夜雨聆风
听诊器与手机屏幕并存——AI医疗技术与
传统诊疗之间的张力
2026年年中，两个数字摆在一起看，比任何准确率都更能说明问题。
美国FDA已批准超过900款AI医疗器械产品上市。中国国家药监局累计批准了127张AI医用软件注册证。差距将近七倍。但另一个数字是：2025年中国AI医疗器械审批36款，增速全球第一；同年美国新增审批量已经开始放缓。
准确率排行榜上的较量——GPT-5拿95.84%，Grok-3拿91%，DeepSeek-R1拿92.1%——当然有意思。但真正决定AI医疗命运的，从来不是谁的模型多答对了两道选择题。是监管框架、数据流通规则、国际合作机制这些东西在决定：一项技术到底是停在论文里，还是走进诊室里。
而且这些规则，全世界到目前为止还没谈拢。
考试场和手术台之间
先把那个被反复传播的"98.2%"说清楚。
2026年初，一段短视频声称马斯克旗下xAI公司的Grok-3模型在临床诊断测试MedQA中取得98.2%准确率，"超越所有人类医学专家"。这个数字在xAI官方材料、学术论文、第三方评测中均查不到来源。Wizwand维护的SOTA榜单显示，Grok-3在MedQA上的实际成绩是91%，在同榜上排第四，前面有DeepSeek-R1（92.1%）、GPT-4o（91.3%）和GPT-o1（91%）。GPT-5已经到95.84%。
98.2%是假的。91%是真的。但91%意味着什么？
MedQA的题目源自美国医师执照考试，标准化的四选一选择题。JMIR在2026年发表的研究用119道USMLE样题测了五款AI模型，Grok 2.0以91.6%排第一。论文同时强调了一句话："通过考试不等于具备临床实践能力。"道理不复杂：真实临床中，患者不会把症状整理成选择题，检查结果经常互相矛盾，病史永远不完整。
从91%到"能看病"，中间隔着一道叫"监管审批"的墙。FDA把AI辅助诊断工具归类为医疗器械软件（SaMD），要求经过风险分级和临床验证。2024年底FDA推出的PCCP（预定变更控制计划）框架允许厂商预先申报算法更新范围，在批准范围内迭代无需重新提交——这是目前全球最灵活的AI医疗监管机制。但即便如此，从模型测试到获得诊疗许可，仍需数年审批和临床试验。
欧盟更严格。2024年生效的《人工智能法案》把医疗AI直接划入"高风险"类别，厂商必须同时满足MDR（医疗器械法规）和AI法案双重合规。原定2026年8月实施的高风险条款，后来推迟到2027年底。推迟的原因很简单：合规成本太高，企业跟不上。
AI模型在标准化选择题测试中的表现——考试与临床实践之间仍有鸿沟
三条路线，三套逻辑
美国、欧盟、中国，三个最大的AI医疗市场，走了三条不同的路。
美国的逻辑是"先放行、后监管"。FDA已批准900多款AI医疗器械产品，绝大部分是放射科影像辅助工具。PCCP框架的核心思路是：承认AI模型会持续迭代，与其每次更新都重新审批，不如让厂商预先申报变更范围，在框架内自主迭代。代价是监管相对宽松——2026年初FDA更新了临床决策支持指南，进一步降低了部分低风险软件的准入门槛。
欧盟的逻辑是"先立规矩、再放行"。GDPR、《人工智能法案》、欧洲健康数据空间（EHDS）三套法规叠加，形成了全球最严格的数据治理框架。研究人员不能直接获取原始数据集，必须在安全处理环境中访问。企业想用欧洲患者的数据训练AI，要么走联邦学习路线（数据不出医院、模型上门训练），要么干脆放弃。复旦大学的分析指出，欧盟的"数据本地化"导向与全球主流的"数据池化"模式存在根本冲突——把欧盟数据和非欧盟数据混用，必然触碰至少一条法律红线。
中国的逻辑是"审批从严、产业从快"。国家药监局在全球范围内率先发布了深度学习辅助决策医疗器械审评要点，建立了五个层级的AI医疗器械指导原则体系。截至2026年中，127张AI医用软件注册证中126张属于第三类（最高风险等级），几乎全部走国家局审批通道。但审批严格不等于速度慢——2021年只批了6款，2025年批了36款，年增速全球最快。
