AI医疗当前整体仍处于L1到L2的发展阶段，即AI以辅助角色介入部分诊疗环节，尚不能独立承担医疗决策。规模化放量的拐点，取决于供给端产品从“可用”走向“好用”的成熟度，与需求端医院从“谨慎观望”转向“主动采购”的意愿能否形成正向循环。在约投顾看来，这一错配的收敛，需要数据流通机制、产品理解深度与成本压力三重条件的共同催化。

供给端：功能完整性与数据瓶颈的双重制约

AI医疗的供给能力受限于两个核心环节。其一是产品功能的完整性。参照自动驾驶的分级框架，AI医疗目前仅在阅片、辅助诊断等特定场景达到L1到L2水平，距离系统独立监督环境的更高等级仍有明显差距。其二是数据的获取与理解。医疗数据被视为AI时代的“石油”，但受限于患者隐私归属与医院数据权属的实际格局，第三方机构需借助政府支持和医院配合方能进行商业化开发，目前普遍采用“数据不出院、模型出院”的物理隔离模式。与此同时，理解医疗数据远比获得数据更困难——若不能深刻理解所服务的行业，再多的数据也难以转化为有效的临床能力。

需求端：成本刚性上升与采购谨慎并存

从需求侧看，医疗服务是典型的“鲍莫尔成本病”行业：随着生产力提升，单位时间能提供的医疗服务量相对刚性，导致服务成本持续上升。这种结构性成本压力构成了AI医疗的长期刚性需求——用机器辅助甚至替代部分人力，是改变医疗服务价格曲线的可行路径。然而，需求端的付费意愿目前仍偏谨慎。医疗场景关乎生命健康，医院与患者对AI的容错率极低，在AI尚不能达到更高自动化等级、且责任归属与伦理边界尚未完全厘清之前，采购方倾向于小范围试点而非大规模铺开。

供需平衡的触发条件

供需两端走向平衡，需要几个关键变量的同步演进。数据侧，医疗数据交易品类与流通机制逐步完善，降低供给端的合规获取成本；产品侧，AI医疗在特定专科场景中证明其临床价值与安全性，从辅助工具升级为临床路径中的必要环节；需求侧，医疗成本压力持续加大，倒逼医疗机构接受人机协作的新范式。当AI医疗产品能够在有限场景中稳定达到更高自动化水平，且医院端形成可复制的采购与付费模式时，行业才可能从试点走向规模化。

常见问题

AI医疗的L1到L2水平具体指什么？

参照自动驾驶的分级思路，L1到L2意味着AI能够辅助完成控速、转向等单一或组合任务，但需要人类持续监督与备份。对应到医疗场景，即AI可辅助阅片、提示用药风险、提供临床决策参考，但最终诊断与治疗决策仍由人类医生主导并负责。

为什么医疗数据难以大规模用于AI训练？

医疗数据涉及患者隐私，其所有权、控制权与管理权分属不同主体，第三方机构需借助政府支持和医院配合方能开发利用。目前实践中多采用“数据不出院、模型出院”的物理隔离模式，且医疗数据交易品类仍十分有限，供给端的规模化产能因此受限。

医疗成本上升如何影响AI医疗的需求？

医疗服务符合“鲍莫尔成本病”特征：人力服务成本随时间持续上升。这种刚性成本压力使得医疗机构有内在动力引入AI来降低服务成本、提升效率。随着成本压力进一步加大，需求端对AI医疗的接受度与付费意愿有望逐步提升，成为推动供需拐点的重要力量。