用“AI ready”三标准衡量医疗AI行业，可以清晰判断出当前行业整体仍处于早期渗透阶段，供给端（算法可用性）与需求端（医院付费意愿）尚未实现广泛匹配，真正的放量仍需等待更多细分领域达到“AI ready”状态。
“AI ready”三标准由王煜全老师归纳，用于判断一个行业是否到了广泛引进AI的阶段。这三个标准分别是：行业已经积累了丰富的人类经验；经验要能被量化、被定义成算法；经验要有分级，能判断出好坏来。只有三个标准都符合，AI才有普遍入局并影响行业的资格。用这套框架审视医疗AI，能有效定位行业在供需匹配与周期中的位置。
供给端：算法可用性受限于数据与经验积累
从供给端看，医疗AI的算法成熟度高度依赖所在细分领域是否满足三标准。以药物研发为例，该领域虽然积累了海量信息，但未知的更多。人类对大部分蛋白的功能及修饰变化并不完全知晓，对细胞信号通路中蛋白质间的“对话”机制理解局限。同时，对健康和表型的定量测量刚刚起步，高质量的生物医学数据缺乏，数据孤岛是长期难题。此外，药物研发的反馈周期太长，药物在细胞体系的表现与人类个体中的效果差异巨大，好坏分级的数据积累成本高、速度慢。因此，对照三标准，药物开发距离“AI ready”的广泛性使用仍有较长距离，AI在药物发现上的作用仍局限在速度和成本上，而非决策质量。
需求端：医院付费意愿与行业渗透率
需求端的核心在于医院是否愿意为AI能力买单，这与行业渗透率直接相关。目前AI药物研发整体仍处于探索阶段，受生物系统内在复杂性和疾病异质性特征的制约，AI技术尚不能为药物研发的效率和成功率带来革命性改变。这意味着，在尚未达到“AI ready”的领域，AI的产出对医疗决策的价值有限，医院端的付费意愿自然难以普遍激发。不过，也有“柳暗花明”的领域——蛋白质工程与酶工程。AlphaFold解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。在蛋白质设计方面，以GPT为代表的大模型已展现出超越人类经验的能力，AI能设计出违背人类直觉但更稳定的蛋白点位，这预示着该细分领域正逐步逼近“AI ready”状态，需求端的放量值得期待。
周期判断：早期渗透，分化前行
综合供需两端，医疗AI行业的周期位置可以概括为：整体处于发展初期，技术上面临数据、算法和专业人才挑战，商业模式需市场进一步验证。行业内部呈现明显分化——在数据积累充分、反馈机制清晰的领域（如蛋白质设计），AI供给已趋于成熟，需求拉动初现；而在数据孤岛严重、反馈周期漫长的领域（如小分子药物研发），供需匹配尚需时日。未来，随着算法更新、算力突破及大数据发展，AI技术将深入应用到新药研发各环节，但真正的行业级放量，仍需等待更多领域跨越“AI ready”门槛。
常见问题
AI ready三标准能预测AI医疗的爆发时点吗？
不能预测具体时点，但能判断行业所处阶段。若某领域同时满足经验丰富、能量化、有分级反馈三标准，说明该领域已具备AI广泛入局的条件，放量基础扎实；反之，则仍处早期渗透阶段，需先解决数据与反馈机制问题。
蛋白质工程为何被视为更接近AI ready的领域？
因为该领域解决了关键的数据与反馈问题。AlphaFold解决了蛋白结构预测，精度与实验相当，且AI在蛋白质设计上已能通过高维向量抓住更本质的因素，甚至设计出反直觉的稳定蛋白。这说明该领域的经验已能较好地被算法定义和优化，供需匹配度更高。
医疗AI行业的投资机会是否已到配置窗口？
行业整体仍处探索阶段，但结构性机会已现。在蛋白质工程等已接近“AI ready”的领域，AI供给趋于成熟，需求验证加速；而在药物发现等早期领域，AI的价值仍体现在降本增效，尚未触及决策质量的根本提升。后续行业放量节奏，需以各细分领域的数据积累与商业模式验证情况为准。