三套逻辑各有代价。美国的灵活换来的是监管套利空间——部分产品在临床试验不充分的情况下就获得了上市许可。欧盟的严格换来的是创新外流——不少AI企业选择先在美国获批，再考虑进入欧洲。中国的"审批从严"换来的则是产品形态偏保守——127张证里，肺结节和心血管影像占了一半以上，手术机器人和大模型类产品才刚起步。
AI的测试能力（亮）与真实世界数据访问能力（暗）
之间的差距
数据过不了境
技术可以开源，模型可以下载，但医疗数据过不了国境。这是AI医疗国际合作最大的拦路虎。
世界卫生组织2023年联合国际电信联盟（ITU）和世界知识产权组织（WIPO）发起了"全球AI健康倡议"（GI-AI4H），目标是为成员国建立统一的AI医疗治理标准。2025年10月，WHO与韩国食品药品安全部在仁川共同主办了AIRIS 2025研讨会，参会的各国监管机构达成了一个共识：AI医疗需要覆盖产品全生命周期的监管框架，需要与各国国情匹配的风险分级制度，需要更紧密的国际合作来弥合国家间的差距。
共识有了。落地很难。
核心矛盾在数据。训练一个靠谱的医疗AI模型，需要大规模、多样化的临床数据。但每个国家的数据出境规则都不一样。美国的HIPAA允许在脱敏后用于研究，相对宽松。欧盟的GDPR要求充分性认定或标准合同条款，流程漫长。中国的《个人信息保护法》和《数据安全法》把健康数据列为敏感个人信息和潜在"重要数据"，跨境传输需要通过网信办安全评估或获得认证。WIPO在2026年发布的研究报告中明确指出，中国的数据治理框架对国际AI医疗合作构成了"实质性的数据本地化压力"——中国医院的数据出不去，外国模型进不来。
后果是什么？各国都在用自己人口的数据训练模型，但数据集互相不流通。一个在美国数据上训练到95%准确率的模型，拿到亚洲人群上可能掉到80%——因为基因差异、疾病谱差异、用药习惯差异。反过来也一样。没有跨人群的验证，AI医疗的"普适性"就是一句空话。
2026年WSIS论坛上，一位来自非洲的代表说了一句大实话："问题不是缺政策，是缺执行。"各国都有数据保护法规，但执法力度、技术能力、基础设施差距巨大。发达国家在讨论联邦学习和区块链确权，发展中国家还在解决电力和网络的基本问题。
卫星网络覆盖全球的愿景——但数据跨境流通
仍是最大障碍
责任算谁的
还有一个问题比数据更棘手：AI诊断出了错，责任算谁的？
这个问题在国内已经发生过真实案例。2025年，《长沙晚报》报道了一名女性因咳嗽反复，通过AI自我诊断、自行购药，拖延8个月后就医，双肺已出现多发空洞，高度怀疑继发性肺结核。国家药监局2026年6月发布的《人工智能辅助诊断医疗器械临床评价注册审查指导原则（征求意见稿）》对此的回应是：AI仅可辅助医师决策，不得单独作为诊疗依据。
但"辅助"和"决策"的边界在哪？如果AI给出了一个建议，医生采纳了，结果出了问题，是AI开发商的责任还是医生的责任？在国内，2022年卫健委的《互联网诊疗监管细则》已经明确AI不得替代医师提供诊疗服务。但AI不具备法律主体资格，除了医疗差错，责任界定仍然模糊。
跨境场景更复杂。如果一家中国医院使用美国公司开发的AI诊断工具，在给一名中国患者做诊断时出了错，适用哪国法律？美国法院还是中国法院？AI开发商、医院、审核医生、数据传输方，谁该赔？目前没有任何一个国际框架能回答这些问题。
中国拿到了什么牌
批评容易。但得承认，中国在这场赛局里并非两手空空。
牌面一：审批体系已经成形。国家药监局2019年就成立了AI医疗器械标准化技术归口单位，截至2025年6月已发布8项行业标准。127张三类证覆盖了CT、X射线、眼底、病理、内镜等9种数据类型，基本覆盖了国际主流应用场景。2026年4月，国家药监局又发布了《"人工智能+药品监管"实施意见》，把AI技术从医疗器械审批延伸到了药品全生命周期监管——这在全世界是头一份。
牌面二：国产企业已经跑出来了。联影智能拿到20张三类证，全国第一；数坤科技19张，紧随其后；推想医疗12张以上。94.5%的获批产品是国产的。2026年上半年，德适生物的染色体核型辅助诊断软件拿到三类证——这是全球首张基于大模型技术的医疗器械注册证。联影智能的胸部CT多病种辅助诊断软件进入了创新医疗器械特别审查通道，是国内首个进入该通道的医疗大模型类产品。
