巨头角逐AI 医疗：一场正在加速的“健康入口”争夺战

dsfgdsg

图片来自视觉中国

蓝鲸新闻1月27日讯（记者 武静静）如果说过去一年，AI 助手争夺的是“生产力入口”，那么 2026 年开始，越来越多的科技公司把目光投向了另一个更长线、也更敏感的入口——健康。
从 OpenAI 收购医疗初创公司，到国内互联网巨头密集推出各类 AI 健康助手，一个清晰的信号正在浮现：AI 医疗正在摆脱单一的 To B 辅助工具定位，被重新塑造成面向个人用户的长期陪伴型基础设施。它不只是提高效率，而是试图嵌入个体的日常生活与健康决策之中，成为一种为医疗而生的对话入口。
AI医疗新晋独角兽诞生，120亿美元估值，OpenAI 、Anthropic也在加速入局
2026 年开年，OpenAI 以 1 亿美元收购 AI 医疗初创公司Torch，随之1月7日OpenAI就推出了独立的 ChatGPT Health 咨询入口，强调基于个人健康信息提供专属服务，同时建立更严格的信息安全与隐私保护机制。可以看出，OpenAI 明确将医疗健康推至战略级优先级，是一次方向性押注。
OpenAI 披露了一组耐人寻味的数据：在 ChatGPT 超过 8 亿用户中，每周提交医疗相关请求的用户占比达到四分之一，每天通过 ChatGPT 咨询健康问题的用户数超过 4000 万。
意味着，医疗健康已经成为大模型最活跃、也是最具潜力的应用场景之一。一位美元基金合伙人对我们表示，相比教育、内容或办公工具，健康问题的不可替代性更强，用户容忍度更高，“一旦形成信任，迁移成本也更高”。
在 B 端，OpenAI 也同步推进商业化落地。OpenAI for Healthcare 是其面向医疗机构推出的 HIPAA 合规解决方案，已在波士顿儿童医院、西达赛奈医疗中心等机构部署，重点缓解临床文档、行政流程与护理负担。
Anthropic 的节奏略慢，但路径相似。此前其已推出 Claude for Life Science，而直到 2026 年 1 月 12 日，Claude 才正式面向医疗保健领域开放服务。相比 OpenAI，Claude 在 C 端功能相对克制，主要允许高阶付费用户在授权前提下访问个人健康与诊疗数据；在 B 端，则从医保审核、理赔和临床文档自动化切入，并对基础模型进行了针对医学任务的专项优化。
除了众所周知的明星大模型公司之外，海外目前最爆火的一个医疗垂类项目是医疗AI平台OpenEvidence，这款免费的AI医疗平台在不到一年时间内，已吸引三分之一的美国医生使用，覆盖超过1万家医疗机构。
1月21日，OpenEvidence宣布完成2.5亿美元D轮融资，估值翻倍至120亿美元，公司目前累计融资近7亿美元，投资人谷歌风投英伟达等顶级机构。目前支持美国超40%医生的日常临床决策，年收入已达1亿美元。
这家新晋独角兽的估值快速跃升，本质上反映的是投资人对医疗 AI 长期商业潜力的重新定价。
在这股持续升温的浪潮之下，海外巨头间的共识也正在逐步清晰：真正的护城河，并不只来自模型本身的能力，而在于在合规前提下，对健康数据的理解、结构化，以及跨时间尺度的长期管理能力。模型可以被追赶，但被信任的数据资产与临床工作流，一旦嵌入，就很难被替换。
蚂蚁阿福激进投入，阿里、百度、京东全线入场
在国内市场，AI 医疗对话助手的竞争显得更为拥挤，也更具平台化与生态化特征。一类产品直接面向个人用户，试图成为“随身健康管家”；另一类则锚定医生与医疗机构，强调对专业决策与临床流程的辅助。赛道迅速升温的背后，既有政策层面的明确指引，也有技术范式切换带来的新一轮想象空间。
政策端的信号已经相当清晰。2025 年 11 月，国家发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，提出到 2027 年形成较为成熟的医疗垂直大模型应用体系，到 2030 年实现基层医疗机构 AI 诊疗能力全覆盖。对于行业而言，这不仅是“可做”的问题，而是“必须提前占位”的时间表。
