AI 医疗全景更新：为什么硅谷 healthcare 领域出现了最多的 AI 独角兽？

01.

医疗行业是推动 AI 商业化落地的重要引擎

在过去多个技术周期中，医疗行业始终被认为是 AI 应用落地最慢、转化成本最高的领域之一。高度碎片化的服务结构、复杂的合规要求以及陈旧的 IT 系统，使得医疗机构往往只能以局部试点的方式引入新技术。然而，这一长期形成的认知正在被快速打破。

一方面，大模型能力的跃迁显著降低了 AI 在自然语言理解、语音识别和复杂决策支持方面的应用门槛，使 AI 首次能够适配医疗这一高度非结构化的场景；另一方面，医生倦怠、运营成本上升与人力短缺等现实压力，迫使医疗机构主动寻求效率型技术作为“刚需”工具，而非锦上添花的创新尝试。

在这一背景下，医疗行业的 AI 采用路径呈现出与以往 IT 系统截然不同的特征：部署周期显著缩短、ROI 回收路径更加清晰，且率先在临床文档、收入管理和患者交互等高频场景中实现规模化落地。医疗体系正在从技术的被动接受者，转变为推动 AI 商业化落地的重要引擎之一。

2025 年，医疗 AI 领域的年投资额已经达到 14 亿美元，几乎是 2024 年的三倍，相比之下，法律、设计等其他垂直行业的去年 AI 投资规模约为 12 亿美元。在所有 AI 应用赛道中，医疗的增长速度仅次于聊天机器人和代码生成。目前这股资金浪潮已经催生了 8 家医疗 AI 独角兽，以及大量估值在 5-10 亿美元之间的成长型公司，数量已经超过法律、金融、媒体等其他所有垂直 AI 领域。

以资金最集中、成熟度最高的医疗文档（Medical Documentation）赛道为例，在这个赛道中，OpenEvidence 与 Abridge 是最具代表性的两类样本。前者凭借 GV、红杉等顶级资本支持，以及连续创业者背景，在估值层面领先；后者则以已落地的超大规模 GenAI 部署，在临床端建立起极高信任度，由临床医生创立并获得 a16z 重点投资，成为行业公认的标杆企业。

随着技术成熟，医疗文档相关公司正从单一功能向更长价值链延伸。Ambience 从环境听写拓展至医疗编码与收入管理，开始呈现平台化趋势；SmarterDx 聚焦编码质量提升；Commure 深耕医院收入周期管理。与此同时，EliseAI 等公司从患者沟通与收费等前台场景切入，试图将医院高度依赖人工的服务流程系统性软件化，撬动更大规模的服务型预算。

同时，新一代 AI 公司也开始显现结构性影响力。在支付侧，Distyl 代表 Provider（医疗服务提供方）与 Payer（支付方）在 AI 深度协同的早期探索；在服务侧，Hippocratic AI 以“无害性”为核心原则，聚焦护理导航与患者交互，尝试定义下一代以 AI 驱动的医疗服务模式。这些企业共同构成了医疗 AI 生态加速演进的关键力量。

AI 在医疗行业的落地是“非线性加速”

目前，医疗行业正进入 AI 竞速的关键阶段，部分头部机构正以前所未有的规模与速度推动 AI 的部署与落地。

• Kaiser Permanente（成立于 1940s 的美国历史最悠久整合型非营利医疗系统）在全美 40 家医院与 600 多个门诊部部署了 Abridge 的环境文档记录（Ambient Documentation）系统，这是至今为止医疗史上最大规模的生成式 AI 落地项目，也成为 Kaiser 过去 20 年来技术实施速度最快的一次。

• Advocate Health（美国大型多医院健康系统）在评估超过 225 个 AI 方案后，最终选择了 40 个用例进入大规模应用，包括部署 Microsoft Dragon Copilot、Aidoc 与 Rad AI 等影像分析工具，以及智能化呼叫中心系统。这些举措预计可将文档记录时间减少 50%以上，并自动化审批、转诊与编码流程。

