夜雨聆风《医疗器械简史》第六章 公司诞生于时代的伤口
第7节：AI浪潮下的革命性问题
本节任务
面向未来。AI不是医疗器械的一个新功能，它可能是一个新物种。写清AI+医疗器械面临的革命性问题（技术/监管/产业三个层面），以及中国在这一领域的独特优势和结构性挑战。不展开第十一章”算法权威与判断权”的内容，只聚焦”AI如何改变器械公司的生长逻辑和竞争结构”。
与前后节的接口
承接第6节：中国企业的崛起正在遇上AI浪潮。 本节往下递：无论技术怎样进化，最终的问题仍然是”谁有权定义问题”——第8节收束。
正文展开
前六节描述的医疗器械产业，无论多复杂，都共享一个基本假设：器械是硬件。它是一台CT扫描仪、一根冠脉支架、一套监护仪或一副人工耳蜗——物理实体，有重量，有尺寸，有材料清单，有确定的功能边界。你可以把它拆开看每一个零件。它在出厂那天的性能，和它十年后的性能，除了老化磨损之外没有本质区别。监管机构审批的是这台硬件，医院采购的是这台硬件，患者体内植入的也是这台硬件。
AI正在从根基处动摇这个假设。
性质改变：从看见到判断
一台传统CT扫描仪的功能边界是清晰的：它采集X线衰减数据，经过图像重建算法生成断层影像，然后由放射科医师阅读影像并做出诊断判断。器械负责”看见”，人负责”判断”。两个角色有明确的分工线。
当AI进入这条工作链之后，分工线开始模糊。
一款FDA获批的肺结节检测AI——比如Viz.ai的胸部CT分析软件——不只是帮助放射科医师”看得更清楚”。它在影像生成的瞬间就自动标注疑似结节的位置、大小和形态学特征，计算恶性概率，并在紧急情况下直接触发工作流预警——通知胸外科或肿瘤科医生关注这个病例。在这个过程中，AI做的不再是”看见”，而是”判断”——它在用一个经过数百万例训练数据训练出来的统计模型，做出”这个结节有多大概率是恶性的”这个临床判断。
类似的性质改变正在多个领域同时发生：
脓毒症预测——AI系统可以从ICU监护仪的实时数据流中（生命体征、实验室检验值、用药记录）识别脓毒症发生前4-8小时的特征模式，在临床医生凭经验能够觉察之前就发出预警。器械从”记录正在发生什么”变成了”预测即将发生什么”。
心电AI——深度学习算法可以从12导联心电图中识别出人眼无法发现的心律失常特征——例如阵发性房颤发作间期的隐匿性结构异常。这些发现不是”把已知的东西看得更清楚”，而是”看到临床医生从未知道存在的东西”。
影像重建AI——GE的AIR Recon DL、西门子的Deep Resolve和飞利浦的SmartSpeed不是在影像之后做分析，而是在影像生成的过程中用深度学习替代传统数学重建算法。它们缩短了MRI的扫描时间、降低了CT的辐射剂量、提高了低剂量影像的信噪比。这意味着AI改变的不只是诊断流程，而是数据采集本身的物理参数。
这些变化的共同特征是：器械从”采集数据的硬件”变成了”做出判断的系统”。 这不是渐进式改良——给CT加一个辅助功能、给监护仪加一个报警算法。这是性质改变：过去器械替人看见，现在器械替人判断。在”看见”的时代，判断的责任清晰地归属于人类医生。在”判断”的时代，责任的归属变得模糊——如果AI的判断是错的，是算法开发者的责任、医院的责任、还是决定使用该AI的医生的责任？
技术层：四个未解决的工程问题
AI在医疗器械中的嵌入面临四个相互关联的技术难题，每一个都不只是工程问题，同时也是商业问题。
数据标注质量——医疗AI的训练依赖于带有临床标注的大规模数据集。但”临床标注”本身就是一个充满噪声的过程：不同放射科医生对同一张CT上的同一个结节可能给出不同的标注——是良性还是恶性、边界在哪里、分期是什么。标注的不一致性直接转化为模型的不确定性。高质量标注需要资深专科医师投入大量时间，成本极高。这意味着训练数据本身就是一种稀缺资源——谁拥有大规模、高质量、标注一致的临床数据集，谁就在AI开发中占据结构性优势。
算法可解释性——深度学习模型本质上是”黑箱”（black box）：它可以告诉你结果（”这个结节恶性概率82%“），但无法以人类可理解的方式解释推理过程（”因为结节的毛刺征、胸膜牵拉和磨玻璃密度在训练数据中与恶性高度相关”）。对于消费互联网来说，黑箱是可以接受的——推荐算法出错的后果是看到一条不感兴趣的视频。对于医疗决策来说，黑箱是危险的——一个无法解释的判断可能导致不必要的手术或错过必要的治疗。NMPA自2023年起要求AI器械注册申报中附带”可解释性附件”，FDA也在2024年发布了机器学习器械透明度指导原则。但可解释性在技术上仍然是一个开放问题——越复杂的模型通常性能越好，但也越难解释。