牌面三：临床场景丰富。中国有全球最大的患者基数、最完整的疾病谱、最多的三甲医院影像数据积累。这是训练医疗AI最稀缺的资源。问题是这些数据散在各个医院的孤岛里，标准化程度低，共享意愿弱。深圳政协委员张欣豪在2026年2月的市政协会议上提出，当前健康数据领域面临三个困境：数据生产者缺乏共享动力，数据库运营方缺乏资源保障，跨境数据流通缺乏合规通道。他建议利用深圳特区立法权和河套合作区的优势，探索"数据可用不可见"的可信数据流通模式，先在APEC范围内试点。
牌面也不少，但短板同样明显。
最大的短板是：127张证里，绝大多数是单任务、单场景的"小AI"——识别一个肺结节、分析一张眼底照片。真正的医疗大模型——能像GPT-5那样理解复杂临床语境、做多学科推理的系统——还停留在实验室阶段。FDA那边已经有900多款产品上市，其中不乏手术机器人、智能给药系统等高壁垒产品。中国从"辅助诊断"向"辅助治疗"的跨越才刚开始。
第二个短板：数据不出境，模型就只能在单一人群上训练和验证。国际医学界越来越看重模型的"跨人群泛化能力"——在亚洲人数据上训练的模型，能不能在非洲人身上一样准？这个问题没有国际合作就回答不了。而要合作，数据治理框架就得跟国际接轨。
AI辅助诊断工作站——工具而非替代品的定位
中国该怎么办
方向其实很清楚。
第一，把数据孤岛连起来。不是把数据搬到一起，而是建立联邦学习基础设施——各家医院的数据留在本地，模型上门训练，参数汇总但不交换原始数据。技术上已经成熟，缺的是制度安排：数据确权、收益分配、安全审计的标准。深圳正在探索的"数据可用不可见"模式可以扩大试点，从区域推广到全国。
第二，主动参与国际规则制定。WHO的GI-AI4H框架还在搭建阶段，中国的参与度还不够高。2025年仁川AIRIS会议上，参会方包括美国、日本、韩国、新加坡等国的监管机构，中国的声音需要更响亮。具体可以做什么？推动建立跨境数据治理的"分级分类"规则——不同敏感度的医疗数据适用不同的跨境流通标准；在河套、海南博鳌等特区试点国际多中心AI临床试验，让中国数据和国外模型在受控环境下对接。
第三，加快大模型类AI医疗器械的审批路径。联影智能的医疗大模型已经进入创新通道，但后面还有一大批企业在排队。国家药监局可以参考FDA的PCCP框架，建立"预申报变更范围、框架内自主迭代"的灵活机制——否则大模型每次微调都要重新走临床评价，周期太长，企业扛不住。
第四，基层。中国83%的三甲医院集中在GDP前50的城市，基层医疗资源严重不足。AI医疗器械最大的社会价值不是让三甲医院锦上添花，而是让县医院和乡镇卫生院能用到过去只有顶级专家才能提供的诊断能力。联影智能、推想医疗的产品已经在基层结核筛查、眼底筛查中部署，但覆盖面还远远不够。政府采购、医保支付、技术培训三个环节需要协同推进。
世界卫生组织估计，到2033年全球将面临1000万医护人员缺口。AI在这个背景下扮演的角色，与其说是"取代医生"，不如说是"填补缺口"。对中国来说，这个缺口更大——不是1000万的问题，是基层医疗能力结构性不足的问题。
127张证是一个起点。但起点和终点之间，隔着数据治理、国际合作、监管创新和基层落地四道坎。每一道都不好迈。但方向清楚：不是比谁的模型分数高，而是比谁能把技术真正送到最需要的人手里。
文章来源：综合自Wizwand SOTA排行榜、JMIR（美国医学信息学协会杂志）、世界卫生组织、国家药品监督管理局、FDA、EU AI Act官方文件、Grand View Research、China MedGlobal、WIPO《AI赋能医疗创新与知识产权》报告、WSIS Forum 2026、复旦大学FDDI研究院、人民日报健康客户端、新华社
免责声明：本文由AI根据作者提供的素材和指令生成，内容仅供参考，不构成任何投资、医疗、法律或行为建议。读者应自行判断并核实相关信息。涉及健康领域：AI辅助诊断工具不能替代专业医疗人员的判断，任何健康问题请咨询持证医师，切勿依据网络信息自行诊断或用药。涉及投资领域：本文不构成任何投资建议，AI医疗行业投资存在风险，读者应自行评估并咨询专业财务顾问。