• Mayo Clinic（成立超过百年、全球最顶级的学术医疗中心与研究机构）宣布未来数年将在 200 多个 AI 项目上投资超 10 亿美元，应用范围从行政自动化延伸至诊断与临床决策支持，实现“运营与临床并重”的 AI 转型。

• SimonMed（美国规模最大的独立放射影像集团之一）已将 AI 合作伙伴从不足 10 家扩展至 50 家以上，覆盖从入院登记、智能速记到收入周期管理等核心环节，体现出 AI 应用从“功能工具”向“系统协同”的升级趋势。

• Grow Therapy（成立时间较短但增长迅速的线上心理健康平台）则在心理健康领域开辟了新路径，正在研发 AI 护理伴侣，以语音与语言分析取代传统的静态量表（如 PHQ-9、GAD-7），构建实时心理状态监测与 24/7 支持的新范式。

而且与以往医疗信息化项目不同，本轮 AI 在医疗行业的落地呈现出明显的“非线性加速”特征。过去，医疗 IT 系统往往需要多年才能完成评估、采购与部署，而生成式 AI 工具在部分医疗机构中从试点到全院推广仅用数月时间，落地节奏显著快于历史平均水平。

这一变化首先体现在部署逻辑的转变上。新一代医疗 AI 产品多以 SaaS 或 API 形态嵌入现有系统，不再依赖大规模底层 IT 改造，实施成本与组织阻力显著降低。同时，这些产品的价值往往直接作用于高频、刚性的工作环节，如临床文档、编码、事前授权与患者沟通，使 ROI 能在短周期内被清晰量化，从而降低管理层的决策门槛。

梅奥诊所、克利夫兰诊所、凯撒医疗集团等行业领军者正在不断验证这一“快而精准”的新模式。在选择 AI 合作伙伴时，他们通常聚焦以下三个关键标准：

1. 技术成熟度与 scalability：优先考虑能够在大规模真实场景下稳定运行的即用型解决方案，实现快速部署，避免漫长且高风险的定制开发过程。

2. 风险分级与患者接触程度：对于后台系统或不直接影响患者的审批与行政环节，可以选择更快上线的方案；而涉及临床决策或患者交互的应用，则必须经过更严格的验证与伦理审查。

3. 短期价值与信任积累：能够在短期内产生可量化成果的应用，有助于快速建立内部信心和外部信任，并为后续推广形成正向循环。

值得注意的是，在这些决策中，成本并非首要考量。在医疗 AI 场景下，失败的代价远不止财务损失，还可能带来运营中断、患者安全风险以及品牌声誉受损。因此，医疗机构往往更愿意为安全、可靠、已有成功验证的解决方案支付溢价，以确保系统稳定、结果可信。

也就是说，AI 在医疗行业中，已不再只是技术创新的象征，而逐渐成为组织竞争力的分水岭。快速试验与持续迭代的模式正在重塑医疗机构的技术采购逻辑。多项调查显示，医疗系统与门诊服务提供商的采购周期正在明显缩短，这标志着行业正从“观望者”加速转向“行动者”。

• 医疗系统将传统 IT 采购周期从 8.0 个月缩短至 6.6 个月，提速 18%；

• 门诊服务提供商的采购周期从 6.0 个月降至 4.7 个月，效率提升 22%；

相比之下，支付方的采购周期却由 9.4 个月延长至 11.3 个月，制药与生物技术公司则维持在约 10 个月水平。

这种分化趋势反映了行业在 AI 认知和应用深度上的差异。之前由于审批流程复杂、风险意识强，医疗服务提供商一直被认为是技术渗透很慢的合作方（一些初创公司甚至称为“试点黑洞”）。如今，他们已经跨过了试验门槛，开始将 AI 从小规模试点推广到实际生产应用。相比之下，支付方和生物制药企业仍处于探索阶段，对 AI 保持“好奇但谨慎”，更多停留在概念验证或小范围实验中。

也就是说，医疗系统正用实际行动证明：AI 已经不再只是未来趋势，而是当前竞争力的重要体现。

02.

