院士达成行业共识：AI打杂干活，临床决定权在医生

过去一个月，从清华论坛到中关村年会，从专科峰会到毕业典礼，钟南山、乔杰、于金明、王俊、王宁利、黄荷凤、刘良七位顶尖院士先后针对AI医疗公开发声。

一边是"不学AI就落后"的全力拥抱，一边是"坚决反对AI嵌入诊疗闭环"的审慎刹车；一边力推AI下沉基层补短板，一边强调真实临床检验才是试金石。

看似观点交锋，实则底层共识高度统一。

结合近期落地的医疗机构AI应用治理共识、AI辅助诊断医保纳入等新政，本文一次性把院士们的三大共识、三大分歧讲透，以及这套口径将如何重塑整个行业。

🔴 一、全体院士的三大共识：底线完全一致

无论专科背景、研究方向差异多大，七位院士在核心原则上没有任何分歧。这三条，也是未来所有AI医疗产品不可逾越的红线。

共识1：AI永远是助理，绝不能替代医生

这是所有发声里出现频率最高的一句话，没有任何一位院士认同"AI医生"这个概念。

乔杰院士直接定性："我不同意叫AI医生，医生是有法律定义、要承担责任的角色，AI一定是助理。"

于金明院士明确：AI能替代简单重复性工作，但无法替代医生的临床判断和人文关怀，定位是"辅助者"而非"替代者"。

黄荷凤院士说得更直白：AI只能提供"可能"，不能代替医生做出"判断"；可以生成假说，但无法承担验证的责任。

背后的逻辑非常清晰：

医疗不是纯概率推演，每一个决策都绑定生命风险与法律责任。只要责任主体还是医生和医院，AI就永远只能站在副手位置，不能拥有独立诊断权、处方权。

这一点也和最新监管方向完全对齐：医疗机构承担诊疗行为最终法律责任，AI可提建议，医生必须决策签字。

共识2：AI的核心价值，是解决真问题，不是炫技术

院士们集体反感"参数大、跑分高、落地少"的纸面AI。

王俊院士直言：现在医疗大模型数量不少，但真正进临床的不多，缺的是专病场景下清晰的能力边界和可靠的评价体系。他团队推出的GAPS评价体系，直接把考核重点从"知道多少"转向"可不可信"。

王宁利院士拿眼科踩坑经验举例：实验室里准确率很高的AI模型，放到真实临床场景效果大幅下滑；模型必须建立在真实医学逻辑上，纯数据训练的概率结果，没有临床可信度。

韩德民院士则指向分级诊疗：AI的价值是把优质医疗能力延伸到社区、基层，形成健康管理—慢病诊疗—术后康复的完整闭环，而不是在三甲医院里锦上添花。

一句话总结：不解决临床痛点的AI，都是无效技术；通不过真实世界检验的模型，都是实验室玩具。

共识3：医生必须掌控AI，不能反过来被AI驯化

这是最容易被忽略、但影响最深远的一层共识。

张文宏教授旗帜鲜明反对AI直接嵌入电子病历闭环：年轻医生如果依赖AI写诊断、开方案，会跳过问诊、查体的基本功训练，最终丧失独立纠错能力，这是对医生培养体系的破坏。

