神经网络训练参数规模扩大，确实是AI医疗竞争格局中的重要变量，但并非唯一的胜负手。 在AI医疗领域，由于监管对可解释性的严格要求，参数规模带来的“涌现”能力与临床落地之间存在着天然的张力。掌握大规模训练能力的头部企业在算力、数据和算法上具备显著投入优势，但真正决定竞争位势的，是能否将模型能力转化为通过监管验证、被临床接受的可用产品。因此，AI医疗的竞争格局将由技术投入、数据积累与产品落地能力共同塑造，而非单纯比拼参数数量。
参数规模与“可解释性”的博弈
当前主流的人工智能技术路线分为两类：一类是基于模型的运算能力（如知识图谱），其工作原理有严格的数学定义，因此是可解释的；另一类是基于神经网络模型的训练（如深度学习），通过训练得到一个参数被调节好的神经网络。后者是当前的主流，但内部如何相互影响并不清楚，工作原理尚未得到严格的数学定义，因而不具有可解释性。
以通用大模型为例，其核心是基于神经元模型的训练，研究人员使用梯度下降等算法训练拥有1500亿个参数的人工神经网络，但对其中的细节并不完全掌握。在公开访谈中，相关研究机构的负责人也坦言，模型为何会出现归纳推理能力，研究者自己并不完全明白。
然而，在可见的将来，监管层面不接受AI医疗的“涌现”。无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高要求。在医学影像AI领域，可解释性说白了就是要求其工作流程和人类对医学问题的认知一致，或者其工作流程可以被人类所理解。这意味着，单纯追求参数规模并不能直接转化为医疗产品的竞争力，反而可能因为“黑箱”特性而面临更严格的审批障碍。
头部企业的竞争壁垒：算力、数据与临床验证
在AI医疗的各细分赛道（如医学影像、病理、药物研发）中，头部企业与新进入者的竞争位势差异明显。掌握大规模训练参数能力的企业，在算力资源、高质量医疗数据积累和算法团队建设上具备先发优势，这些要素共同构成了较高的技术壁垒。
但更关键的壁垒在于临床验证与渠道能力。由于医疗领域的可解释性实质上是在追求人类对网络结构设计如何与医学问题自身的逻辑匹配，这本质上考验的是人类自己如何理解这个医学问题。极少可能出现人类在对相应医学问题没有足够了解的前提下，通过网络训练发现一个以前未知的逻辑链条。因此，企业必须投入大量资源进行前瞻性临床试验、与临床专家深度协作，并建立合规的销售渠道——这些能力与参数规模并无直接关联，却决定了产品能否真正进入医院场景。
常见问题
参数规模越大的AI医疗模型一定越好吗？
不一定。医疗AI产品必须通过监管审批，而监管对可解释性有严格要求。参数规模带来的性能提升可能伴随“黑箱”问题，反而增加审批难度。在医疗场景中，工作流程能否被人类理解，往往比参数数量更重要。
新进入者还有机会在AI医疗领域突围吗？
有机会，但门槛在提高。头部企业在算力和数据上的投入优势明显，但医疗AI的竞争不仅是技术竞争，更是临床验证和渠道能力的竞争。新进入者如果能在特定细分领域（如罕见病、病理细分方向）找到未被满足的需求，并建立与临床认知匹配的模型设计，仍可能占据一席之地。
如何判断一家AI医疗企业的真实竞争力？
可以综合考察三个维度：一是技术投入，包括算法团队规模和训练基础设施；二是数据积累，尤其是高质量、标注规范的医疗数据；三是产品落地能力，包括是否获得监管批准、是否进入临床实际使用。单看参数规模或单看融资额，都容易误判。