医疗 AI 投资与融资新格局

AI 预算分布在哪些领域？

资金流入的速度也反映着 AI 在医疗领域的普及节奏。在当前医疗 AI 总投资 14 亿美元中，医疗服务供应商占据主导地位，尤其是大型医疗系统：

• 医疗系统投入约 10 亿美元，占比 75%；

• 门诊服务提供商投入 2.8 亿美元，占比 20%；

• 支付方仅 5000 万美元（约 5%）；

• 生物与生命科学企业的投入则更为有限。

这种格局的形成并非偶然。医疗系统的痛点在于利润率低、人力负担重、行政成本高、岗位短缺严重，这使得 AI 应用的 ROI 最为直接且可衡量，AI 正成为破解效率瓶颈与成本困境的关键工具。

其中，有两大 AI 应用类别正快速吸引资本关注：

1. 环境临床文档（Ambient Clinical Documentation）：年投入约 6 亿美元，可显著降低医生的职业倦怠与记录负担，以 Abridge 为代表的 scribe 公司就在切入这个领域，通过语音识别加上生成式 AI，将对话转成临床笔记，并填入 EHR （电子健康记录） 中。

2. 编码与计费自动化（Coding & Billing Automation）：年投入约 4.5 亿美元，通过减少编码错误和拒付损失提升营收。

此外，增长最快的两类新兴领域分别是：

1. 患者参与（Patient Engagement）：同比增长 20 倍，强化医患互动与依从性；   

2. 预先授权（Prior Authorization）：同比增长 10 倍，推动支付端流程自动化。

可以看到，AI 投资正从“概念资本”向“绩效资本”转变，也就是说资金正在流向那些能快速提升效率、增加收益、改善患者体验的环节。医疗 AI 已不再只是技术创新的尝试，而是推动财务优化和运营升级的关键引擎。

医疗 GenAI 支出中，85%流向初创公司

调查显示，目前 AI Healthcare 行业中所有生成式 AI 的支出中，有 85%流向了初创公司，而非传统巨头。即便在环境速记等成熟领域，微软的 Nuance DAX 已在 77%的美国医院部署，其市场份额仍被 Abridge 和 Ambience 等初创企业抢占，后者以更优的性能获得了近 70%的新增市场份额。

这背后的原因在于，初创公司具备一些天然优势，比如行动迅速、产品围绕 AI 能力原生设计，并且不受大型企业遗留技术债务和官僚结构的束缚。相比之下，现有巨头的新 AI 产品大多只是旧平台上的附加功能。因此，AI-native 企业能够更快获得采用率和市场份额。

对于 Epic、Oracle Health、athenahealth 和 Change Healthcare 等医疗 IT 巨头而言，这标志着真正的颠覆期的到来。许多 AI 原生解决方案从单一切入点（如医疗速记）起步，逐步扩展功能，最终可能替代现有巨头的核心系统。然而，传统企业正利用其在分销、集成和规模方面的优势，展开积极反击。

AI 医疗服务是新兴方向

医疗 AI 的花费并不仅仅局限于 IT 预算，服务预算同样成为资本关注的重点。随着 AI 技术向前端服务场景渗透，尤其是患者沟通、健康管理和事前授权等领域，服务型预算成为一个新兴的投入方向。

不同于传统 IT 系统的硬件和软件支出，服务预算通常涉及运营成本、培训与人员配置，这一领域的资金需求也在快速增长。像 Abridge 和 Ambience 这类 AI Scribe 公司，除了 EHR 系统的集成费用外，还需与医疗机构共同承担培训、运营支持和流程优化的费用。因此，AI 的花费结构也开始转向服务型预算，成为资本进一步追逐的新赛道。

03.