黄荷凤院士同样提醒：未来的医学，属于懂AI的人，更属于能把AI放在正确位置的人；医者的主动性、判断力与道德担当，不能让渡给算法。

钟南山院士虽然力挺年轻人学AI，但前提也很明确：用AI解决临床问题、总结实践经验，核心主体依然是医生。

本质上，所有院士都认同同一个逻辑：

工具是用来放大人的能力，不是用来替代人的成长。

一旦医生失去独立判断能力，AI越精准，医疗风险反而越大。

🟡 二、三大分歧：侧重点不同，决定了赛道冷热分化

共识守底线，分歧定方向。

七位院士的观点差异，恰恰对应了AI医疗不同赛道的前景与风险。

分歧1：效率优先 VS 安全优先

效率派代表：钟南山、韩德民、倪鑫

- 核心逻辑：医疗资源总量不足、分布不均是最大痛点，AI首要任务是提效、补缺口

- 典型观点：倪鑫提出用AI培育大量儿科"助理"，补齐基层儿科人才缺口；韩德民强调数字技术是医疗供给跨地区延伸的核心手段

审慎派代表：张文宏、王俊、王宁利

- 核心逻辑：医疗容错率极低，在责任、验证、标准没理清之前，不能贸然进入核心诊疗环节

- 典型观点：王俊聚焦可信度评价体系，王宁利强调真实临床检验，张文宏直接反对AI接入病历决策闭环

对行业的直接影响：

未来AI会出现明确的"快慢车道"——

✅ 快车道：病历书写、影像初筛、健康管理、基层辅助等低风险场景，加速普及

⛔ 慢车道：核心诊断、治疗方案等高风险环节，持续严控准入

纯通用大模型直接进临床的路，基本被堵死。

分歧2：通用数据驱动 VS 专科医学逻辑驱动

数据派更看重大模型的知识覆盖与泛化能力，认为海量数据训练可以覆盖大多数常见病场景；

专科派则坚持：医疗AI必须扎根专病逻辑，不能靠纯大数据暴力拟合。

王宁利院士的观点最具代表性：单纯依靠数据训练的概率结果，不具备临床可信度，模型底层必须遵循真实医学逻辑。

这直接决定了厂商的生死：

- 走通用大模型路线、靠问答体验吸引眼球的产品，会逐步边缘化

- 深耕单病种、有临床专家深度参与、经过真实世界验证的垂直模型，会拿到更多医院订单

分歧3：西医标准化路径 VS 中医量化路径

西医领域的AI，基本沿着"影像识别—数据比对—辅助决策"的标准化路径推进；

而刘良院士代表的中医AI，走的是另一条路：把主观的望闻问切客观化、量化。

比如舌诊采集上百种参数，脉象用柔性感受器捕捉，把经验传承变成可比对、可复制的数据标准，用AI解决中医"主观性强、难以标准化"的千年痛点。

这也意味着：AI医疗不止有西医影像、病历一条赛道，中医数字化、中西医结合方向，同样存在巨大的政策与市场空间。

🔵 三、政策同步落地：从"共识"到"规则"，行业全面有法可依

院士们的观点不是空谈，正在快速变成硬性规则。

近期三项核心政策方向，直接把行业框架焊死。

1. 三级风险分级：不同场景，不同松紧

按风险高低把AI产品分成三类，准入门槛天差地别：

- 低风险：智能导诊、科研数据清洗、病历整理——简化备案，快速落地

- 中风险：影像质量改善、自动测量——严格临床适用性评估

- 高风险：辅助诊断、手术导航——全方位技术验证+伦理审查

简单说：越靠近核心诊疗，管得越严；越偏向事务辅助，放得越开。

2. 数据安全收紧：云端SaaS模式遇冷

监管方向明确要求：医疗机构应建立本地化部署或私有云环境，严禁未脱敏的患者诊疗数据外传。

这对依赖云端推理的纯SaaS厂商是重大打击。

未来医院AI采购，本地化部署、私有化交付会成为主流，有院内系统集成能力的厂商优势会越来越大。

3. 医保买单：AI辅助诊断进入商业化正循环

肺结节CT筛查、眼底病变识别等多个AI辅助诊断项目已陆续纳入地方医保试点，部分三甲医院率先落地。

这是行业里程碑式的进展：

从此AI不再是医院成本项，而是可以产生合规收入的服务项，商业化闭环彻底打通。

🟢 四、最终影响：未来三年，行业会变成什么样？

结合院士共识与政策走向，三个不可逆的趋势已经非常清晰。

趋势1：厂商端——通用大模型退潮，专科垂直模型崛起

靠"通用大模型+医疗语料"讲故事的时代结束了。

接下来能活下来的AI医疗公司，必须满足三个条件：

1. ✅ 深耕具体专科

2. ✅ 有真实临床数据验证

3. ✅ 能本地化部署交付

纯算法公司的生存空间会持续收窄，懂医疗、懂医院、懂合规的公司会越走越宽。

趋势2：医院端——人机分工定型，边界彻底划清

未来医院里的人机协作模式会标准化：

🤖 AI干的事：

写病历、整理报告、影像初筛、文献检索、随访通知、数据统计

👨‍⚕️ 医生干的事：

问诊查体、最终诊断、方案决策、医患沟通、伦理判断、复杂病例

医院会逐步建立AI准入审查机制，不是什么模型都能随便进临床。

趋势3：医生端——能力结构重构，两类人拉开差距

- 第一类：只会写病历、看报告的事务型医生，会被AI大幅替代，价值持续降低

- 第二类：擅长复杂决策、医患沟通、疑难病例判断的医生，借助AI放大能力，价值会越来越高

正如钟南山院士所说：谁现在不抓住AI，再过几年就会落后。

但更准确的说法是——

不会用AI的医生会落后，只会依赖AI的医生，会更危险。

✍️ 结尾

从狂热追捧到理性落地，从概念炒作到边界清晰，AI医疗正在走完它的第一个周期。

院士们的共识与分歧，本质上是在回答同一个问题：

技术狂奔的时候，医学的底线在哪里？

答案很明确：

工具永远服务于人，效率永远让位于安全，算法永远不能替代责任。

守住这条底线，AI医疗才真正开始走进它的黄金时代。

📌【备注】 本文为行业观察与趋势分析，基于公开报道及院士公开演讲整理，不构成任何医疗建议或投资建议。AI医疗具体应用请以官方政策及医疗机构规范为准。