2026 年，AI 医疗与 AI 制药正站在一个微妙而关键的转折点上。

一边是政策端的密集落地：2026 年 3 月 31 日，国家医保局正式将 12 项 AI 辅助诊断项目纳入全国统一医保乙类目录；FDA 与 EMA 也在同年 1 月联合发布了药品研发领域 " 良好人工智能实践 " 十项指导原则。另一边是产业端的加速兑现，据行业不完全统计，截至 2026 年 6 月底，全球已有 170 余条由 AI 设计或优化的药物管线进入临床阶段。长江证券预测，2026 年国内医疗 AI 产业规模预计超 400 亿元。

然而，热闹之下，行业仍然面临信任、数据与商业化的三重考验。商汤医疗联合创始人兼首席医学官钱琨博士在接受 21 世纪经济报道记者专访时，给出了一个值得深思的判断：" 信任至今仍是 AI 医疗最难突破的环节。"

钱琨。资料图

传统医药行业有一个广为人知的 " 双十定律 "：10 年研发周期、10 亿美金投入，成功率仅为十分之一。AI 制药被寄望于打破这一魔咒——从靶点发现到药品上市，AI 理论上可以覆盖全周期。

但钱琨给出了一个反直觉的答案：商汤目前并未布局最早期的靶点发现环节。

" 尽管我们具备该环节的研发能力，但这并非商汤当前的核心优势所在。" 钱琨坦言。在她看来，商汤的核心能力在于联动顶级专科医师打造专科 AI 模型，开展专科患者随访与真实世界数据分析，为不同靶点、不同药物匹配精准度更高的临床患者画像。

这一选择背后是一条清晰的差异化路径。8 年前钱琨在美国开展相关研究时就观察到，不少企业专门为药企开展患者队列设计，即便是双盲试验，队列设计仍存在优化空间：不应将资金无方向投入，而需先对患者进行清晰分层归集。

商汤在此领域具备独特的天然优势：已在专科认知、多模态数据对接、医师协作平台层面形成壁垒，且产品已嵌入医师患者管理工作流程，可自然将数据归集至对应需求场景。

目前，钱琨将目光投向了一个常被忽视的方向：药物经济学研究与 " 老药新用 "。" 各大药企实际留存了大量闲置数据；所有大型机构均存在部门壁垒与数据孤岛问题。" 钱琨指出，美国已有头部药企服务商开始运用隐私计算技术和区块链技术，推动不同部门开放数据开展联合挖掘，探索已完成临床试验的药物能否找到新的适配患者。

" 对接医师与患者本就是核心能力，顺着该方向反向推导，我们可以逐步从临床端延伸至靶点发现与早期研发之间的环节。" 钱琨说。

这一 " 反向推导 " 思路，恰好契合了当前 AI 制药行业的深层变化。华创证券研报指出，中国 AI 制药市场已进入快速发展阶段，2024 年市场规模达到 5.6 亿元，同比增长 36.59%。与此同时，行业正在从概念验证向商业化兑现转变。在这一转折点上，谁能掌握高质量的临床数据和患者资源，谁就握住了真正的 " 硬通货 "。

此前，钱琨就在公开场合提出了 AI 医疗的三大瓶颈：信任、数据与商业模式，而随着时间的推移，这三个瓶颈的突破进度各有不同。

商业模式已取得一定突破。钱琨认为，政策正引导医院向更规范透明的收入结构调整，更多医生有动力开展算法相关创新。" 良性商业模式能够为专家提供正向反馈，这一进展得益于当前国家政策，为专家开展专项工作开辟了更多渠道。"

数据层面正逐步突破。但突破的方式并非简单堆砌数据，而是需要投入大量人力挖掘资深专家的临床思维。钱琨透露，商汤此前与各院长、科室主任合作，配置了数据采集模块，甚至安排科研助理与临床助理现场记录专家口述诊疗思路。" 因出现某一症状，故考虑某一方向，需开展哪项检查，后续安排何种治疗方案。"

这意味着，只有通过这种方式梳理思考链路，才能掌握专家的判断逻辑。

而信任，至今仍是最难突破的环节。"AI 本质上仍属于黑盒模型，" 钱琨直言，" 当前大模型虽可输出思维链路，但其本质仍为统计模型。" 在她看来，医生的信任无法靠技术参数堆砌获得，必须从临床工作流程的每一个细节入手。