Provider 端是 AI 最先落地、规模最大、ROI 最明确的应用场景

IT 场景：医疗文档与 RCM

目前医疗文档与后台 RCM 的总支出约为 380 亿美元，合计占医疗 IT 支出约 60%：

• 医疗文档：196 亿美元（占 IT 支出的 30%）

• 后台 RCM：188 亿美元（占 IT 支出的 29%）

在这些领域，Abridge、OpenEvidence 以及 Commure、Smarter Technologies 等企业正在争夺现有支出。它们不是为了取代 Epic 或 Waystar，而是通过智能自动化增强现有系统功能，从而减少临床与行政环节的人力投入。

这种“整合优先”的策略为规模化发展提供了明确路径：AI 企业成为医生与电子病历、计费团队与理赔处理人员之间的智能工作层。在此基础上，它们可以横向扩展至相邻模块，逐步渗透到底层系统，对传统记录系统形成了潜在挑战。

服务场景：事前授权与患者就医全流程

在高达 7400 亿美元的医疗行政总支出中，软件和 SaaS 所占比例其实非常有限，除了传统的 IT 预算之外，医疗体系中真正蕴藏巨大增长空间的其实是过去几乎无法实现自动化的行政服务环节，比如事前授权、患者沟通以及前台收入周期管理（RCM）。这些工作通常由护士、前台人员或外包团队完成，经费也主要来自服务预算，而不是信息化预算。

• 事前授权

事前授权被普遍认为是医疗体系中最复杂、最耗时、也最容易引发争议的行政流程之一，同时也最具被 AI 重构的潜力。目前，前台 RCM 相关的行政服务支出约为每年 980 亿美元，但真正通过软件完成的比例仅约 3%。

在传统模式下，入院登记和电子授权主要依靠人工填写电子表格完成。医护人员需要在电子病历中查找和整理大量非结构化信息，结合临床判断后，再按照不同保险公司的要求重新整理成指定格式。整个过程往往需要数天，甚至数周，既耗时又容易出错。

围绕患者互动和就医路径的年支出规模已超过 1000 亿美元，但软件化率仍仅约 5%。随着 AI 逐步进入这一领域，长期依赖人工的流程开始具备自动化和规模化的可能，一个规模超过 1 亿美元、且以约 20 倍速度增长的新兴市场正在形成。

Latent Health 、Tandem、Mandolin、Squad Health 等企业，正在利用生成式 AI 对这些流程进行自动化处理，在这些解决方案的帮助下，过去往往需要数天才能完成的审批，如今只需几分钟即可完成，不仅减少了治疗延误，也明显改善了患者体验，同时释放了宝贵的医护人力资源。

• 患者就医全流程

在实际医疗服务流程中，效率瓶颈主要集中在就医的前后两个阶段。一方面，在患者初次就医时，往往难以及时匹配到合适的治疗资源；另一方面，在治疗结束后，由于信息割裂、机构之间沟通不畅，随访与持续管理难以有效开展，进而影响患者的治疗依从性和最终疗效。长期以来，这些环节主要依赖护士或外包呼叫中心完成，不仅效率有限，还带来了持续上升的人力成本。

目前 AI 正在介入患者的全程就医流程，对整个体验进行系统优化：

1. 实时健康管理与自我干预：Function Health、Ash、SuppCo 等公司通过生物标志物监测和生活方式追踪，帮助患者在日常生活中实时管理健康。

2. AI 分诊与症状评估：Doctronic、Counsel Health、Torch Health、Roon 等平台通过语音和文本交互快速判断患者症状，并引导其到合适的护理层级，提高就诊效率。

3. 预约与流程自动化：Assort Health、Hello Patient、Clarion 等解决方案能够自动化预约和分诊流程，减少人工操作，提高患者便利性。

4. 护理导航与随访管理：Hippocratic AI、Ellipsis Health、Kouper Health、Ferry Health、Solace Health 等平台负责患者沟通、结果告知、复诊协调及随访管理，使患者路径更加顺畅、连续。

04.