多中心泛化——一个在北京三甲医院的CT数据上训练出来的肺结节检测模型，在应用到西部县级医院的CT数据上时，性能可能显著下降——因为CT设备型号不同、扫描参数不同、患者群体的疾病谱不同、甚至影像科的窗宽窗位设置习惯不同。这种”域漂移”（domain shift）是AI从实验室走向真实世界的最大技术障碍之一。医疗AI不是一个”训练一次、全球部署”的产品——它需要在不同的临床环境中持续验证和适配。
算法偏见——如果训练数据主要来自某一种族、某一性别或某一地区的患者，模型在其他人群上的表现可能系统性地更差。皮肤病变检测AI在深肤色人群上的准确率显著低于浅肤色人群——因为训练数据中深肤色样本严重不足。脉搏血氧仪的算法在深肤色患者身上的测量偏差——高估血氧饱和度——已经被FDA明确标记为需要解决的安全问题。算法偏见不是偶然的技术缺陷，而是训练数据中社会不平等的数学化表达。它意味着AI在”替人判断”的同时，也在复制甚至放大人类社会中已有的系统性偏差。
这四个问题中的每一个都不只有技术维度——它们都直接影响商业可行性。数据标注的高成本抬高了进入门槛，有利于拥有数据资产的大型机构。算法不可解释性降低了临床医生的信任度，延缓了医院的采购决策。域漂移增加了产品部署的边际成本——每进入一个新的临床环境都需要额外的验证和适配工作。算法偏见则可能引发监管风险和法律责任——如果一个AI产品对特定人群系统性地表现更差，它可能面临类似DePuy ASR案的产品责任诉讼。
监管层：为一个不断变化的物体立法
传统医疗器械的监管逻辑建立在一个前提上：你审批的那个东西，和患者最终使用的那个东西，是同一个东西。一台CT扫描仪在获得510(k)批准时的性能，和它装机运行后的性能，是一样的（假设正常维护）。
AI打破了这个前提。一个基于机器学习的诊断算法可以——而且被设计为应该——随着接收到更多数据而不断学习和更新。更新后的算法和审批时的算法不是同一个东西：它的参数变了、权重变了、在某些边界情况下的输出可能也变了。
这产生了一个根本性的监管悖论：如果每次算法更新都需要重新审批，那么持续学习的优势就被监管周期完全抵消——等到新版本审批通过时，又有更新的版本需要审批了。如果不需要重新审批，那么监管机构实际上批准的是一个它没有检查过的产品。
FDA对这个悖论的回应是”预定变更控制计划”（Predetermined Change Control Plan, PCCP）。PCCP允许制造商在初始提交中预先说明算法未来可能的修改类型、修改的边界条件和验证方法。如果实际修改落在预先批准的范围内，制造商无需重新提交。2025年，约10%的AI器械510(k)批准包含了PCCP。
中国NMPA的路径有所不同。NMPA在2021年发布了AI医疗器械的分类指导原则，2023年又发布了六项针对特定品类（影像超声、病理图像、MRI软件等）的细化指导文件。2025年发布的第63号公告进一步简化了”核心算法未变更”情况下的变更注册流程。但NMPA目前尚未引入与PCCP完全对等的机制——对于持续学习型算法的监管框架仍在探索中。
截至2025年底，FDA累计批准了1451款AI/ML医疗器械，年度批准数量从2020年的不到100款增长到2025年的295款。其中约76%集中在放射学领域。中国NMPA截至2025年中累计批准了154款AI医疗器械，年度批准从2020年的9款增长到2024年的45款。两组数据的对比揭示了一个事实：AI器械的监管审批正在全球范围内加速，但批准的速度远远快于临床采纳和支付覆盖的速度。
这就引出了监管层的第二个关键问题：责任归属。 当AI辅助诊断系统给出一个错误判断——例如漏诊了一个恶性结节——谁承担责任？是开发算法的公司？是决定在本院部署该算法的医院管理层？还是在临床实践中采纳了AI建议的放射科医生？
