最近医疗 AI 进展：真正的竞争正在从回答问题转向承担责任

观察窗口：截至 2026 年 6 月 25 日。本文讨论产业和技术趋势，不构成医疗建议；任何诊断、用药和治疗决策都应以合格医疗专业人员意见为准。

最近医疗 AI 的新闻有一个共同特征：它已经不再停留在“模型能不能答对医学题”，而是在逼近医疗系统里最敏感的几件事：医生怎样写病历，患者怎样理解自己的身体，监管怎样允许模型更新，AI 是否能参与处方续药，药企是否能把分子设计从实验室前移到计算平台。

这说明医疗 AI 正进入第二阶段。

第一阶段是能力展示：模型通过医学考试，回答患者问题，生成影像报告草稿，证明它“懂一些医学”。第二阶段是责任迁移：模型开始接触真实病历、真实患者、真实处方、真实监管和真实研发预算。

我的核心判断是：

医疗 AI 的关键竞争，不是哪个模型最像医生，而是谁能在临床证据、隐私合规、责任边界和工作流集成之间建立可持续闭环。医疗不是一个可以靠炫技快速占领的行业，它最终奖励的是可审计的可靠性。

一、医生端：从医学问答转向临床 Copilot

过去一年，大模型在医疗场景里的评测越来越接近真实工作。OpenAI 相关研究在 HealthBench 中，用 5,000 个多轮健康对话和医生编写的评分规则来评估模型表现；到 2026 年的 HealthBench Professional，评测进一步转向真实临床人员会向 ChatGPT 提出的任务，包括 care consult、写作与文档、医学研究。

这类评测的意义不是证明 AI 已经可以替代医生，而是说明医疗 AI 的目标函数正在变化。

传统医疗 AI 很容易做成单点工具：识别影像里有没有结节，判断心电图有没有异常，提取病历里的结构化字段。大模型则更像一个横跨多个环节的“临床工作台”：读病历、归纳问题、解释检查结果、生成沟通草稿、辅助查文献、整理随访计划。

这对医生最有价值的地方，往往不是“诊断神谕”，而是减少低价值劳动：

把碎片化病历整理成可读摘要。
帮医生准备患者沟通材料。
生成初版病程记录、转诊说明和随访计划。
根据指南和文献提醒可能遗漏的信息。
把复杂医学术语翻译成患者能理解的语言。

但它也带来一个更隐蔽的问题：医生可能从直接思考者变成 AI 输出的审核者。

如果 AI 生成得足够流畅，医生会更容易产生“看起来没问题”的错觉。医疗系统真正需要的不是一个永远自信的助手，而是一个会暴露不确定性、会提醒缺失信息、会把依据和限制写清楚的助手。

所以医生端 Copilot 的成熟标志，不是它能写出更漂亮的病历，而是它能让医生更快发现风险、更少遗漏关键上下文，并在事后追踪每一次建议来自哪里。

二、患者端：个人健康助手正在成为入口，但入口不等于医疗能力

消费者医疗 AI 正在变热。Google/Fitbit 的 Gemini 驱动健康教练已经进入更广泛的体验和评测，媒体在 6 月 23 日对 Fitbit Air 与 Google Health Coach 的体验中提到，这类产品开始结合睡眠、HRV、血氧、运动负荷和用户输入的健康背景，给出恢复、训练和生活方式建议。

这条路线看起来很自然。可穿戴设备每天收集数据，手机是随身入口，AI 可以把趋势解释成建议。对用户来说，这比每年一次体检更连续，也比搜索引擎更个性化。

但个人健康助手最大的风险恰好来自“个性化”三个字。

如果用户输入的信息不完整，AI 的建议会建立在残缺画像上；如果用户过度相信设备指标，焦虑可能被放大；如果 AI 无法区分一般健康建议和需要就医的危险信号，它就可能把本该升级处理的问题包装成轻量建议。

我更愿意把这类产品看成三层：

层级	合理价值	风险边界
健康记录解释	帮用户理解睡眠、运动、体重、血糖趋势	不能把趋势解释成诊断
生活方式建议	饮食、运动、作息、复盘目标	不能替代疾病治疗方案
就医准备	整理症状、问题清单、检查记录	不能延误急症和专业诊疗

个人健康 AI 最适合做“就医前后的翻译器”和“长期习惯的记录员”，而不是口袋里的医生。

它会非常有价值，但它的价值不应该来自替代医疗系统，而应该来自降低患者和医疗系统之间的信息摩擦。

三、监管端：FDA 列表说明 AI 医疗设备已经规模化，但大模型会改变监管难度

FDA 的 AI-Enabled Medical Devices 页面显示，AI 医疗设备授权已经形成相当大的清单，并持续按最终决策日期更新。2026 年一季度新增项目仍高度集中在放射影像、心血管、超声、神经、耳鼻喉、胃肠和手术相关软件。