技术层面，大模型成为新的变量。回看上一轮深度学习浪潮，AI 首先重塑的是影像环节——CT、核磁共振、脑电图、心电图等检查流程被算法重构，AI 医疗影像一度风头无两，也催生了数坤科技、推想医疗等明星公司。而在这一轮周期中，焦点明显转向了更贴近诊疗入口的形态：AI 医疗对话助手，目前互联网与科技巨头正在加速入场。
蚂蚁是最激进的一家。通过密集投放的线下广告，蚂蚁首次将 AI 健康助手推向更广泛的普通人群。2025年12月15日，蚂蚁集团宣布旗下 AI 健康应用AQ品牌升级为“蚂蚁阿福”，并发布新版App。有媒体报道称，仅过去一个月，阿福在广告投放上的投入就达到小几亿元规模。
随着“阿福”在地铁、电梯和社区广告牌中的高频出现，这款定位为个人健康助手的产品，在2025年12月新版发布后，仅一个月MAU即达到 3000 万。蚂蚁CEO韩歆毅曾在公开场合透露，阿福的日均健康咨询量已超过 1000 万次。用户分布上，该服务覆盖全国，三线及以下城市用户占比约 50%，老年用户占比达三分之一。目前，广州市卫健委推出的 AI 就医助理“穗小伊”也已正式入驻蚂蚁阿福App。
在解释为何重注这一方向时，韩歆毅给出了一个颇具传播度的判断：“社会发展到现在，人们最在意的就是‘两朵花’：一个‘有钱花’，一个‘有命花’。”在他看来，健康与支付、金融一样，具备极强的普惠属性，“空间和意义都非常大”。这也意味着，依托支付宝既有的支付、保险和服务体系，蚂蚁在健康、金融与服务协同上天然具备场景优势。
与蚂蚁的 To C 路线不同，阿里的最新布局更偏向医生端。蓝鲸科技记者在招聘平台注意到，阿里近期持续加码医疗相关岗位，涵盖算法、工程和产品多个方向。在产品层面，阿里健康近期推出重磅产品“氢离子”，定位为“医生版 GPT”。该产品基于阿里健康自研医学大模型构建，底座依托通义千问，每一条医学建议均可追溯原始依据，并提供一键溯源功能，方便医生直接查看结论对应的信源。
目前，“氢离子”已完成内测，并同步上线移动端与网页端，直接对标美国现象级 AI 医疗产品OpenEvidence，并将“压低幻觉率”作为核心卖点。阿里健康CTO祥志曾表示，从长期来看，“氢离子”一定是公司战略级产品，“一个能够解决中国500万医生医学问题的AI工具，其社会价值和商业价值的想象空间都是巨大的”。
其他平台型公司同样动作频频。百度将“百度 AI 健康管家”升级为“文心健康管家”，入口不再局限于搜索体系；京东健康推出 AI 健康智能体“康康”，试图打通问诊、检测、购药的全流程；字节跳动持续迭代“小荷AI医生”；科大讯飞则采取典型的B、C 协同路线，一方面推进面向医院与政府的“智医助理”，另一方面布局面向个人用户的“讯飞晓医”。
在曾经风头正劲的“大模型六小虎”中，百川智能很早便明确押注医疗方向，提出“造医生、改路径、促医学”的愿景，陆续发布“百小应”及医疗大模型 Baichuan-M3，强化问诊与治疗建议能力，并与多地卫健委和医院展开合作。近期，百川在发布新一代医疗大模型的同时，还宣布向中国医疗服务机构免费开放API。无论是公立医院、民营医疗集团，还是区域医疗平台，均可在不承担模型调用成本的情况下使用。
百川智能创始人王小川直言：“我们就是医生版最强的 ChatGPT 或 DeepSeek。即便全国所有临床医生都在使用 AI，我们估算一年的模型成本也就是 1 亿元左右。”在商业模式上，百川明确区分了付费对象：C 端产品会设置收费模块，但不向医生和医院收费，而是面向患者或药企。“患者对自己的健康是负责的。过去不付费，是因为没有足够好的供给。如果产品能真正创造价值，患者是愿意为此买单的。”
挑战：幻觉、数据与系统性风险
从整体来看，无论海外还是国内，AI 健康助手都绕不开商业化这一关。当前相对可行的路径主要集中在四类：一是付费会员制，向高频用户提供更深度、连续性的健康管理服务；二是广告与品牌合作；三是与保险、金融产品协同，这一模式对蚂蚁等平台型公司尤为有利；四是定制化的企业级合作与产业项目。但医疗健康的特殊性决定了，它很难简单复制通用AI助手“先做规模、再谈收费”的路径。信任、合规以及责任边界的存在，使得 AI 医疗的变现节奏注定更慢，也更谨慎。
