1. 行业背景与发展态势
在老龄化加速、慢病负担加重、优质医疗资源高度集中与供给不足的背景下,中国医疗体系长期面临“看病难、看病贵、看专家更难”的结构性矛盾。与此同时,医疗信息化在过去十余年持续推进,电子病历、HIS、医保结算平台等基础设施逐步完善,为 AI 在医疗场景中的落地提供了数据与算力基础。
自通用大模型兴起以来,以大模型为核心的 AI 医疗应用呈现出从点状试验向平台化、生态化快速演进的趋势:
技术层面,从早期单点算法(影像识别、语音识别、NLP 问答)向多模态大模型和医疗垂直大模型演进;
场景层面,从单一影像/导诊应用扩展至健康问答、慢病管理、医生助手、医保支付与风险控制等多环节;
产业层面,互联网巨头、专业 AI 医疗公司、互联网医院、保险与药企等多方共同参与,竞争格局从“蓝海探索”进入“巨头主导且中小玩家精细化突围”的阶段。
2. 核心判断
结合公开数据与企业访谈,本报告对 AI 医疗应用行业给出如下核心判断:
行业所处阶段:中国 AI 医疗应用整体处于“加速渗透期”,从技术验证逐步转向规模化应用与商业模式探索并行的阶段;健康问答与慢病管理等 C 端场景是当前最快进入用户心智的切入口。
大模型驱动结构性升级:通用大模型显著降低了医疗 AI 产品的开发门槛,但在严肃医疗场景下,医疗垂直大模型仍是核心竞争力来源,需要高质量标注数据与严格的医学评测体系支撑。
入口与数据成为关键资源:医保支付入口、线上问诊平台、长期健康行为数据(运动、睡眠、体征)等将成为 AI 医疗应用的“天然流量池”和高价值训练数据来源,构筑头部平台差异化优势。
行业竞争本质是“数据 × 场景 × 合规”:
数据维度:是否掌握合规、可持续更新的高价值医疗数据;
场景维度:能否占据高频、刚需的用户健康入口;
合规维度:在数据安全、医疗责任、算法透明等方面的体系化能力,直接决定发展上限。
蚂蚁“阿福”等平台具备先发窗口期:凭借医保码支付入口、线上问诊平台及保险理赔数据等多维度数据基础,叠加独立 App 及“健康陪伴”定位,阿福有望在未来 3 - 5 年内持续巩固其在“线上健康咨询第一入口”上的优势,并向诊疗服务与支付环节延伸。
3. 投资主线与关注方向(框架性)
在不针对具体个股的前提下,本报告建议从以下三条主线审视 AI 医疗应用赛道:
综合平台型标的:掌握支付/医保入口或大型互联网入口,叠加自研大模型与医疗垂直模型能力,有望构建“健康操作系统(Health OS)”。
垂直场景解决方案提供商:在影像诊断、专科慢病管理、医院运营优化、医保控费等细分场景具备深厚算法与行业 Know - how 的企业。
医 + 险 + 药协同标的:打通“咨询 - - 诊疗 - - 用药 - - 支付/理赔”闭环,通过 AI 提升全流程效率与体验的综合型医疗健康服务企业。
4. 关键风险提示(概要)
监管与政策不确定性:包括 AI 医疗产品分类监管、数据跨境、算法安全等;
医疗安全与责任界定:AI 输出与医生决策边界模糊可能引发医疗责任争议;
数据合规与隐私保护:医疗数据高度敏感,采集、使用、共享环节监管趋严;
商业化节奏不及预期:用户付费意愿、支付方(医保/商保)认可度存在不确定性;
竞争格局演变:互联网巨头与专业 AI 医疗企业之间的合作与竞争关系仍在重构之中。
二、研究范围与方法
1. 研究范围
本报告聚焦“AI 医疗应用”领域,重点关注:
面向 C 端的健康问答、在线咨询、健康管理与陪伴类应用;
面向 B/G 端的医生助手、医院运营辅助、医保支付和风控等应用;
以大模型为核心的医疗垂直模型及其在上述场景中的落地情况;
典型平台型企业案例,尤其是蚂蚁“阿福”等拥有支付/医保入口与线上医疗服务能力的综合平台。
