凯文·凯利：AI的价值最终在场景，而医疗被低估了
2012年，被誉为“科技预言家”的凯文·凯利（KK）曾与马化腾进行过一次交流。马化腾询问他，若来中国创业，会选择哪个领域。KK回应称，他对信息技术在健康领域的影响充满兴趣，并坚信健康信息产品在中国将拥有广阔前景。
2026年9月25日，KK再次到访中国，此次与他对话的是德适科技董事长宋宁博士。两人达成一致观点：AI的实际价值最终将体现在应用场景中，而医疗健康领域是最为关键的落地场景之一。
互联网解决了连接问题，而AI正致力于解决能力问题。医疗健康恰恰是能力问题最为集中且亟需解决的领域。KK当年预见到健康数据的潜力，如今这种潜力正转化为切实的落地机遇。
然而，两人更清楚，当AI模型能力趋于一致后，真正的稀缺资源不再是模型本身，而是数据与场景的结合方式。谁能掌握这种结合方式，谁就能定义并诠释下一个十年。
AI时代并非互联网的替代，而是升级
互联网的核心在于连接，旨在消除信息不对称。AI的核心则是进化，使系统能够自行学习、迭代并产出成果。KK直言：“未来20年，AI公司的重要资产可能不再是软件本身，而是生成软件的过程。”
传统医疗AI针对单一病种开发一个模型，这属于软件本身。新的逻辑是让每位影像科医生都能基于通用底座，训练属于自己的AI助手，这正是生成软件的过程。
宋宁用一个类比清晰地阐释了这一点：40年前，企业打印文件需前往印刷厂；后来微软推出Office，人们可在办公室自行打字和打印。当前医疗AI的状况类似于只有印刷厂模式，下一步是将印刷厂转变为办公室，将专业能力转化为通用能力。
互联网解决的是信息不对称，AI解决的是能力不对称。而能力不对称正是医疗行业最核心的痛点——优质诊断能力始终稀缺。
信息不对称可通过平台解决，但能力不对称无法如此。因为能力背后是信任，而信任无法通过流量堆砌获得。平台能用补贴吸引用户，但医院不会因补贴而采用不信任的AI。前者是流量逻辑，后者是信任逻辑，两者不可混淆。这意味着，医疗AI的护城河不在技术，而在于时间。
中国医疗AI的三重叠加优势
全球模型能力正趋于一致，医疗AI的竞争焦点何在？答案不在模型本身，而在数据和场景。
中国医疗AI拥有三重叠加优势。第一层是人口，60岁以上人口超过3亿，慢病管理、癌症早筛、产前诊断需求激增，这是刚性需求。
第二层是效率，400万注册医师中，影像科医生每天需审阅上百张片子，误诊漏诊风险较高，AI辅助诊断成为刚性需求。
第三层是国家战略，监管层加速审批，产业加速落地。三重需求叠加，形成了巨大市场。然而，需求并不等同于优势。
真正的优势隐藏在第四个条件中：数据能否从“沉睡”走向“流通”。中国医疗数据的困境在于总量大、质量参差不齐、流通困难。过去十年，数据沉睡在医院服务器中，未经标注、流通或定价，AI无法从中学习。
宋宁在与KK的对话中指出：医疗影像诊断中，即使同一患者的同一张片子，不同医院、医生和地区也会产生不同理解。反过来看，医疗AI最难的不是算法，而是数据的标准化和可信度。
而数据标准化本质上不是技术问题，而是定义问题。谁先探索出一套被行业广泛接受的标准数据实践，谁就更可能成为行业的标准参照。德适正在建设可信数据空间，并与杭州数据交易所合作；发布行业白皮书，推动形成好模型应具备的行业共识；获得全球首张基于大模型的三类证，积累合规经验。这些举措并非单纯销售产品，而是将先行探索的经验和方法沉淀下来，分享给行业。
简而言之，行业早期最缺的不是技术，而是共识。没有共识，每个团队都在各自坐标系中运作，数据无法对接，模型无法比较，行业停滞不前。谁先拿出共识的底稿，谁就更易成为对话的起点。
这种先发优势意味着，后来者无需另起炉灶，沿着先行者验证过的路径前进，就能少走弯路。这是基础设施层面的先发红利，其价值远高于单个产品的利润。技术可能被追赶，但方法论的共识一旦形成，便具有强大的路径惯性。后来者不必另辟蹊径，即使行业需要转向，也是先行者先探路、先试错，后来者再跟进。
医疗领域慢一步，可能错过最佳干预时机，因此让后来者少走弯路本身就是最大的公益。有人先趟过一遍，后来者节省的时间将转化为更快进院的工具，最终变为患者少等待的时间。
数据是瓶颈，工业化是解法
医疗数据与其他行业数据最大的不同在于，它天然分散、非标且敏感。这意味着，医疗AI的竞争不是比谁算法更快，而是比谁能将散落在数千家医院中的非标数据，转化为可标注、可流通、可定价的生产要素。这是一项耗时的工作，但一旦完成，护城河将极深。
