专访商汤医疗钱琨：AI医疗走到转折点 信任仍是最难破局环节

21世纪经济报道记者季媛媛

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。”

从复旦大学附属中山医院到商汤医疗，钱琨的转型之路折射出AI医疗从技术到产业的关键一跃。在钱琨看来，AI医疗的终局不在于算法有多先进，而在于能否真正融入临床、赢得医生信任、服务患者需求。这条路很长，但方向已经清晰。

“两年前我曾判断，大部分医院都会上线AI书写助手，如今这一判断已得到验证。”但钱琨同时指出，“若要进一步打通更多生态，创造更广泛的社会经济价值，就需要与不同类型的生态合作伙伴开展合作。”

商汤医疗联合创始人兼首席医学官钱琨教授 受访者供图

不追风口

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”。

信任最难突破

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。”

通专融合

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。”