不涵盖或仅简要涉及 AI 药物研发、AI 医疗机器人等资本密集型、技术周期较长的子领域。
2. 研究方法
文献与数据分析:梳理国内外 AI 医疗相关行业报告、政策文件与公开数据,构建行业规模与增长预测框架;
企业案例研究:重点解析蚂蚁“阿福”从医疗工具向健康陪伴产品的演进路径、模型与数据基础、入口与生态优势等;
专家访谈与管理层交流:参考医疗机构、互联网平台及保险等多方观点,理解行业痛点与落地难点;
对比分析:对比腾讯等其他互联网巨头在 AI 医疗领域的布局,拆解差异化策略与潜在演化方向。
三、行业概览与发展阶段
1. 行业定义与边界
AI 医疗应用是指以人工智能技术(包括但不限于机器学习、深度学习、自然语言处理、多模态大模型等)为核心,嵌入医疗与健康服务全流程的各类产品与解决方案,其目标是:
提升诊疗效率与准确性;
优化患者就医路径与体验;
降低医疗体系整体运营成本;
实现健康管理的“早筛查、早干预、早管理”。
从应用层面可大致划分为:
健康管理与咨询类:健康问答、体检报告解读、生活方式干预、慢病管理、心理健康陪伴等;
诊疗辅助类:智能导诊与分诊、影像/病理 AI 读片、临床决策支持(CDSS)、处方审核等;
运营与支付类:医保/商保风控、智能理赔、医保控费、病案管理、运营分析等;
医生与机构赋能类:医生助手(病历生成、知识检索)、远程会诊辅助、科研数据分析等。
本报告重点聚焦其中与大模型驱动、高频 C 端交互以及支付/医保入口高度相关的应用。
2. 发展历程
中国 AI 医疗发展大致经历以下阶段:
规则引擎与专家系统阶段(至 2015 年前后):以规则库和专家系统为主,系统依赖人工编写规则,扩展性有限。
单点算法突破阶段(2015 - 2020):影像识别、语音识别、NLP 等技术在医疗影像、语音病历录入、问答机器人等场景中开始试点,涌现一批专业 AI 医疗公司。
平台化与云化阶段(2020 - 2023):云计算与大数据平台成熟,AI 能力以 API/SaaS 形式输出到医疗机构与互联网医疗平台,应用范围拓展。
大模型与多模态阶段(2023 至今):通用大模型与医疗垂直大模型快速发展,多模态(文本、影像、结构化数据、可穿戴设备数据等)能力显著提升,AI 医疗从“工具型”向“智能助手/健康伙伴”升级。
3. 市场规模与增长趋势(定性描述)
根据公开行业研究机构测算,中国 AI 医疗行业在政策鼓励和需求扩张的共同推动下,近年保持较高增速:
行业整体规模自 2019 年以来持续增长,年复合增速在 30% 左右;
预计未来数年仍将保持 20% 以上的年均增速,至“十四五”后期有望达到数百亿元规模;
应用层(特别是医疗大数据模型、健康管理与诊疗辅助场景)是增速最快的部分,远高于整体医疗信息化市场增速。
当前市场仍处于快速发展与格局重塑阶段,既有大型互联网平台,也有专业垂直厂商与新兴创业公司并存,集中度有提升空间。
4. 政策与监管环境概览
国家层面政策:多项“互联网 + 医疗健康”“人工智能 + 医疗健康”及“十四五”相关规划鼓励 AI 技术在分级诊疗、远程医疗、辅助诊断等环节应用,同时强调安全可控与合规使用。
标准与监管探索:围绕 AI 辅助诊断、医疗器械注册、算法安全评估等领域正在逐步完善标准和监管框架,部分 AI 医疗产品需按二类/三类医疗器械审评。
数据安全与隐私保护:数据出境、个人信息保护、重要数据分类分级等法规不断完善,对医疗数据的采集、使用和共享提出更高要求;医保与卫健系统对数据开放采取“有限授权、闭环使用”的审慎态度。
医保与支付政策:医保支付方式改革、DRG/DIP 等付费方式推行,为 AI 在医保控费、智能审核、理赔风控等场景创造应用空间。
总体看,政策层面对 AI 医疗持“积极鼓励 + 审慎监管”的态度,规范化与场景落地将是未来数年的主线。