现有的医疗事故法律体系是围绕”人类决策者”建立的：医生有注意义务，医院有管理责任，器械制造商有产品责任。但当AI介入决策链条后，”谁做了决策”这个问题本身变得模糊。如果医生依赖了AI的建议并且AI是对的，没有人会追问责任链。但如果AI是错的，责任的追溯就变成了一个法学和伦理学难题——尤其当AI的决策过程是”黑箱”的，连开发者自己也无法完全解释为什么模型在这个特定病例上给出了错误输出。
这个问题至今没有任何国家的法律体系给出完整的答案。但它不是一个可以等待的学术问题——它正在实际影响企业的商业决策：对责任风险的担忧是医院拒绝采购AI产品的最常见原因之一。
产业层：巨头嵌入 vs 原生物种
AI对器械产业竞争结构的冲击，集中体现在两种截然不同的企业形态之间的角力。
传统巨头的AI嵌入策略——GE HealthCare、西门子Healthineers和飞利浦采取的是”平台嵌入”路径：在已有的硬件平台上叠加AI能力层。
GE的Edison平台是这个策略的典型代表。Edison不是一个独立的AI产品——它是一个开放架构的数字平台，允许GE自研的AI应用和第三方AI算法在GE设备上运行。GE拥有全球超过400万台设备的装机基数，每一台设备都是Edison平台的潜在终端。这意味着GE不需要从零建立AI产品的分销渠道——它的硬件装机基数本身就是最大的AI分发网络。
西门子Healthineers的AI-Rad Companion和Philips的HealthSuite遵循类似的逻辑：利用已有的硬件生态系统作为AI部署的载体，将AI从”独立的软件产品”变成”嵌入硬件工作流的增值功能”。
这种策略的商业优势是显而易见的：它把AI从一个需要独立销售、独立定价、独立获取报销的”产品”，变成了一个可以打包在硬件或服务合约中的”功能”。医院不需要单独采购一个AI软件——它在购买GE的CT时，AI辅助功能作为软件包的一部分已经包含在内。这大大降低了AI产品面临的”谁为AI买单”的商业难题。
AI原生公司的进入策略——与之相对的是一类新的参与者：从AI技术出发、试图进入医疗器械市场的原生AI公司。在中国，数坤科技、推想科技、鹰瞳Airdoc、联影智能等是这类企业的代表。在全球范围内，Viz.ai、Aidoc和Tempus等公司走的是类似路径。
这些公司面临的核心商业挑战是：它们没有硬件装机基数。 一个纯软件的AI诊断产品需要自己建立销售渠道、自己获得监管批准、自己争取支付覆盖、自己说服医院采购——它必须独立穿过第3节描述的六道门中的每一道。而传统巨头的AI产品可以搭便车——借助已有的硬件销售渠道、已有的医院客户关系和已有的服务合同。
这种不对称的竞争结构产生了一个产业层面的根本问题：AI在医疗器械领域的商业价值，最终会被硬件平台捕获还是被算法开发者捕获？
到目前为止，证据倾向于前者。AI原生公司普遍面临营收困境：它们获得了监管批准（NMPA已批准的154款AI器械中，大量来自独立AI公司），但医院的采购意愿有限——因为独立AI软件缺乏明确的报销编码，医院不清楚如何为这类产品定价和付费。在美国，绝大多数FDA批准的AI器械尚未获得稳定的Medicare报销覆盖。在中国，AI辅助诊断软件尚未被纳入医保支付目录。
这意味着AI原生公司面临一个与Kolff在1940年代面临的问题惊人相似的困境：技术已经被证明是有效的，但把技术变成可持续商业模式的基础设施——支付体系、报销编码、采购流程——尚未就位。不同的是，Kolff等待了三十年直到1972年Medicare ESRD法案建立了透析的支付基础。AI原生公司没有三十年可以等——它们的VC投资者通常要求在5-7年的基金周期内看到退出。
中国在AI+器械领域的特殊位置
第6节描述了中国医疗器械产业的三种驱动力——临床场景密度、工程师红利和制度推动力。在AI+器械的赛道上，这三种力量的组合呈现出新的形态。
数据优势——中国拥有世界上最大的医院网络和最密集的诊疗量。每年数十亿人次的门诊和住院产生的医疗数据，在理论上构成了训练医疗AI最庞大的原始素材。但”拥有数据”和”拥有可用于AI训练的数据”之间存在巨大差距。中国医院间的信息系统高度碎片化——不同医院使用不同厂商的HIS、PACS和电子病历系统，数据格式不统一，标注标准不一致。在隐私保护法律（《个人信息保护法》）日益严格的背景下，跨机构的数据共享面临法律和合规壁垒。结果是：中国的”数据总量”是全球之最，但”可用于AI训练的高质量标注数据”的获取效率不一定比美国更高。