这说明传统医疗 AI 的商业化路径已经很清楚：定义一个具体用途，收集临床证据，提交监管审查，拿到授权后进入医疗机构采购流程。

但大模型会让这条路径变得更复杂。

FDA 页面也提到，未来需要更好识别和标记包含 foundation models、LLM 或多模态模型功能的医疗设备。原因很直接：大模型不是一个固定按钮，它可能根据上下文生成不同输出；它不只做分类，也可能解释、总结、建议、调用工具。

这会带来三个监管难题：

用途边界更难描述：一个影像模型可以说“识别某类异常”，但一个临床助手可能同时摘要、检索、解释和建议下一步。
更新频率更高：模型、提示词、检索库、工具链和后处理策略都可能改变输出。
责任链更长：医院、厂商、云服务商、模型提供商、医生和患者之间的边界更模糊。

FDA、Health Canada 和英国 MHRA 关于机器学习医疗设备 Predetermined Change Control Plans 的原则很关键：模型可以更新，但更新必须有边界、有风险评估、有证据、有透明度、有全生命周期监控。

这几乎就是医疗 AI 的监管底线：允许进化，但不能黑箱漂移。

四、处方和诊疗：Utah 的 AI 续药试点把争议提前推到台前

医疗 AI 最尖锐的前沿，不是健康建议，而是 AI 是否能参与真实医疗决策。

2026 年 1 月，Utah 启动了 Doctronic 相关的 AI 处方续药试点；6 月 18 日，《华尔街日报》继续报道了该项目引发的争议。试点允许成年人通过 AI 服务申请部分既往处方药续药，早期阶段仍要求医生审核 AI 决策。报道披露的阶段性数据中，AI 批准了 72% 的续药申请，其中医生对 91% 表示同意，仍有部分案例需要更多信息或被二次医生否决。

6 月 25 日，另一个更接近“受监管临床工作流”的信号出现：WSJ 报道 UpDoc 获得 FDA clearance，其 AI 可以在医生设定的治疗边界内与患者沟通，并围绕 2 型糖尿病胰岛素治疗进行剂量调整。报道强调，UpDoc 的定位不是让模型自由开药，而是在医生预设参数内处理两次就诊之间的管理任务，并准备在 Cleveland Clinic 等机构进入试点。

这个案例值得重视，因为它不是“AI 给建议”，而是“AI 进入临床授权流程”。

支持者的逻辑很强：很多续药是规则化、重复性、低风险的流程；医疗资源紧张，患者等一次门诊可能要几周；如果 AI 能把稳定慢病、既往处方、常规复核做得更便宜更快，就能释放医生时间。

反对者的担忧也同样强：药物反应可能有生命风险；患者状态可能已经变化；AI 可能漏掉禁忌证、相互作用和危险信号；责任到底在厂商、医生、州监管者还是保险方，仍然不清晰。

我的观点偏谨慎：AI 可以先做续药流程里的筛查、问诊结构化、剂量边界内调整和升级分流，但不应该过早独立承担处方权。

处方不是文本生成问题，而是责任问题。它需要知道患者是谁，病史是否可靠，药物是否仍适用，是否存在新症状，是否需要实验室检查，谁对错误负责，错误发生后如何追溯。

如果一个 AI 系统连独立审计、红队测试、失败案例公开、责任保险和医生接管机制都没有建立清楚，就不应该越过“辅助决策”进入“自主决策”。

UpDoc 和 Doctronic 的差别，正好说明医疗 AI 的分水岭：前者强调在临床治疗计划和监管授权内缩小模型动作空间，后者把争议集中在 AI 是否能更直接进入处方续药。医疗 AI 越靠近处方、剂量和治疗，越需要把“模型能做什么”改写成“模型在谁设定的边界内做什么”。

五、药物研发：AI 正从“找线索”走向“重排实验漏斗”

医疗 AI 的另一条主线在药物研发。

6 月 23 日至 24 日，市场报道提到 SandboxAQ 与 NVIDIA 合作开发 AI 药物发现工具，用于预测分子与 GPCR 这类重要蛋白靶点的相互作用。GPCR 是大量药物的重要靶点，但传统候选分子合成和实验验证昂贵且缓慢，因此虚拟筛选的商业价值非常直接。

更早一些，Isomorphic Labs 在 2026 年继续推进其 Drug Design Engine 和 AI 药物设计平台，媒体 4 月报道称其 AI 设计药物准备进入人体试验阶段。

这些进展很容易让人兴奋，但也要冷静看。

AI 药物研发不是“模型生成一个分子，药就诞生了”。真正的链条包括靶点选择、分子设计、合成可行性、药代动力学、毒性、安全窗、动物实验、临床试验、生产工艺、专利和商业化。

AI 最先改变的，是实验漏斗的前半段：

更快筛掉明显不合适的候选分子。
在更大化学空间里搜索可能结构。
预测蛋白-配体、抗体-抗原等相互作用。
帮研究团队决定哪些实验更值得先做。
把计算、机器人实验和数据回流接成闭环。

