5位创业者、投资人眼中，能落地的医疗大模型长啥样【2025VBEF】

5月9日-10日，动脉网与探针资本联合主办了“跃迁重构-医疗AI大模型应用创新论坛”，共同探讨了AI在医药研发、临床应用、医疗服务体验优化、支付体系赋能等维度的最新落地应用趋势。

作为论坛的联合主办方，探针资本基于自主研发的“神农一号”产业数据平台，同样在积极探索AI及大模型技术积极在创新企业服务及产业赋能的应用，探针资本创始合伙人严晶晶提出了在精品投行角色下，面向产业及创新企业提供“认知赋能+信息枢纽+交易催化”的新服务范式。

同时，严晶晶也分享了对医疗大模型落地的观察——市场化投资机构、国资及地方引导基金、产业方及上市公司正加速布局医疗AI大模型赛道，呈现了对行业强劲信心；行业正处于快速发展的关键时期，资本的推动、应用场景的不断拓展以及对挑战的逐步攻克，行业方兴未艾。

会上，商汤医疗、健海科技、全诊医学、灵犀医疗、橄榄枝健康五位深耕医疗AI一线的创始人，围绕“产品+场景”的创新路径，带来了各自最新的探索成果。他们的分享不仅展示了技术落地的多样路径，也呈现了医疗AI从“技术驱动”到“价值闭环”到实践脉络。

其中，在5月9日的论坛上，由丹麓资本投资董事梁桥主持，健海科技创始人汪健、全诊医学创始人薛翀、灵犀医疗创始人王则远、峰瑞资本管理合伙人沈炯对大模型落地路径选择、底层数据获取和商业化展开了一场精彩论道。

大模型是关于生产力的革命，终究还是要回归真实场景，解决实际问题。那么，如何选择场景？好场景有哪些特质呢？

灵犀医疗王则远表示，医疗创业首先要判断业务方向是否介入临床诊疗流程，其中不介入诊疗流程的业务产品，重点在于提高可用性和易操作性，同时监管压力相对较小。

基于团队背景与技术积累，王则远选择了诊疗流程之外的科研领域，提出从临床观察出发，通过模型驱动的方式自动生成研究假设、设计方案、合成数据以及验证证据，构建出一条“动态循证路径”。目前，灵犀医疗自研平台已搭载全球3.5亿项医学证据，能够辅助医生快速生成科研方案、营养处方等成果。

曾从事临床医学工作的全诊医学薛翀，遵循“痛点、刚需、高频”的原则，深入挖掘医疗场景中的实际需求，指出“大模型带来的最大变革，是解放医生的认知劳动力，让临床专注于判断与治疗。”

医生在日常工作中面临着繁重的诊疗任务和大量文书工作，医疗服务效率有待提高。基于此，全诊医学构建了覆盖“问诊-书写-决策-随访”的AI医生助手，并在全国多家医院实现了病历自动生成、门诊智能导诊等应用，每日调用量超7万次。

健海科技汪健则更关注医疗服务质量的提升，聚焦于C端健康管理市场，致力于通过24小时陪伴式服务提升医疗服务的价值。

随着人们健康意识的不断提高，对于个性化、全方位的健康管理需求日益增长。汪健强调，服务的核心是“懂患者”，而非“管患者”。健海科技希望打造“最懂患者的主动健康服务平台”，提出“AI健康教练”的概念，通过AI实现从数据采集、风险识别到行为干预全流程闭环，来不断提升慢病与产科患者的依从性与满意度。

峰瑞资本管理合伙人沈炯从投资视角表示，大模型的应用前景取决于其是否能够解决医疗供给稀缺的问题。

沈炯指出，医疗行业是一个优质供给稀缺的行业，互联网医疗通过调配现有供给提高效率创造价值，而具有语言能力、知识库和推理能力的大模型，可以替代部分基层全科医生，进行首诊和分诊。他认为，大如果能够实现这一点，大模型将在医疗行业中发挥重要作用。

医疗数据的重要性，不必赘述。医疗作为一个对隐私保护极其严要求的行业，创业者们是如何合规、高效的获取医疗数据的呢？

灵犀医疗王则远分享了两类数据获取的方式。一是通过数据蒸馏技术，在基座大模型原有数据集中，调取出一个高质量、低冗余且与医疗模型核心任务高度相关的精炼数据集；二是数据合成，通过计算机算法模拟真实世界的数据分布和特征，通过数学模型和生成技术，来构建新的数据集。

合成数据能更低成本解决数据匮乏、数据类型单一问题，并规避数据隐私安全、合规等风险，发展潜力非常巨大。但需要强调的是，若生成模型本身存在缺陷或训练数据有偏差，生成的合成数据也可能不准确。

当前国内外已有企业和实验室在进行合成数据的开发，为AI模型学习提供数据源。如在2025年，上海人工智能实验室研究团队开发了基于知识图谱引导的合成数据生成框架GraphGen，专为知识密集型任务打造高质量问答数据，并已开源。

全诊医学薛翀把数据类比为能源资源，院内沉淀的医疗数据便如“原油等化学能源”，需要提炼后使用；基于模型产生的合成数据便是“可再生资源”，能持续为模型训练提供支持。他强调，未来的关键是形成一个数据滚动机制：数据训练模型，通过模型生成数据，再用这些数据优化模型，从而实现数据的自我循环。

要实现这一机制，还需要与应用场景结合，获取以往未被记录的数据。目前最稀缺的两类数据是：一是医疗场景中未被记载的真实数据，例如医患初始对话和外院检验报告等，这些数据能够还原真实的医疗场景；二是AI生成并经人类修正的数据，即“输出数据”。如果企业能够同时掌握这两类数据，并不断优化，就能形成“数据飞轮”，使AI模型在应用场景中不断强化，最终达到超越人类专家的水平。

健海科技汪健认为，医疗数据用途不同，要求也不同。若用于大模型基础训练，其他数据或可替代；但健海的数据精准服务于特定个人，此时获取该人在医院和院外数据的合规性就至关重要。健海的业务场景优势在于，当医院委托其管理病人时，基于管理病人的实际需求，医院需要将数据授权给健海，实现数据的合规积累。

此外，也要关注自身场景数据能否持续训练。在管理病人过程中，健海会持续积累病人的个体化数据，并将其用于个人服务的训练。未来，个体数据的充实程度以及对个体的了解程度，将成为决定企业对个人服务质量的关键因素。因此，健海更注重个体数据的获取，尤其是如何获取个体的持续性数据。

沈炯则言简意赅地表示，我国医疗信息化行业经过了二十余年的发展，沉淀了大量的医疗数据。当下更应关注数据质量，在算力、算法不是问题的情况下，数据质量将直接决定AI医生的发展高度。

在医疗大模型商业化浪潮中，各位嘉宾各展所长，依托自身技术优势与战略定位等，探索出了不同发展路径。

峰瑞资本沈炯主张以增加医疗供给为关键构建商业模式，认为辅助医生模式难以从医保和医生收入中获利；

健海科技汪健强调面向 C 端患者，由患者支付费用。其核心在于借助大模型产品真正改变患者健康行为，提升患者体验，使患者因认可管理价值而付费；

全诊医学薛翀分享了自身在医疗行业模式的验证成果，即通过私有化部署和SaaS付费等方式，以及将模型嵌入企业工作流程的2B模式。

灵犀医疗王则远认为大模型的商业模式可以分为两类：一是基础平台模式，依靠技术调用量付费；二是类似于AI+CRO，基于大模型技术提供服务，注重服务质量和交付效率。