AI 在医疗支付领域仍属早期，但规模已超过 5000 万美元

AI 在医疗支付市场的规模已超过 5000 万美元，且年增长率达到 5 倍。代表企业包括 Distyl、Anterior、Autonomize 等。

尽管支付方采购周期较长（通常达一年），且对企业级应用要求极为严格，在 AI 应用上仍处早期阶段，但潜在空间极其广阔，AI 还是有可能在预先授权、利用管理、支付完整性、风险调整等核心流程中实现变革。未来或许医疗服务方的 agent 将能够与支付方的 agent 直接对接，形成端到端的智能闭环，大幅减少行政摩擦、降低管理成本，并显著缩短治疗延迟时间。

需要注意的是，随着医疗服务提供者（Provider）大规模部署 AI 系统，支付方（Payer）将面临两大系统性摩擦。

1. 运营负荷激增

AI 赋能的自动化工具显著提升了医疗机构发起理赔、查询与申诉的效率，导致交互频率呈指数级上升，因此支付方普遍担心呼叫量与理赔请求激增可能压垮自身人工审核体系，以及审核瓶颈被迅速放大，使传统管控逻辑失效。

2. 成本上升与不可控支付风险

基于 LLM 的智能编码系统能够识别遗漏收费项并优化报销结构，从而提高服务方收入预测能力。 支付方因此需要面对不合理费用更易通过审批的风险，以及在缩短审批周期与控制过度支出之间的艰难权衡。

面对上述压力，部分支付方开始采取主动防御策略，包括：

• 调整医疗必要性政策；

• 强化审计机制；

• 制定医疗机构使用 AI 的合规指引；

• 与 Distyl 等技术平台合作，部署对等的 AI 系统以重新掌控互动节奏。

总体而言，支付方的策略仍处于“观察、试探、防御”并存的过渡阶段，缺乏统一行业标准，生态关系仍在快速演化中。

05.

AI Scribe 的崛起与平台化转型

AI Scribe 是最早实现商业化的赛道之一

Ambient Scribe 是医疗 AI 中最早实现商业化爆发的应用类别之一。预计到 2025 年，市场规模将达到 6 亿美元，同比增长约 2.4 倍，营收和关注度均领先其他所有临床 AI 应用。在这一领域，已出现两家独角兽企业：Abridge（市场份额约 30%）和 Ambience（约 13%）。但根据最新数据，它们的市场占有率仍略低于行业领导者 Nuance 旗下的 DAX Copilot（33%）。

1. Nuance

Nuance 是 AI Scribe 赛道中最早实现规模化落地的行业领导者，2022 年被微软以 197 亿美元收购后，成为微软医疗 AI 战略的核心组成部分。凭借长期积累的语音识别技术与医疗客户基础，DAX Copilot 目前仍占据约三分之一的市场份额，是该领域事实上的基准产品。

在产品层面，DAX Copilot 深度整合 GPT-4 与 Azure OpenAI，并在 Epic 等主流 EHR 系统中实现原生嵌入，提供高度自动化的环境听写与临床文档生成能力。但它的核心优势并不在于功能创新速度，而在于稳定性、合规性以及与现有医疗 IT 体系的深度融合。

从竞争格局看，Nuance 的强项在于微软渠道与庞大的存量客户，但它自身历史版本的响应延迟与相对保守的产品节奏，也为新一代初创公司留下了追赶空间，市场份额正面临持续挤压。

2. Abridge

Abridge 成立于 2018 年，由临床医生与学术背景团队创立，是当前增长最快的 AI Scribe 公司之一，市场份额已接近行业第一梯队。Abridge 的定位并非单纯的语音听写工具，而是强调生成“可信”的临床文档系统。