它不会消灭湿实验和临床试验，但会改变实验资源分配方式。过去很多成本花在盲目试错上；未来更多成本会花在验证 AI 排序后的候选上。

这里真正的商业胜负，不在于一篇模型论文的 benchmark，而在于候选药物能否更快、更便宜、更高概率地走过临床。医疗行业最终只认患者获益和监管批准。

六、为什么医疗 AI 会比其他行业更慢，也更深

医疗 AI 的速度会很矛盾。

患者和医生会很快使用它，因为需求太强：医疗资源不足，信息太复杂，文档负担沉重，患者等待时间太长。与此同时，制度层面的全面接纳会很慢，因为每一个错误都可能产生真实伤害和法律责任。

这会导致一个“两层市场”：

第一层是低监管、低责任的外围场景，增长很快：健康解释、病历摘要、患者教育、医生文书、保险导航、就医准备。

第二层是高监管、高责任的核心场景，增长较慢：诊断建议、用药决策、手术辅助、治疗方案、临床试验入组和自主监测。

真正有长期价值的公司，会从第一层获得使用频率和数据反馈，但必须逐步向第二层建立证据、合规和责任能力。

如果只停在第一层，它就是一个健康聊天产品；如果太快冲进第二层，它可能变成监管和伦理事故。最难的是中间那条路：先把模型放进医生可控制的工作流，再用真实世界证据证明它降低错误、节省时间、提升患者结局。

七、乐观、悲观和客观判断

乐观：医疗 AI 会显著降低信息摩擦

医生端，AI 会减少文书负担，让医生把更多时间留给判断和沟通。患者端，AI 会帮助普通人理解检查结果、准备就诊问题、长期管理慢病和生活方式。药物研发端，AI 会提高早期筛选效率，让更多候选方案进入验证。

如果医疗系统设计得好，AI 不会替代医生，而会让医生少做重复劳动，让患者少在信息迷宫里打转。

悲观：最赚钱的路线可能不是最有利于患者的路线

医疗行业最大的问题之一，是支付方、医院、患者、医生和技术公司目标并不总是一致。AI 如果被优先用于压缩医生时间、拒赔、减少人工服务或把风险外包给患者，就会变成效率机器，而不是健康工具。

更危险的是，AI 可能让低收入和偏远地区人群优先获得“便宜但质量不确定的自动化医疗”，而富人继续获得人类专家。这会把医疗不平等包装成技术进步。

客观：短期赢家会是“人类在环”的医疗 AI

未来一两年，最靠谱的方向不是 AI 医生，而是医生可控、患者可理解、监管可审计的 AI 助手。

它应该具备几个特征：

明确说明自己不是医生。
对高风险症状主动升级。
输出依据、限制和不确定性。
记录模型版本和信息来源。
允许医生快速纠正和反馈。
对患者隐私和数据用途给出清晰控制。

医疗 AI 的核心不是让机器更像人，而是让系统在机器参与后仍然可追责。

结论：医疗 AI 的终局不是“AI 医生”，而是责任重构

最近医疗 AI 的变化，表面上是模型更强、产品更多、投资更热。更深层看，是医疗系统正在重新分配责任。

医生过去独自承担大量信息处理和文书负担；患者过去只能在搜索结果、检查报告和短暂问诊之间拼接理解；药企过去在漫长实验中消耗巨额成本；监管机构过去面对的是相对固定的软件功能。

AI 进入后，这些边界都在移动。

但边界移动不等于责任消失。恰恰相反，医疗 AI 越深入，越需要更清晰的责任结构：什么时候 AI 可以建议，什么时候必须升级给医生，什么时候需要监管授权，什么时候需要重新验证，什么时候必须停止使用。

我对医疗 AI 的长期判断偏乐观，但对短期商业叙事保持警惕。

真正值得期待的不是“人人都有一个 AI 医生”，而是每个人都能更早理解身体信号，医生能更少被系统性文书劳动消耗，药物研发能更快把有效候选推向验证，监管能让模型更新和安全性同时成立。

医疗 AI 如果成功，它不会让医疗变得更像互联网产品；它会迫使互联网式 AI 学会医疗行业最重要的一课：答案不重要，承担答案的后果才重要。

文章摘要

医疗 AI 正从“医学问答能力展示”进入“真实责任场景”，覆盖医生文书、患者健康助手、监管授权设备、处方续药和药物研发。
HealthBench Professional 这类评测说明，医疗大模型的重点正在转向真实临床人员工作任务，而不只是考试题。
患者端健康助手适合做健康记录解释、生活方式建议和就医准备，但不应替代诊断和治疗决策。
FDA AI 医疗设备清单和 PCCP 原则说明，AI 医疗设备已经规模化，但大模型会让用途边界、更新管理和责任链更复杂。
Utah AI 续药试点和 UpDoc FDA clearance 把争议推到台前：AI 可以辅助筛查、分流和边界内剂量管理，但过早独立承担处方权风险很高。
AI 药物研发的真实价值不是“生成神药”，而是重排实验漏斗，提高候选筛选和验证效率。
医疗 AI 的终局不是 AI 医生，而是医生、患者、厂商和监管之间的责任重构。