那么，如何破解信任难题？钱琨的答案是：与全球医院评级机构 HIMSS 共同设计一套专门针对医学与临床的可信 AI 框架，包含三个维度：

第一个维度参考传统 FDA 的审核逻辑。产品必须首先满足有效性与安全性标准。但这仅为入门要求，只有医师认可产品的精准度与安全性，才会进一步开展合作。

第二个维度解决 AI 如何嵌入临床工作流的问题。在此方面，需要设计可量化的评估支撑，让医师清晰感知 AI 可提供的帮助。钱琨介绍，商汤已推动多名主任级专科医师参与搭建，比如在糖尿病方向，通过数字人项目针对特定问题为大模型设置 " 专属边界 "，限定模型仅可处理本专科相关问题，一旦超出范围自动转接人工。

这一 " 边界管控 " 研究思路，正是钱琨最终加入商汤的核心原因。此前在中山医院的合作项目中，她发现行业亟需一套底层模型服务体系（MASS）—— " 即便配备数据中台，仍无法实现大模型的快速调优。"

第三个维度是价值与卫生经济学评价。可信 AI 不能只证明模型准确、安全、可用，还需要进一步评估其在真实医疗场景中的长期价值，包括是否改善患者健康结局、提升医疗服务效率、优化资源配置，并降低疾病管理和医疗体系的长期成本。

" 搭建完成这三套指标体系，方可认为我们已建立一套完整的专科可信 AI 框架。" 钱琨强调，该框架完全遵循数千年来的医学逻辑设计，" 未超出医生的认知与知识体系，医生才愿意推广应用。"

在技术路径上，商汤医疗选择了一条 " 通专融合 " 的道路。

钱琨用一组数据解释了这一选择的逻辑。" 目前我们大模型的医学知识中，90% 来自互联网公开的基础医学知识，以及底层医学逻辑、通用逻辑与沟通逻辑。在此基础上，仅需加入 10% 高质量的专科针对性数据，即可训练出既能够理解自然语言，也可推导出用户真实需求的模型。"

她进一步解释，多数用户无法直接清晰表述自身真实诉求，" 这部分能力依赖 90% 通识内容打底，再补充专科训练即可实现 "。钱琨认为，这一比例设置模拟了人类知识的学习演进路径，毕竟使用模型的用户服务于人类，因此模型能力需尽可能贴合人类的沟通方式与思考模式。

关于外界担心的 " 通用能力稀释专科深度 " 问题，钱琨认为关键在于数据标注的细粒度。若未针对专科特定问题开展专业标注，模型极易产生幻觉。幻觉源于模型无法建立足够细粒度的关联。而接入专科数据库后，模型会先从专用知识库提取患者基础信息，预先排除无关内容，再在沟通过程中抓取关键词完成匹配，" 该模式下模型得出正确结论的概率会显著提升 "。

在钱琨看来，大模型与世界模型之间存在本质差异。" 现有大模型更偏向对历史信息的推导与总结，世界模型则侧重于探索未来的预测可能性。" 她以糖尿病患者为例：当前不少糖尿病模型可基于患者历史数据分析胰岛素用量，但这类分析仍基于对历史数据的归纳。而世界模型可纳入更多影响因素，结合不同用药方案与时间序列，" 推演长周期下糖尿病未来并发症的发病发展趋势 "。

商汤医疗提出的 " 医疗世界模型 "，旨在推动大模型突破纯文本交互，进入高度拟真的数字临床环境。该系统能够在虚拟问诊中模拟患者反馈，在影像重建空间中精准解析病灶结构，甚至模拟药物代谢与生命指标的动态演进。

从微观到宏观，钱琨看到了广阔的应用空间。微观层面，可预测疾病发展趋势；宏观层面，已在病理科落地具身智能应用，参与病理切片诊断新标准的建立工作。接入 ICD 编码后，未来病理科可逐步实现 " 黑灯工厂 " 模式，参照工业领域的发展路径，逐步将大量重复性工作交由智能设备完成。

在解决方案方面，商汤医疗的商业化路径正在逐步清晰。据公开信息，目前，商汤医疗已完成超 10 亿元融资，并入选 2026 胡润全球独角兽；近百款 AI 临床辅助诊疗工具已在全国范围内实现 AI 全链路数智化升级；SenseCare ® 智慧医院解决方案已落地瑞金医院、新华医院、肺科医院等上海头部三甲医院。

谈及行业的前景，钱琨保持乐观，医疗行业门槛极高，对从业者而言反而更为稳定，极少有参与者能够完全厘清行业运行逻辑。这反而为医疗资源相对落后地区提供了 " 弯道超车 " 的机遇。" 这类地区没有历史包袱，可以直接搭建第三代架构。"