ChatGPT 意外涌现的归纳推理能力，确实会深刻改变 AI 医疗的成本结构，但核心变量并非“不可解释”本身，而是研发模式从确定性算法优化转向探索性实验与算力堆砌，进而推动收费模式从“按功能付费”向“按效果付费”演进。

从确定性研发到探索性研发

传统 AI 医疗产品的研发，遵循“定义问题—设计算法—验证效果”的确定性路径，成本集中在算法工程师的调优与临床验证上。而 ChatGPT 的研发范式截然不同——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来训练拥有 1500 亿个参数的人工神经网络，但对于其中的细节其实并不掌握。

这种“涌现”逻辑对 AI 医疗的成本结构带来根本性冲击：企业不再能精确预估“投入多少算力、标注多少数据”就能获得预期功能，研发预算从可计划的工程性支出，转变为带有高度不确定性的探索性投入。当模型参数规模成为能力门槛，算力采购与实验试错成本将取代部分人力成本，成为 AI 医疗企业最主要的支出项。

可解释性要求抬高隐性成本

AI 医疗与通用 AI 的关键差异在于监管约束。无论是 FDA 还是 NMPA，对 AI 医疗的可解释性都提出了很高要求。但深度网络在挖掘因果性方面其实是弱项，即便网络构造出符合人类认知的逻辑链路，更大可能也是通过人为的网络结构设计获得的，而非机器学习本身发掘了因果性。

这意味着 AI 医疗企业面临双重成本压力：既要承担大模型训练的高昂算力成本，又要额外投入资源去“翻译”模型行为、设计符合人类认知逻辑的网络结构，以满足监管对因果关系的审查要求。这本质上是在考验人类自己如何理解医学问题，而非单纯依赖模型的自动发现能力。

盈利模式向按效果付费迁移

当研发成本从确定性投入转向探索性支出后，传统“卖软件授权”的收费模式难以覆盖风险。AI 医疗企业将更有动力转向按效果付费的商业模式——即收费与临床实际改善结果挂钩，而非与软件功能模块挂钩。这种模式将研发风险部分转移给服务提供方，也倒逼企业在模型可解释性和临床验证上持续投入。

常见问题

可解释性不足会导致 AI 医疗无法落地吗？

不会直接导致无法落地，但会显著抬高合规成本。监管要求的可解释性，本质上要求工作流程与人类对医学问题的认知一致，这需要企业在网络结构设计上反复迭代，而非仅靠模型自身能力。

算力成本会成为 AI 医疗企业的主要支出吗？

在探索性研发模式下，算力采购与实验试错确实会成为重要成本项，尤其是对于训练大规模神经网络模型的企业。但具体占比因企业技术路线不同而差异较大，需以各家实际披露为准。

按效果付费对患者意味着什么？

按效果付费将 AI 医疗企业的收益与临床结果绑定，理论上能减少无效医疗支出，但实际定价与效果评估标准仍需行业与监管共同探索。