四、技术与产品形态分析
1. 医疗大模型技术路径
在大模型浪潮下,医疗 AI 技术路径主要分为两类:
通用大模型 + 医疗知识增强:在通用大语言模型基础上,通过检索增强(RAG)、医疗知识图谱等方式增强医疗领域的专业能力,优点是通用性强、迭代快,但在严肃医疗场景下的稳定性与可靠性仍需验证。
医疗垂直大模型:以医疗问诊记录、病历文本、影像与检查报告等数据为主进行预训练或精调,辅以严格的医学标注与评测体系,能够在专业性、幻觉控制、回答边界把握等方面表现更优,更适合承担“健康咨询第一入口”与医生助手角色。
蚂蚁“阿福”即属于第二类路径:在通用模型能力之上,叠加医保支付数据、线下就诊记录、线上问诊对话及保险理赔数据等进行垂直精调,使其在医疗问答的准确性与收敛性方面优于通用模型,同时降低“瞎联想”“过度推断”的风险。
2. 核心技术指标与能力要求
医疗场景对 AI 的要求显著高于通用消费场景,主要体现在:
专业准确性:在医学考试、临床问答、指南匹配等评测体系中达到较高通过率;
稳定性与安全边界:对不确定问题保持审慎态度,必要时明确建议“就医检查”,避免过度诊断或不当建议;
幻觉控制能力:尽可能减少编造信息,对事实不确定部分进行标注或提示;
多模态理解能力:能同时理解文本、结构化检验数据、影像、处方及可穿戴设备采集的生理数据,并输出综合判断;
可解释性与追溯能力:给出基于指南或文献的参考依据,形成基本的“可解释 AI”;
工程化与算力效率:在保证医疗质量的前提下,实现低延时、高并发的服务能力,以适应 C 端高频使用。
3. 主要产品形态
当前 AI 医疗应用在产品形态上主要表现为:
健康问答与搜索替代
面向大众用户,解决“头疼脑热”“体检报告解读”等日常健康问题;
目标是成为用户第一时间求助的健康入口,替代传统搜索引擎中大量广告与噪音信息。
智能导诊与分诊
基于症状信息推测可能的科室与疾病风险等级,给出就诊建议;
在互联网医院与医院官方 App 中广泛使用,减轻线下挂号与分诊压力。
健康管理与陪伴
深度连接可穿戴设备和健康 App,采集步数、心率、血压、血糖、睡眠等数据;
通过目标设定(如减重、改善睡眠、缓解焦虑)+ 任务打卡 + AI 对话的方式,提供持续干预与陪伴,提升用户粘性与付费转化潜力。
医生助手与临床支持
为医生提供病历自动生成、文献与指南检索、临床路径建议等服务;
在提高单个医生服务效率、减少文书工作负担方面具有明显价值。
医保/商保风控与智能理赔
利用 AI 对理赔申请、处方、费用明细等进行结构化处理与异常识别;
支持医保控费、商保风险控制与“直赔”场景下的实时风控,降低欺诈与滥用。
影像与病理 AI
在肺结节、乳腺癌、眼底病变等领域已有成熟产品,并进入指南或医保支付试点;
正与大模型能力结合,形成“影像 + 文本 + 结构化数据”的综合诊断支持。
五、案例分析:蚂蚁“阿福”等头部平台
本章节结合企业访谈内容,对蚂蚁“阿福”的技术路径、数据基础、入口优势与商业化规划进行系统分析,并与腾讯等其他互联网巨头进行对比。
1. 产品与组织演进:从医疗工具到健康伙伴
早期布局:支付与挂号入口
自约 2013 - 2014 年起,支付宝以线上挂号、缴费切入医疗场景,打通与线下医院挂号系统与医保结算账户,为后续医保支付与健康服务积累基础设施与数据。
初期健康业务界面及相关运营 largely 由阿里健康代运营,蚂蚁自身团队以支付基础设施与技术支持为主。
自营团队建设与收回运营权
自 2019 年起,蚂蚁逐步组建独立健康业务团队,开始从“全盘代运营”向“部分自营 + 合作”过渡;
2023 - 2024 年进一步明确自营规划,逐步将重要用户触点与运营权收回至蚂蚁健康事业群。
