在垂直领域专业化模型与通用大模型的分工框架下，AI医疗处于价值曲线上游，由专门的人工智能系统主导，而非通用大模型。Eric Schmidt在《Does One Large Model Rule Them All》中判断：定义明确的高价值工作流程将主要由专门的人工智能系统解决，通用模型则沿价值曲线向下，接管客户支持请求分类等低价值流程。医疗领域容错率低、高度专业化，尤其需要高质量的专业化模型，其上游为基础设施与医疗数据供给，中游为算法模型与临床工作流集成，下游为医院、医务人员与患者终端，形成与通用模型互补的产业链结构。
上游：基础设施与专业模型供给
AIGC产业的上游是基础设施，主要由工具链和智算平台构成。落到医疗领域，这一层还叠加了专业数据与专业知识的供给：医疗领域高度专业化、容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题。高质量、用户反馈和专有数据集是专业化模型的关键，许多高价值、特定于域的工作流依赖于丰富的专有数据集。技术路线上，判别式AI与生成式AI各有分工——前者在识别疾病、分析影像、预测疗效方面实现更高的准确度和效率，后者更多关注理解人类意图和复杂场景下的应用以及生成新的数据。
中游：临床工作流集成
模型层位于基础设施之上，部分企业采用从自建模型到开发应用的端到端模式：针对特定领域自行完成基础模型的开发，再针对目标市场和应用进行模型、知识和数据的特定优化，并开发出直接交付给用户的应用产品。在诊疗环节，AI通过工作流程改进、新数据集成和更加个性化的互动体验，为辅助问诊、健康管理等领域注入新的活力，并在心理健康等专病领域带来创新应用。在研发生产制造环节，AIGC相关应用更多集中在药物发现环节以及CXO服务领域。从成本效益看，基础层、模型层的搭建适合有规模效应的大厂和平台，创业公司在应用方面的探索和突破可能成为未来主要趋势。
下游：终端应用与生态分工
应用层往往依赖模型层开发，通过接入API实现应用功能。当前AIGC在医疗领域成规模的应用主要在聊天机器人领域，例如谷歌推出的专门用于回答医疗保健相关问题的大型医用语言模型Med-PaLM 2；其推进中仍持续引入专家与研究人员合作，考虑到医疗信息的敏感性，技术普及到普通消费者手中还需要一段时间。生态开放后，通用大模型通过插件构建起直接面向终端用户的细分场景，垂类赛道下的专业化模型可能是应对路径之一，生态内的精细化分工由此加速。医疗应用需基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规与伦理规范。
常见问题
为什么AI医疗更适合专业化模型而非通用大模型？
按照Eric Schmidt的判断，定义明确的高价值工作流程将主要由专门的人工智能系统解决，价值可以是收入潜力，也可以是对用户的效用。医疗属于高价值、特定于域的工作流，依赖丰富的专有数据集，且容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题。通用模型则更多沿价值曲线向下，承担低价值流程。
判别式AI和生成式AI在医疗产业链中如何分工？
判别式AI通过学习输入与输出数据之间的映射关系进行预测，在识别疾病、分析影像、预测疗效等方面实现更高的准确度和效率，尤其适合数据集较为单一的场景。生成式AI的主要特点是生成全新、潜在的数据样本，能力可以以各种方式扩展，在数据集丰富、需要生成全新数据样本的场景中应用更好，例如3D医学影像重建、脑部疾病影像分析。生成式AI对现有医疗领域是有益的补充，两者结合可实现更复杂精细的任务。
医疗专业化模型的关键成功要素是什么？
高质量、用户反馈和专有数据集是专业化模型的关键。有明确证据表明，仔细调整高质量的人类“使用”数据（如偏好、指令、提示和响应等）是推动通用人工智能模型功能的核心。此外，医疗应用还需基于大量可靠数据和高质量临床实践基础，严格遵守相关法律法规与伦理规范，并不断改进和优化模型，才能更好地服务患者与医务人员。