在技术路径上，Abridge 的核心差异在于可追溯性设计：医生可从生成的病历直接回溯到对应的原始语音片段，从机制上缓解大模型幻觉问题。同时，公司在复杂临床环境下的降噪能力和医疗大模型微调方面积累较深，提升了真实场景下的可用性。从落地情况看，Abridge 已进入多家大型医疗系统，并在医生群体中建立了较强口碑。但 Abridge 的高速扩张也是对产品交付质量和服务稳定性的持续考验，且在与巨头竞争时仍需面对潜在的价格与渠道压力。

3. Ambience Healthcare

Ambience Healthcare 成立于 2020 年，最初以 AI Scribe 切入，但很早便将自身定位为“面向医生的 AI 操作系统”，试图超越单一文档生成工具的边界，通过功能扩展提升客户粘性与单点价值。

在产品设计上，Ambience 不仅能生成临床笔记，还进一步覆盖编码建议、文档优化、转诊支持和患者宣教等环节，并支持按专科定制与实时提示，强调对医生工作流的全流程介入，而非单一节点提效。从市场位置看，Ambience 的差异化策略使其在专科诊所和中型医疗机构中能够站稳脚跟，但功能广度也带来更高的集成与学习成本，在与 Nuance 和 Abridge 的竞争中，需要持续平衡产品复杂度与实际使用体验。

Ambient Scribe 的价值主张非常直观：医生每五小时看诊，就需要额外花费一小时记录病历。而 AI 驱动的“环境速记”系统可以实时将医患对话转录为结构化临床记录，并自动填入电子病历，从而大幅减轻文书工作负担。这项技术的核心，是将医生从键盘前解放出来，让 AI Scribe 成为医护人员的“听觉助手”。它不仅优化了医生的工作体验，也成为医疗场景中提升生产力最直接、最显著的 AI 应用之一。

Scribe 发展的两大制约因素

尽管 Ambient Scribe 类产品在早期取得了显著商业成功，但这类产品持续增长的前景正受到两大因素的制约。

首先，客户增长潜力趋于饱和。大型医疗系统预计，目前 AI 记录工具的市场渗透率约为 35%，未来三年内仅能上升至 40%。小型医疗系统和门诊机构的增速也在放缓。虽然早期采用者的付费转化极快，但数据显示，仍有相当比例的潜在客户保持观望态度，对全面采用持谨慎态度。

其次，客户粘性普遍偏弱。调查显示，使用 AI 记录员的大型医疗系统在未来三年更换供应商的意愿与继续沿用现有产品的比例几乎持平，甚至在门诊医疗机构中，更换意愿达到 67%。客户普遍认为记录服务正趋于商品化，且供应商之间的转换成本极低，因此忠诚度有限。

这种局面表明，AI Scribe 产品若仍停留在“文档抄写”这一功能层面，将难以维持长期竞争力。

Scribe 与 EHR 系统正在形成场景分工

Scribe 发展中的两大制约因素也解释了为什么许多初创公司正在从单一功能不断升级，努力打造平台化解决方案：它们不再仅仅是“记录工具”，而是希望成为医疗领域的 AI 中枢。这些企业通常采用先从细分场景切入，然后试图凭借产品深度和开发速度抢占市场先机。

• Abridge 与 Highmark Health 合作，将 AI 应用于实时预授权流程；

• Ambience 将业务扩展到收入完整性和医疗编码场景；

• Nabla、Freed、Eleos Health 等在行为健康和康复领域的领先者，则延伸到合规管理和后台收入周期管理模块，构建更全面的 AI 产品组合。

与此同时，电子病历（EHR）巨头也在加快布局。Epic、Oracle Health、athenahealth 等公司最近纷纷推出自有在线记录工具，并将 AI 功能直接嵌入核心平台。

从不同规模医疗机构的工具使用偏好来看，AI 记录工具与 EHR 系统正在形成清晰的场景分工。以 Ambient Scribe 为代表的第三方 AI 记录工具已展现出较强的渗透力，尤其是在大型医疗系统中，使用率已接近 EHR 系统，甚至在部分场景下可与 EHR 原生记录功能相当，表明这类工具在核心临床记录场景中已建立起一定的可信度和临床接受度。