能力补齐:收购好大夫与自营药房
收购国内头部线上问诊平台好大夫在线,获得约 40 万医生资源及海量线上问诊对话与病例数据;
自建自营药房“胡金大药房”,补齐问诊与用药端闭环能力,与原有的支付与保险业务协同。
品牌升级:从 AQ 到“蚂蚁阿福”
初始版本以“AQ”品牌以医疗工具定位,核心功能为健康问答、体检/检查报告解读、药品说明书识别等;
运营数据表明仅“工具型”定位难以支撑高频使用与长期留存,用户“用完即走”;
品牌升级为“蚂蚁阿福”,引入拟人化 IP 形象,强调“AI 朋友”“健康陪伴”,目标从“解决单次问题”升级为“长期健康伙伴”。
2. 模型与数据基础:医疗垂直模型的差异化优势
基座模型:百灵大模型 + 外部开源能力
阿福基于蚂蚁自研“百灵大模型”构建,该模型为通用大模型,底层吸收了 DeepSeek 等开源模型能力,并结合通义千问等模型优势;
在此基础上,通过医疗垂直领域的大规模精调,形成专门面向医疗健康场景的阿福垂直模型。
核心训练数据来源阿福医疗垂直模型的优势,主要来自多维高质量数据源的组合:
通过蚂蚁保这一大型线上健康险销售平台获取的理赔数据,覆盖数千万保险用户;
理赔过程中需调取医院就诊记录与检查报告,这些数据在合规前提下用于模型训练,有助于模型理解疾病进程与费用结构。
收购好大夫在线后,阿福可直接利用其积累的医生资源与线上问诊数据;
海量真实医患问答与诊疗建议为模型提供高质量语料,有助于提升症状问询、诊疗路径建议等能力。
自 2013 年接入医保在线结算以来,支付宝成为医保码使用的主入口之一;
当前约 90% 的线上医保码扫码支付通过支付宝完成,约 10% 通过微信,蚂蚁在医保入口的用户覆盖与数据量上具备明显优势;
医保码注册用户规模已达数亿量级,每日产生数百万次医保支付数据,为疾病谱、就医行为与费用结构建模提供基础。
医保支付与挂号数据:
线上问诊与医患对话数据:
线下就诊记录与保险理赔数据:
模型表现与相对优势
与通用大模型相比:阿福在医疗问答的准确性、回答稳健性以及对“边界”的把握上表现更优,更少出现“天马行空”的联想与不负责任的诊断;
与 C 端通用 AI 助手相比:在疾病识别、用药说明解读、检验指标解释等专业问题上答案更加严谨,且有更强的结构化能力,便于后续业务流转(如导向问诊、推荐科室、生成就医建议)。
3. 功能升级与产品策略:从“工具”到“陪伴”
早期工具型能力
健康问答与疾病咨询;
体检、检验报告与医学影像初步解读;
药品识别与说明书解读(支持拍照识别药盒、查看核心用药信息等)。
用户行为洞察与定位调整
早期运营数据显示,用户在工具型产品上的使用频次与留存度有限,多为“临时性使用”;
若无法构建长期陪伴关系与用户资产沉淀,将不利于后续商业化与生态价值释放。
健康陪伴能力升级
提升用户使用频次与留存,形成长期陪伴关系;
在用户的健康数据与行为数据持续累积的基础上,为未来的精准服务与商业化打下基础。
引入“设置目标”模块,支持减重、改善睡眠、缓解焦虑等多种健康目标;
结合目标拆解任务与周期性计划,定期提醒并通过对话激励用户坚持执行。
接入手机与可穿戴设备数据,包括步数、站立时长、心率、血氧、血糖等健康指标;
阿福基于这些数据给出个性化建议,并通过对话形式进行互动与反馈。
接入多源健康数据:
目标管理与任务系统:
产品目标:
4. 与腾讯健康等的对比:模型能力与入口之争
模型能力对比
腾讯拥有自研“元宝”等大模型,并同样引入 DeepSeek 等开源能力;
从基座大模型能力看,蚂蚁与腾讯在通用层面差异有限,关键在于垂直领域精调数据与评测体系的差异。
数据与场景入口对比
蚂蚁通过收购好大夫在线形成自营的线上问诊平台,可直接利用其医生资源与数据;