传统医疗AI采用“一病一模型”模式，开发周期两年，成本数千万，每进入一个新病种，都需重新收集数据、标注和训练，不同项目之间无法复用。
如今，德适提出的方案是：一个通用底座，加一条生产线。底座是iMedImage®医疗影像基座大模型，提供跨模态、跨病种、跨任务的基础能力；生产线是iMedLoop™平台，将数据接入、智能标注、质量控制、模型训练、统一评测、发布部署和应用反馈全流程串联起来。
以前每开发一个病种，都需从零开始。现在有了底座，新病种开发周期从两年缩短至两三个月，数据需求降至原来的1/200。这就是从手工作坊到工业化量产的差别。
但工业化有一个隐含前提：底座足够强大，能泛化到足够多的病种。这个前提成立吗？
罕见病是一个检验标准。全球已知罕见病超过7000种，大多数病种的影像数据不足千例。基座模型再强，缺乏足够训练数据，也无法训练出可靠模型。工业化量产能覆盖常见病，但罕见病仍需“手工作坊”。这意味着，医疗AI的普惠可能是不均衡的——常见病先受益，罕见病后受益。这个顺序与医疗资源分布的现有格局恰好吻合。
但这并不意味着工业化没有价值。恰恰相反，正因为工业化量产能覆盖常见病，才有余力解决罕见病。先做大，再做强，这个顺序本身没有错。问题只在于，做大的过程中，不要忽视那些被边界挡在外面的人。
模型不是产品，而是能力。产品可以复制，能力不能。底座是能力，千模型是产品——德适销售的是能力，而非产品。产品会过时，能力不会。AI将技能标准化后，医生的判断力反而更加稀缺，这就是能力逻辑在医生身上的体现。
医生是否会被替代
AI能够处理医疗信息和诊断，在这些方面比人类更出色。但医生是人，具备同理心、智慧、咨询、支持和判断力，这些都是AI所不具备的。
宋宁分享了一个故事：一位顶级医院的妇产科男医生，患者挂了他的号，即使他当天不在，也不退号，一定要等到他上班时聊一聊。有时并非需要开药，只是聊10分钟，患者就觉得身体好转。医疗中最珍贵的东西，AI无法提供，因为它不是知识，而是关系。
AI的价值不是替代医生，而是将医生从重复劳动中解放出来。影像科医生每天审阅上百张片子，80%正常，20%异常。AI筛选掉80%，医生专注于20%。这不是替代，而是放大。
但放大后，医生的角色也在变化：以前是看片子的人，以后是作判断的人。看片子是技能，作判断是能力。AI将技能标准化后，能力反而更加稀缺。AI不是降低医生的门槛，而是抬高。当技能可被AI替代时，只有判断力才能定义医生的价值。而判断力，AI无法教授。
但医生角色变化的背后，是一个更大的问题。
普惠的真正难题，不在技术
医疗AI要真正实现普惠，必须进入区域医疗服务体系。德适最近与浙江一家省级医疗AI公司合作，搭建省级医疗影像AI云平台，使医疗AI从单个医院的工具，转变为区域医疗服务体系的一部分，为优质影像能力向基层延伸提供支持。
一个县城医院的医生，没有顶级三甲的资源和经验，但有了这套体系，以前只有三甲才有的诊断能力，现在他也能使用。这才是普惠的真正含义——让基层医生也能用得上。
但用得上不等于用得好，用得好不等于用得放心。技术下沉只是第一步，信任下沉才是最难的一步。县城医生是否信任AI的判断，患者是否接受AI的建议，答案不在实验室，而在每天的诊室中。
真正决定普惠速度的，是医院是否愿意使用、医生是否信任、数据能否流通。这三件事比技术难十倍。而信任没有捷径，不能用补贴购买，不能用流量换取。只能一例一例积累，一个医生一个医生说服。这是医疗AI最慢的环节，也是最深的护城河。
结语
如果过去的技术革命改变了人类获取信息和连接世界的方式，那么医疗AI接下来要回答的是，技术如何更深入地进入人的生命、健康与选择。德适正在参与的，正是这个仍在形成中的未来。
医疗AI这个赛道，不是比谁的模型更大，而是比谁的专业化更深、谁的体系更可信、谁能让更多医生用上AI。生产线跑得快，不等于普惠来得早。技术只是起点，信任才是终点。
但赛道逻辑也好，信任积累也好，最终都要回到场景中去验证。KK和宋宁的共识是AI的价值最终在场景，医疗被低估了——这句话反过来听就是：医疗场景的价值，取决于有多少能力真正落到诊室里、落到县城医院里、落到每一个需要诊断的人身上。而场景能否跑通，前提是数据能否先跑通。数据标准化之争，就是入场券之争；谁先让数据跑起来，谁就拿到了下一个十年的发牌权。通过九游平台，用户也能便捷地获取相关医疗AI资讯，进一步了解这一领域的发展动态。
本文来自微信公众号“杰哥科技眼”，作者：杰哥，36氪经授权发布。