相比之下，在调度与登记、预授权、临床决策支持、患者导航，以及编码与计费等更广泛、跨环节的工作流中，EHR 依然占据明显优势。特别是在门诊机构中，除记录功能外，EHR 在其余六类流程中的使用率均显著领先，反映出医疗机构对一体化平台在流程衔接、数据一致性和合规性方面的持续依赖。

Menlo 的调研显示，现有 EHR 系统依然具有结构性优势：虽然目前约 85%的 AI 收入流向初创公司，但大部分客户更倾向于在已有 EHR 平台上采购 AI 服务。在“在线记录”和“病历审核”环节，初创公司仍有竞争力，而在编码、计费、预授权、排班、临床决策支持和患者导航等环节，客户更信任 EHR 巨头。

这种偏好并非一成不变。如果 AI 初创公司能持续提供更高的效率与经济价值，客户选择可能在未来数年内反转。但当前的数据清楚地表明：现有企业的分销网络与客户关系壁垒仍然极具防御力。

06.

AI Healthcare 未来 3-5 年的关键增长点在哪？

AI 在生命科学领域仍处于研发验证和初步部署阶段

与医疗服务端的即时落地不同，生命科学领域（Pharma/Biotech）的 AI 应用处于“研发验证和初步部署”双轨阶段。多数企业正在探索 AI 在药物研发生命周期中的系统性可行性。

行业调查显示，生命科学企业采用 AI 的重点方向包括：

• 研发数据分析（63%）：自动解析实验与公共数据库，加速特征提取与实验设计；

• 质量与监管（48%）：Veeva、Qualio、Enzyme 等推动自动化合规与文档管理；

• 临床前研究（42%）：Axiom、Vivodyne 等平台加速分子筛选与体外验证；

• 医疗事务与临床试验（约 40%）：Tempus、Unlearn、ConcertAI 等加速试验流程与证据生成。

值得关注的是，66%的制药企业正在开发专有模型，以确保在药物发现中的数据优势与 IP 壁垒。这一趋势反映了行业从“使用模型”向“构建模型”的战略转型。目前已知构建基础生物学模型的代表公司包括：Xaira、Evolutionary Scale、Chai Discovery 等。

这些公司正在尝试构建面向不同生物体系的“通用生物学基础模型（Biology Foundation Models）”，推动药物研发从传统实验密集型向数据驱动型范式转变。

目前，在生命科学领域，AI 应用范围正在超越研发，延伸至制造与商业职能，包括制造流程优化、质量体系监控、监管申报自动化、市场准入与商业化流程，这标志着生命科学行业正进入全流程 AI 化的系统性重构阶段。

医疗健康产业的 AI 时代已经到来

如今 AI 不再只是实验室里的技术概念，而正成为提升效率、改善医疗质量的现实动力。各类医疗服务机构正在亲眼见证 AI 带来的可量化回报：同行快速采用、运营成本显著下降、患者体验明显改善。此外，采购周期也在加速，从过去的 12 到 18 个月缩短到不足 6 个月。换句话说，AI 快速发展的条件已经成熟。

然而，目前约 80%的潜在市场仍未被充分开发。下一阶段的增长动力，将主要来自以下几个方向：

• 服务预算自动化：用 AI 重新设计行政和运营流程，释放人力成本；

• 智能语音与患者交互：构建贯穿诊前、诊中、诊后的智能陪伴系统；

• 事前审批优化：通过 AI 加速支付和审批链条，缩短等待时间；

• 药物研发智能化：借助 AI 基础模型与专有算法，推动药物发现实现跃迁。

这些领域正是 AI Healthcare 的下一个“金矿”，将在未来 3 至 5 年内塑造行业格局。

 排版：夏悦涵