腾讯更多以参股或合作方式布局互联网医院,缺少完全自营的平台,在数据闭环与场景控制力上略逊一筹。
线上医保支付的主入口集中在支付宝与微信两端,但医保码扫码支付中支付宝占比更高,形成自然数据优势;
医保支付场景具有极高的刚性与频率,且用户迁移成本较高,一旦形成习惯,替代难度大。
医保入口:
线上问诊与医疗服务:
产品定位与入口策略差异
腾讯健康 AI 更多嵌入主 App(微信等)的生活服务体系,医疗健康仅为众多场景之一;
阿福则定位为独立的健康咨询入口与 App,目标是“线上健康咨询第一入口”,并明确提出要在用户心智中替代传统搜索引擎的健康问答功能。
这种差异意味着:蚂蚁在健康场景中采取“专门入口 + 生态平台”战略,而腾讯更偏向“超级 App 内嵌场景”的综合战略,两者在未来可能形成互补又竞争的格局。
5. 与阿里健康的关系与协同
股权与定位关系
阿里健康与蚂蚁在资本层面存在股权关联,但阿福所在的蚂蚁健康事业群为独立运营实体;
阿福聚焦线上健康咨询、问诊与健康管理等“前台”用户入口与服务;
阿里健康更多扮演药品供应链、O2O 配送与部分消费医疗渠道的角色,是在业务层与供应链层面的互补。
合作边界
在蚂蚁自营药房未覆盖或不适宜自营的药品品类与 O2O 场景,阿福可与阿里健康在底层供应链与配送网络层面合作;
日常运营与产品规划层面,两者已基本实现独立,避免内部业务冲突。
6. 医保入口与“商保码”构筑的长期壁垒
医保数据接入模式
一类来源为国家医保局及各地医保局直接授予的接口权限,此类数据使用严格限定于授权主体(如蚂蚁),不得向参股/控股公司外溢;
另一类来源为各地医保局设立的“三产”公司(具备数据服务资质的第三方机构),后者可在合规框架下向如蚂蚁等市场主体提供数据服务,该部分数据在商业合作中相对灵活。
医保入口的竞争壁垒
医保部门出于成本与安全考虑,不可能与过多企业分别对接支付入口,入口数量天然有限;
经过多年建设与用户习惯养成,医保码扫码支付在支付宝端已经形成强路径依赖;
预计在未来 3 - 5 年内,除非出现技术与政策层面的重大变革,医保入口格局仍将维持相对稳定,蚂蚁在此环节具备稳固优势。
“商保码”一体化支付的延展空间
在医保码基础上,蚂蚁正探索“商保码”能力,即在医院端一次扫码即可同时完成医保与商保支付;
该模式若能规模化落地,将进一步提升用户对支付宝医保入口的依赖度,并为商业健康险与增值服务导流,强化“医 + 险 + 支付”的协同效应。
7. 推荐机制与生态公平性
用户咨询结构
当前约 80% 咨询为一般健康问题,20% 为严肃医疗问题;
严肃医疗问题往往涉及医院与医生推荐,敏感度高。
推荐机制设计
医院推荐:更多依托第三方权威榜单(如复旦医院排行榜等)与地理位置等因素,形成相对客观的推荐逻辑,避免过度商业化导向;
医生推荐:在进入付费问诊等商业化环节时,会优先推荐与好大夫等合作平台的医生,这是商业合作与生态建设的合理体现。
整体上,阿福在严肃医疗场景下强调以权威榜单与专业能力为主导,辅以合作生态,力图平衡商业化与公信力,以避免用户对“广告化推荐”的担忧。
8. 商业化路径展望
虽然当前阿福仍处于以用户增长与心智占领为主的阶段,但中长期商业化路径大致清晰:
C 端增值服务
健康管理会员:提供更深度的体检解读、个性化健康计划、专属 AI 专家分身等;
心理与睡眠服务:结合 AI 陪伴与专业咨询,形成差异化付费产品。
医疗服务导流与分润
向线上问诊、专科门诊、体检与消费医疗场景导流,获得平台服务费或技术服务费;
基于 AI 能力为合作医院提供导诊、随访、慢病管理工具,收取 SaaS 服务费。
医保与商保合作
为医保部门提供智能审核、费用控费、疾病风险分析等服务;
