海量的基因组序列、影像与可穿戴设备数据，需要AI真正理解临床语境才能转化为有效判断。托普对沃森失败的复盘正是这一难点的注脚——数据规模不等于理解深度。

医疗数据权属不清会如何影响AI医疗发展？

数据权属涉及患者、医院、政府多方，第三方机构需依赖医院配合才能获取训练数据。目前常见做法是“数据不出院、模型出院”的物理隔离模式。这种结构性约束虽然保护了隐私，但也可能延缓AI模型的迭代速度，成为产业迈向更高自动化级别需要持续解决的制度课题。