一位医疗行业从业者对蓝鲸科技表示，相比直接面向患者，面向医生的路径在当前阶段看起来可行性更高，“不是去替医生下判断，而是先把医生每天最耗时、却并不创造医疗价值的那部分工作自动化”。在业内看来，这或许是 AI 医疗商业化中最现实、也最容易率先实现规模化的一条路。
To C模式同样面临不小挑战。一位投资人告诉蓝鲸科技，几乎所有大厂在竞争中都会遇到一个绕不开的对手——DeepSeek。公开数据显示，目前国内已有近 100 家医院部署了 DeepSeek，应用场景覆盖患者服务、科研、诊疗、办公与管理等多个环节。仅在北京市场，北京清华长庚医院、北京友谊医院、北大医院等多家三甲医院，已先后部署不同参数规模的 DeepSeek 模型。
竞争之外，他认为付费意愿本身在国内市场就面临挑战，“在大多数用户心中，健康功能往往只是通用AI助手的‘加分项’，而非必须为之单独付费的核心动力。”此外，他也提到，医疗这样高度严肃的领域，哪怕极低概率的模型幻觉，都可能带来不可承受的安全风险。这决定了 AI 在相当长一段时间内只能作为辅助工具存在，必须叠加人工审核机制，而由此产生的人力校验成本，往往会抵消 AI 本身带来的效率提升。
与此同时，行业内的担忧也在同步显现。2026 年 1 月，在香港举办的高山书院十周年论坛上，国家传染病医学中心（上海）主任张文宏教授就人工智能在医疗领域的应用表达了相对审慎的态度。他明确表示，反对将 AI 系统性地引入医院日常诊疗流程。他以自身使用 AI 的经验为例，称通常会先让 AI 对病例进行初步分析，再凭借专业经验快速识别并纠正其中的错误。
张文宏指出，真正的隐患在于，如果一名医生从实习阶段起就高度依赖 AI 直接给出结论，而缺乏完整的临床思维训练，未来将很难具备判断 AI 诊断正误的能力。他强调，年轻医生必须通过系统性的训练，才能建立两项核心能力：一是判断 AI 结论是否可靠，二是应对 AI 无法覆盖的复杂疑难病症。这是技术便利背后不可或缺的专业根基。在他看来，AI 更适合承担辅助性角色，例如帮助医生快速检索医学文献、整理参考治疗方案，而不是替代医生完成关键决策。
从风险角度看，AI 医疗最大的隐忧，依然是“幻觉”。
即便模型能力持续提升，大模型仍无法做到100%消除错误输出，而医疗健康恰恰是一个对专业性和严谨性要求极高的领域。2026 年 1 月，《卫报》的一项调查指出，谷歌搜索的AI Overview曾在健康摘要中生成虚假或误导性信息，随后谷歌删除相关内容并加强审核机制。
与此同时，高质量医学数据、医保数据的获取本身就极为困难，用户对个人健康数据使用的高度敏感，也使模型训练与对齐不可避免地存在不完整性与偏差。再叠加上下文工程、长期记忆系统等基础能力差异，一旦 AI 健康助手实现大规模部署，这些问题所带来的系统性风险将被成倍放大。此外，法律责任与伦理风险始终悬而未决。医疗机构、医生与 AI 提供方之间的责任边界仍缺乏清晰界定。这种潜在的集体性追责风险和由此带来的品牌与合规压力，是最难评估、却又无法回避的隐患。
AI时代，AI助手正在成为新的默认入口。而在所有AI助手之中，健康助手或许是最具长期价值的一种——它不只是管理你的数据，更试图陪伴和维护你的“个人健康伙伴”。也正因如此，巨头们才会集体下场。谁能率先成为用户真正信任的健康入口，谁就有可能在下一个十年，握住那把最难被替代、也最具黏性的钥匙。

meto

AI看病，医生：我先躺为敬

mulunbo

说AI医疗成长期陪伴型基础设施挺诱人 但每周四分之一用户问医疗问题 每天四千万咨询量 这数据就像把菜市场搬进图书馆 信息杂乱真能精准服务健康吗

oppledr

在AI医疗AI健康等方面，to b 模式是最快商业化落地的，没有之一，也就是，由医院、政府兜底建立的AI应用是最快商业化落地的。to c 是有一个慢慢接受的过程，老百姓有一个慢慢接受的过程。

bini0815

进来看看新闻