审批速度——NMPA在AI医疗器械的审批上展现了显著的制度灵活性。2020年首批9款获批到2024年年度45款的增长速率，远快于大多数国家监管机构的节奏。2025年的新政策（第63号公告）进一步简化了流程。这种审批速度对AI原生公司是利好——它们可以更快地从研发转向商业化。但审批速度的另一面是市场验证的不充分——一个获批产品是否能真正在临床环境中稳定运行、是否在多中心环境中保持泛化性能，这些问题在审批阶段通常无法完全回答。
工程师供给——中国每年培养的AI和软件工程人才数量远超大多数国家。但医疗AI不是纯软件工程——它需要同时理解机器学习、临床医学和监管合规的”交叉人才”。这类人才在中国（和全球各地一样）是稀缺的。
基层落地的特殊需求——中国医疗体系中最急需AI辅助的不是北京、上海的三甲医院——那里有足够的资深专科医生。最急需的是数万家县级医院和基层医疗机构，那里的影像科可能只有一两名放射科医生，阅片量大、经验有限、误诊风险高。AI在这些机构中的价值——作为一个”永远在线的第二意见”——远高于在顶尖医院中的价值。但基层机构恰恰是最难部署AI的地方：设备老旧（可能不支持AI接口）、网络条件差（边缘计算需求高）、IT支持匮乏（谁来维护AI系统？）。这意味着中国AI医疗器械面临的不只是一个”能不能做出好算法”的技术问题，还是一个”能不能让好算法在县级医院的CT室里跑起来”的基础设施问题。
革命性追问：公司的起点在哪里
前六节建立的产业逻辑是”公司诞生于伤口旁边”——离病人最近的人发现了痛点，然后把痛点转化为产品。Medtronic诞生于Bakken的维修铺，Stryker诞生于Homer Stryker的骨科手术室，Grüntzig的球囊导管诞生于苏黎世大学医院的导管室。
AI可能正在改变这个逻辑的起点。
当算法可以从海量数据中自动识别出临床模式——发现人眼未曾注意的心电异常、预测人脑尚未预判的脓毒症发作、在影像中标注出人类认知框架中没有对应概念的形态学特征——公司的起点还是”离病人最近”吗？还是变成了”离数据最近”？
如果答案是后者，那么全球医疗器械产业的竞争格局将发生根本性重组。在”离病人最近”的时代，美国和欧洲的顶尖教学医院是创新的原产地——Forssmann在Eberswalde、Grüntzig在Zurich、Clark在Melbourne。在”离数据最近”的时代，创新的原产地可能转向拥有最大规模临床数据的国家和机构。中国——一个拥有世界上最大患者群体、最密集医院网络和最庞大诊疗数据量的国家——在这个转变中理论上处于最有利的位置。
但”理论上最有利”和”现实中最有效”之间的差距，恰恰取决于第4节描述的产学研纽带在AI时代的效率：临床医生能否准确地为AI定义有价值的问题？算法工程师能否在真实临床环境中获得足够的训练数据和验证机会？监管机构能否建立既鼓励创新又保障安全的审评框架？医院能否为AI产品建立合理的支付机制？
AI浪潮下，产学研的纽带比以往任何时候都更关键——因为AI把”发明器械”和”部署器械”之间的距离急剧缩短了（一个算法从开发到部署的周期可能只有几个月，远短于一个硬件器械从原型到注册的数年周期），但同时也把”部署器械”和”获得商业回报”之间的距离急剧拉长了（支付体系和商业模式远远没有准备好为AI器械买单）。
这种”技术周期短、商业周期长”的不对称，是AI时代医疗器械产业面临的最革命性的结构性问题。它不是通过更好的算法或更快的审批就能解决的——它需要支付体系、商业模式和制度框架的同步进化。而谁先完成这种同步进化——是美国的Medicare体系、中国的医保和VBP体系、还是某种尚未出现的全新支付架构——谁就将在AI时代的医疗器械版图中占据最有利的位置。
这一切，最终又回到本章的核心问题：谁有权定义问题，谁就拥有市场。 在AI时代，”定义问题”的能力不再只属于离病人最近的临床医生和离市场最近的商业组织——它开始属于离数据最近、对数据理解最深的那个主体。这个主体是一个人、一家公司、一个算法、还是一整套产学研制度，将决定下一个时代的器械产业由谁塑造。
下一节，也是本章的最后一节，将收束这个问题。
