文 | vb 动脉网
6 个月时间，逾千个医疗垂直模型喷涌而出后，市场步入冷静期。
兜售算力的 NVIDIA、分配算力的云服务商、专注 B 端的 AI 工具开发商是这波风口的最大赢家。尤其是前两者，当 GPU 摇身成为“ 零风险” 的印钞机，他们做好基础服务便可通过紧缺的算力资源盈利。
反观应用层面，医疗大模型开发者虽能研发出好的垂直模型，却很难通过这些模型成功销售出去。高投入对应的是负回报，极少有企业能够利用 LLM 应用盈利。
摆在开发者面前的问题很多：当下应该选择什么应用场景作为研发方向？竞争壁垒如何构建？采用 SaaS 模式还是买断制？都需他们在这个阶段迅速作出决断。
什么要素决定了医疗垂直模型的研发方向？
在讨论上述问题之前，我们先对国内医疗垂直模型的分布情况进行梳理。
虽说国内医疗大模型的数量呈现井喷之势，但其功能存在较大程度的重叠。追其究竟，大模型本身需要大量训练数据。从成本出发，企业会优先衡量数据获取的难度和模型泛化的难度，从能容易获取的医疗数据集入手，开发与之对应的医疗人工智能。
蛋壳研究院曾于 2025 年 5 月对国内 288 个医疗大模型的功能进行了统计，这些功能涉及应用场景 12 类。统计数据显示：所有应用总计 814 个功能，其中仅医疗服务一项便有 430 个，超过了总量的 50%。
288 个大模型中，各类医疗大模型功能分布形势
所谓医疗服务，是指 AI 厂商通过大模型直接或间接向患者提供 AI 服务，包括大模型支持下的问诊、导诊、电话客服、智能科普等场景。
这些场景的共同之处研发企业通常具备较大规模的用户基数，相关医疗数据相对易获取。一般来说，互联网医疗企业及信息化企业都能通过其相关业务整合日常生成的各类数据，建立对应的训练数据集。
医学科研相关的大模型同样容易建立。科研成果大都免费对外开放，加之过往数年已有大量研究人员建起科研论文相关的知识图谱，企业容易快速构建用于文献检索、文献检索、数据分析等常见功能的大语言模型。
相比之下，临床领域的垂直模型较少，这类模型虽然数量体量丰富、数据标准化程度高 （如 DICOM、HL7），但构建模型时不仅需要处理文本数据，还需要对影像数据进行分析，构建成本及技术要求都要更高一些。
现阶段国内临床垂直模型大多聚焦于病理领域，这是因为病理数据容易保存，且易于标准化，过往 20 年的病理标本都能通过简单清洁后借助全切片扫描仪获取。因此，病理大模型的训练数据可以轻松达到百万级甚至千万级。
国内涉及病理的医疗垂直模型 （不完全统计，数据来源：蛋壳研究院）
CT、MR 等影像数据虽然体量大，但由于影像的部位、分辨率、机器型号、病灶分布等要素存在较大差异，能够实现辅助诊断并维持低幻觉的模型非常少，垂直模型的数据量也不会太大。目前的影像垂直模型主要作为医生的工具，辅助医生高效处理多模态医学影像，未能规模化应用于临床。
目前，临床领域的垂直模型主要由医院主导，企业协助开发，其特征为应用场景差异化明显，模型体量普遍偏小，功能聚焦于医生临床需求。放疗、感控等企业鲜有涉及的场景，均有头部医院参与相关应用研发。
国内头部医院参与研发的医疗专科模型 （不完全统计，数据来源：蛋壳研究院）
此外，生物领域的大模型数量同样较为稀少。由于基因组、临床试验数据涉及商业机密，分散且缺乏共享机制，因而很难构建规模化的临床数据集。
数据获取难度外，用户规模亦是影响医疗垂直模型分布的重要因素。
福鑫科创 CEO 吴笛告诉动脉网：从长期来看，临床中的专科场景可以满足医院的独特需求，但这些场景往往单体规模较小、分布范围广泛，仅作单点专科布局，很难覆盖企业的投入。
因此，短期内企业研发大模型的落脚点应聚焦于用户体量较大的场景之中，如信息化相关的大模型应先借助 HIS、数据中心沉下去，有了一定成果，再去协同医院发展专科模型，形成“1+N” 的整体解决方案，形成可持续的经营模式。
总的来说，医疗垂直模型的开发并非由医疗需求、竞争难度决定，数据获取难度 （成本） 及潜在用户规模 （潜在收入） 在这波浪潮之中更为深刻地影响了医疗垂直模型的发布，数据获取难度与应用场景模型数量呈反比例关系；用户规模与应用场景模型数量呈正比例关系。