与商业保险公司共建直赔网络和精算模型,提升风控与运营效率。
硬件与具身智能探索(展望)
通过与医疗设备厂商联合,将 AI 能力嵌入血压计、血糖仪等家用设备;
未来有望在家庭健康场景中形成“软硬一体”的健康管理入口。
六、产业链与竞争格局
1. 产业链结构
从纵向看,AI 医疗应用产业链可分为:
上游:基础设施与核心技术
算力与云服务:提供大模型训练与推理所需算力;
基础模型与算法框架:通用大模型、开源模型及算法工具;
医疗数据与知识库:电子病历、医嘱、影像、结构化检查数据及医学指南与文献库。
中游:平台与解决方案提供商
综合平台型:如蚂蚁、腾讯、平安等,依托支付/金融/互联网入口,构建综合健康服务平台;
垂直 AI 医疗公司:聚焦影像、病理、专科 CDSS、医院运营等细分领域;
互联网医院与数字医疗平台:作为应用载体接入 AI 能力,输出给患者与医生。
下游:应用场景与终端用户
公立医院与基层医疗机构:引入 AI 以提升诊疗效率与服务能力;
保险与医保机构:利用 AI 进行风控、理赔审核与健康管理;
广大居民与慢病患者:通过 AI 应用获得健康咨询与长期管理服务。
2. 竞争格局概览
互联网巨头主导入口层
支付与社交入口高度集中在少数平台,支付宝与微信在医保支付与日常支付中占据绝对优势;
这些平台天然拥有高频触达能力,是 AI 健康应用最有潜力的分发入口和用户经营阵地。
专业 AI 医疗公司的深耕优势
在影像、病理、专科 CDSS 等专业场景中,垂直公司拥有深厚医学与算法积累,形成差异化壁垒;
与大型平台存在“竞合关系”:一方面输出能力给平台,另一方面在部分场景与平台自研能力竞争。
AI 医疗应用的区域与机构差异
一线城市与大型三甲医院在信息化基础与应用意愿上领先,有利于新技术试点;
三线以下城市与基层医疗机构则在医疗资源与专业医生不足方面更为突出,对 AI 辅助能力的边际价值更高,为 AI 医疗应用提供重要的增量市场。
3. 主要参与者与业务进展(按产业链划分)
(1)上游:算力 / 云平台与基础大模型提供商
阿里云 / 通义千问(含医疗垂直):与微医等合作共建医疗垂类大模型和全流程智能体,“人工智能总医院”“城市级 AI 数字健共体”等项目正在推进,逐步成为多地医疗 AI 基础设施的重要一环。
华为云 / 盘古大模型:依托昇腾 AI 算力和盘古大模型,在药物研发、智慧医疗、基因测序、临床研究、中医药等五大场景推出解决方案,并在多省市试点落地。
百度智能云 / 文心医疗版:面向影像诊断、临床决策支持和基层医疗赋能推出“文心医疗大模型”,在部分三甲与基层医院联合开展肺结节、肿瘤等场景的前瞻性应用探索。
科大讯飞 / 星火医疗大模型:基于讯飞星火大模型迭代“星火医疗”能力,并通过“讯飞晓医”等应用进入 C 端健康咨询与 B 端医疗机构场景,近期在政企与医疗民生项目中持续中标,强化在“AI + 医疗民生”场景的覆盖。
其他技术提供商:包括商汤科技、依图科技等在医疗影像算法与多模态识别方面具备深度积累的厂商,为中游平台和医院提供底层算法、SDK 或模型服务。
(2)中游:平台型与垂直解决方案提供商
蚂蚁集团(蚂蚁阿福 + 好大夫 + 蚂蚁保):
依托支付宝医保支付入口,连接全国大规模医保码用户,是线上医保扫码支付的主要入口之一;
通过收购好大夫在线获得数十万医生与海量问诊数据,叠加蚂蚁保健康险理赔数据,构建医疗垂直大模型与健康咨询第一入口;
近期重点发力“健康陪伴”,在体征采集、目标管理、心理与睡眠等高频场景上快速放量,月活用户已达千万级,并持续探索“医 + 药 + 险”闭环。
腾讯健康:
以“混元大模型 + 医疗垂类模型”为底座,推出健康管理助手、AI 临床助手、影像 AI 等系列产品;
