医疗行业的大模型创新，如何避免一刀切？

医疗AI最大的变化仍然是大模型的应用，目前整体上，医疗AI在技术上对新技术的接受速度很快，但产出难，主要原因是优质医生不足，也没有沉淀出先进的技术。

落地困难的背后是，相比技术，改变医生的行为模式更加难，远比改变药厂、器械厂的行为模式难得多。技术本质上是给人提效，然后替代，甚至能够做人做不到的事情，这对于医生是很难接受的事情。比如现在如果没有智能医疗影像技术，患者不可能接受足够高效的CT服务，因为工作量太大，医生根本诊断不过来。当然这也还不算是替代，因为这只代表了某一个病种，企业也还没有研发出能够同时应对所有病种的模型。但只要技术一旦替代了医生，基本就是一刀切的。

此外，战略上是否能够达成一致，不是要不要做，而是做什么、怎么做，在每个阶段怎么投入；然后是有没有技术上的合作伙伴以及内部人才来一起完成这件事，也是企业方面遇到的主要难题。

在整个过程中，企业需要打通很多壁垒，包括数据壁垒、业务壁垒、流程壁垒等，并且要能够让业务部门看到做数字化、数据化、智能化所带来的价值。价值评估其实是最难的，特别是它的投入又那么大，毕竟每个企业的数据质量都不好。

场景成熟度比较上，研发是最不成熟的，毕竟医药研发本身周期特别长，创新都是点状的，而不是整个体系、整个流程的改变。生产制造基本属于自动化，还是偏传统的数据加上信息化体系的建设。营销目前是最火的，并且各家有不同的策略，有统一的用CDP营销中台来管理用户数据的方式，也有赋能终端销售的工具，让营销更加合规、体系化。总体来看，营销的产出比较清晰、更容易量化。客服场景也在紧密结合中，主要看规模，有的企业客户量比较大，也有很好的基础设施，就能够有沉淀的数据，从而可以实现自动化。

医疗AI在应用中分为两类，一个是对文本的处理，这在国外市场发展已经很蓬勃，而国内则在发力医生助手或Agent应用方向。

在医生助手的产业模式中，其更能从医生的角度来考虑，从更加细致的粒度，来划分哪些业务是提效，哪些是替代，以及哪些是超越的，在落地时面临的冲击更小。

国内医疗AI对安全性要求比较高，这在一定程度上抑制了草根团队的创新机会，并且容易形成垄断集体，而大公司对于创新的动力是不高的。另外，国内没有形成高质量的SaaS服务，而这会抑制AI服务的广泛渗透。现在的大模型公司做服务很像以前的SaaS公司，唯一的区别是SaaS的人和技术都便宜，而大模型的人和技术都很贵。数据层面，也要面临采集、质量、治理、共享等方面的困难。

所以，从项目走向产品，风险是比较大的。在互联网培育比较完善、市场竞争比较充分的领域，SaaS化的接受程度更高，大模型也是。这也是为什么AIGC公司都在卷短视频，因为商业模式更加可行。

在美国，整体上工程师文化更加成熟，融资环境更加友好。如今的AI在美国实际上很容易拿钱创业，与国内形成鲜明的对比。在很多产业应用方向，比如娱乐、法律、教育、医疗，其实很多玩法都来自于国外，有大量的开发者依赖OpenAI的框架来做创新。

秉持“数聚垂域，智领未来”信念，DataFunCon2024·上海站将继续顺应趋势，组织数智·新生物医药等论坛，邀请数据智能技术专家、行业专家，与你共同探讨数据智能落地的现在与未来。

线下大会议程

4/19-4/20

时间

点击『阅读原文』参与报名~