此外，由于医疗数据特有的隐私性、安全性问题，医院将在临床垂直应用的发展之中扮演重要角色。临床数据中隐藏着难以估量的价值，信息化程度越高的企业，电子病历、互联互通的评级越高，也就越有可能从中攫取符合真正临床需求的垂直模型。
至于哪一类应用有望最先跑通商业化。微医认为：大模型的商业化路径将呈现“B 端先行、C 端渗透” 的特征，辅助诊疗、健康管理、药物研发等有望成为最先跑通的场景。但在长期中，一家企业若要实现技术、支付体系与生态协作的多维突破，还需构建多元应用场景，持续沉淀高质量数据，并不断提升 AI 能力。
大模型带来新的软件付费模式
面对软件类智能化应用，企业通常会在 SaaS 与买断之间展开激烈讨论，寻求商业化的最优解。但对于大模型，我们可能需要寻找一些新的付费模式去契合这一技术。
AI 不同于传统场景，评判一个模型时，需要综合考虑这一模型对于医疗行业的理解、模型的处理问题能力、模型的交互能力、给予用户的体验等要素。大模型功能越丰富，评判其竞争力的难度就越大。
因此，在进入大模型时代后，医院场景中如影像采集加速、质控、随访、慢病管理等能够形成独立产品的 AI 模型仍可通过 SaaS、买断快速实现商业化。
以福鑫科创为例，该企业从则是从“ 识别-获客-引导-交付” 全流程出发，通过数据治理智能体来管理、挖掘医院数据，用全自动主动健康管理帮助医院自动获客增加收入，用 AI 陪诊、AI 预问诊等提供患者服务，确保良好的患者体验，用生成式电子病历等产品，让 AI 驱动医院全流程，而不仅仅是辅助医院的运营。
目前，该系统的实施已为医院带来了明显的经营效益。一方面，通过高效数据挖掘，发现对医院的运营、科研、教学等有意义的数据和病例，医院也能够吸引更多的患者，拓宽患者来源，提升门诊或住院床位的利用率；另一方面，持续的随访与管理能够延长医院与患者的关系周期，从而直接创造收入，提升医院的经济效益。换句话说，该项目不仅专注于患者的健康管理，还成为医院可持续发展的一部分，助力医院保持竞争力和创新能力。
但对于药械研发投入、医院管理等场景而言，短期 ROI 难衡量，SaaS 与买断均非医疗场景下最好的支付模型。
在这个从上至下开源节流的时期，“ 卖结果” 比“ 卖工具” 更具吸引力。
所谓“ 卖结果”，是指支付方在购买服务前期不支付或较少程度支付以模型部署成本对应的费用，而是以“ 最终结果” 衡量大模型的支付主要数额。
以全球 Top50 生成式 AI 公司之一的深智透医为例，该企业有多条产品线在全球商业化实现持续付费定价和按例付费，这种模式的最终付费额取决于帮助客户临床每天提升的患者人数、通量等价值 ROI 参数。
这个过程中，深智透医没有单单提供工具，而是以最终带来商业和临床价值为商业逻辑和临床采购标准，作为用户的付费参考。目前，该企业已部署全球超过 700 多家医院与影像中心，与 Bayer、Bracco、Telix 等药剂公司也实现了影像药剂 AI 价值赋能的合作商业化，将 AI 生成模型推广到临床药剂应用场景。
总的来说，大模型的出现将医疗软件的商业化带入了一个多元化的时代。通过 SaaS、买断、“ 卖结果” 以及多种模式的结合，医疗机构或能更易实现“ 以提效为核心”，同时让软件的价格趋近于它的真实价值。
当医生成为大模型开发的主力军
从过去数年的 AI（深度学习） 的发展看，医疗场景中能够独立形成产品且实现盈利的案例非常稀少。
大多包含 AI 且实现盈利的产品，在未引入 AI 之前也能盈利 （如医院信息化中的 HIS、PACS、DRG；医药数字化的 EDC、eCOA）。在这些场景中，AI 之于产品商业化的影响力有限，它的价值在于提升了用户体验，拔高了产品或解决方案的竞争壁垒。
如今的大模型也面临同样的问题。
不过，相较于过往所有试图颠覆医疗产业的创新技术，大模型的不同之处在于其在短短数月穿透医疗体系，引得医院主动、迅速、成规模地引入基础设施，参与到临床应用的开发之中。
临床数据中隐藏着难以估量的价值，但现有的绝大多数垂直模型未能进入临床。当医生成为应用的主要研发方，我们或能看到大模型在数月之内实现应用场景与商业价值的双向突破，以新一代的数智化应用重构医疗体系。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