在全国数千家医疗机构落地 AI 导辅诊、影像辅助诊断、重症医学大模型等解决方案,并与北京协和、罗湖医疗集团等开展深度合作;
通过微信 / 腾讯健康小程序等入口,将 AI 服务嵌入日常就医流程,强化 C 端导流与 B 端服务能力的一体化。
平安好医生(平安健康):
以“7+N+1”AI 医疗产品矩阵切入全场景医疗服务,推出“安主任”“平安芯医”等 AI 产品;
在复杂疾病管理、家庭医生服务、企业健康管理等场景落地,形成自有医疗垂直模型 + 线下医疗网络的闭环;
已实现盈利,AI 产品在提升诊疗效率、提高人次与转化率方面贡献突出。
京东健康:
依托电商与药房资源,重点布局“AI 医院”“AI 药师”等场景,打通导诊、问诊、检验、购药的在线流程;
通过 AI 智能体为用户提供用药指导、慢病随访与健康管理服务,强化医药电商与医疗服务协同。
微医:
作为老牌互联网医疗平台,与阿里云共建基于通义千问的医疗大模型与全场景智能体;
在“人工智能总医院”“城市级 AI 数字健共体”等项目中承担平台与解决方案角色,连接全国大量医院和医生资源。
垂直 AI 医疗解决方案公司(代表):
推想医疗:专注胸肺、冠脉等影像 AI,产品在国内外 2000 + 医疗机构落地,并在基层社区卫生中心广泛部署,支撑分级诊疗和早筛;
数坤科技:聚焦心脑血管影像 AI,围绕 CT / MR 等检查构建智能分析系统,与多家三甲医院联合开展心脑血管早筛和术前规划项目;
医渡科技、卫宁健康、东软医疗等:在医疗大数据平台、医院信息化与运营分析等领域深耕,将 AI 能力嵌入病案管理、病例质控、运营分析等系统,为公立医院提供一体化解决方案。
(3)下游:医疗机构、保险与政府客户
公立医院与医联体:
三级医院:以协和医院、华西医院等为代表的三甲医院,率先在导诊、临床决策支持、影像 AI 等环节试点大模型应用;
城市医联体与基层机构:如罗湖医疗集团、各地社区卫生服务中心等,通过引入推想医疗、腾讯健康等 AI 解决方案,提升基层诊断能力,推动“小病不出社区、大病有序转诊”。
保险与医保机构:
商业保险公司(如平安、人保、太保、众安等)在智能核保、理赔审核、疾病风险评估与增值健康管理服务中广泛引入 AI 医疗能力;
各级医保局在 DRG / DIP 支付改革、费用控费、智能审核等项目中,逐步与平台型企业及垂直解决方案商合作,试点基于大模型的数据分析与风控能力。
地方政府与公共卫生机构:
多地在“数字健共体”“智慧医疗”“AI 医保风控平台”等项目中,引入阿里云、华为云、微医、科大讯飞等企业的医疗 AI 能力;
项目重点围绕城市级居民健康档案整合、慢病管理、公共卫生监测与基层医疗能力提升展开,为上游与中游厂商提供规模化落地场景。
在此格局下,蚂蚁“阿福”等平台通过“支付/医保入口 + 医疗数据 + 自营/合作互联网医院”,有望在普惠医疗与基层健康管理方面发挥更大作用。
七、商业模式与盈利路径
1. C 端:从免费工具到付费服务
初期以免费健康问答与工具服务快速积累用户与数据;
随着用户粘性提升与健康数据沉淀,逐步推出会员订阅、定制化健康管理方案、心理服务等付费服务;
通过“轻付费 + 高频使用”模式,形成可持续的 C 端收入来源。
2. B/G 端:SaaS 与合作项目
面向医院:提供导诊、随访、医生助手等 SaaS 化产品,按机构规模或使用量计费;
面向保险与医保:提供智能审核、风险评分、疾病预测等能力,以项目制或长期服务协议形式收费;
面向药企:提供真实世界数据分析、患者管理工具等。
3. 平台协同与交叉变现
通过 AI 健康入口向互联网医院、药房、电商、保险等业务导流;
在合规前提下利用健康数据做人群分层与风险识别,提升保险与医疗服务的定价精度与运营效率;
构建“用得越多 - - 数据越好 - - 服务越精准 - - 变现效率越高”的正向飞轮。
八、关键成功要素与行业壁垒
1. 数据资源与质量
高质量、结构化、标注完备的医疗与健康行为数据是医疗大模型能力的根本;
医保支付数据、线上问诊记录、理赔数据与可穿戴设备数据等在规模和真实性方面具有独特优势;
数据获取必须严格遵守监管要求,建立完善的数据治理与脱敏机制。
2. 高频入口与用户心智
医保支付入口、支付 App、社交 App 与医院官方渠道是当前最重要的健康服务入口;
占据高频入口并在用户心智中形成“有健康问题就来这里问”的路径,是平台型企业构筑长期壁垒的关键;
独立 App 与超级 App 内嵌双策略并存,将是未来主流格局。
3. 医疗安全与合规体系
包括医学专家团队、临床验证体系、不良事件监测与应急预案;
清晰的 AI 使用边界与医生角色定位,确保人机协同而非替代医生;
符合监管要求的算法备案、日志追踪与可解释机制。
4. 医疗生态与业务协同能力
与三甲医院、权威专家团队、地方卫健/医保部门建立稳定合作关系;
打通问诊、用药、检查、支付、理赔等业务链路,实现线上线下一体化服务;
在此基础上构建多方共赢的商业模式,吸引生态伙伴长期参与。
5. 技术迭代与工程化能力
持续迭代大模型能力,跟踪最新算法与多模态技术进展;
确保在大规模并发与低时延场景下保持稳定服务质量;
建立自动化评测与灰度发布体系,降低新版本上线风险。
九、风险分析
监管政策变动风险
若未来对 AI 医疗产品的准入门槛、审批路径或数据使用规则显著收紧,可能对部分应用场景的落地与商业化产生阶段性冲击。
医疗安全与责任风险
AI 参与诊疗建议可能带来错误引导风险,如未设置清晰边界,可能引发医疗责任纠纷与舆情风险;
特别是在严肃诊疗场景下,AI 输出需始终强调“仅作参考”,并引导用户就医。
数据安全与隐私风险
医疗与健康数据的泄露、滥用或不当共享,将对企业声誉与合规产生重大影响;
与第三方数据合作若边界不清晰,可能带来监管合规隐患。
商业化不及预期风险
C 端用户对健康服务付费意愿有限,B/G 端客户决策周期长,可能导致收入确认慢、回收期长;
若无法在合规前提下充分释放数据价值,商业模式可能难以支撑长期高投入。
竞争加剧与技术替代风险
新一代更强的大模型与海外产品可能带来技术替代压力;
行业内玩家众多,价格竞争和同质化风险加剧,平台与垂直公司间的边界可能持续重构。
十、结论与投资启示(框架性)
赛道价值:AI 医疗应用兼具社会价值与商业价值,是数字医疗与大模型落地的重要方向之一,具有中长期成长空间。
发展节奏:未来 3 - 5 年将是从“技术试验”向“规模化落地与商业化探索”的关键窗口期,头部平台与具有深厚医疗资源的企业有望率先破局。
平台机会:以蚂蚁“阿福”为代表的平台型企业,依托医保入口、线上问诊与保险业务的数据与场景优势,有机会在“健康咨询第一入口”上形成较强护城河,并向诊疗、用药与支付闭环延伸。
配置思路:
关注具备“入口 + 数据 + 合规 + 医疗资源”综合优势的平台;
关注在关键细分场景(影像、专科慢病管理、医保控费等)具备突出能力的垂直公司;
关注医、药、险协同能力强、能构建完整服务闭环的综合健康服务企业。
附录一:AI 医疗应用重点上市公司梳理表
说明:本表以“可投资”“已上市/港股/美股”为筛选条件,聚焦与 AI 医疗应用、数字医疗和医疗信息化高度相关的代表性公司,供投资研究参考。具体投资建议仍需结合公司财报、估值与风险偏好另行论证。





注:为避免触及具体投资建议,本表未对个股给出估值与评级,更多作为“赛道 - 环节 - 代表公司”的结构化梳理。实际配置时需结合宏观环境、监管节奏、公司治理与财务表现综合考量。


