凯文·凯利：AI的价值最终在场景，而医疗被低估了

2012年，“科技预言家”凯文·凯利（KK）和马化腾有过一场对话。马化腾问他，如果来中国创业，会选什么行业。KK说，他感兴趣的是信息技术对健康的影响，他相信健康信息产品会在中国有大市场。

2026年9月25日，KK又来了。这一次，和他对话的是德适科技董事长宋宁博士。两人有一个共识：AI的价值最终会落在应用场景上，而医疗健康，是最重要的落地场景之一。

互联网解决了连接问题，AI正在解决能力问题。而医疗健康，恰恰是能力问题最集中、也最需要被解决的领域。KK当年看到的是健康数据的可能性，如今，这种可能性正在变成真正的落地机遇。

但两人更清楚，AI模型能力趋同之后，真正的稀缺不是模型，是数据和场景的结合方式。谁掌握了这个结合方式， 谁就掌握了对下一个十年的定义和诠释。

一、AI时代不是互联网的替代，而是进阶

互联网的核心是连接，消除信息不对称。AI的核心是进化，让系统自己学习、自己迭代、自己产出。KK说得很直接：“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是做一个病种、开发一个模型，这是软件本身。新的逻辑是让每一个影像科医生，都能基于一个通用底座，训练属于自己的AI助手，这是生成软件的过程。

宋宁用一个类比讲清楚了这件事：40年前，企业打印文件得去印刷厂，后来微软推出Office， 大家可以在办公室自己打字、自己打印 。 医疗AI的当下，就是当年只有印刷厂模式的时候，下一步是把印刷厂变成办公室，把专门能力变成通用能力。

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，恰恰是医疗行业最核心的痛点—— 优质诊断能力，永远是稀缺的。

信息不对称可以用平台解决，能力不对称不行。因为能力背后是信任，信任没法用流量堆出来。平台可以用补贴换用户，但医院不会因为补贴就用一个不信任的AI。前者是流量逻辑，后者是信任逻辑。两套逻辑，不能混用。这意味着，医疗AI的护城河，不在技术，在时间。

二、中国医疗AI的三重叠加优势

全球模型能力正在趋同，医疗AI的竞争焦点在哪里？答案不在模型本身，在数据和场景。

中国医疗AI有三重叠加优势。第一层是人，60岁以上人口超3亿，慢病管理、癌症早筛、产前诊断需求爆发，这是刚性需求。

第二层是效率，400万注册医师，影像科医生每天看上百张片子，误诊漏诊风险高，AI辅助诊断是刚需。

第三层是国家战略，监管层在加速审批，产业在加速落地。三重需求叠加，构成巨大市场。但需求不等于优势。

真正的优势，藏在第四个条件里：数据能不能从“沉睡”走向“流通”。中国医疗数据的困境是总量大、质量参差、流通难。过去十年，数据沉睡在医院服务器里，不标注、不流通、不定价，AI就学不到东西。

宋宁在跟KK的对话中提到：医疗影像的诊断，即使同一患者的同一张片子，不同医院、不同医生、不同地区都会有不同理解。反过来理解就是：医疗AI最难的不是算法，是数据的标准化和可信度。

而数据标准化这件事，本质上不是技术问题，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，谁就更容易成为行业的标准参照。德适在做可信数据空间，和杭州数据交易所共建；出行业白皮书，推动形成好模型该长什么样的行业共识；拿下全球首张基于大模型的三类证，积累合规经验。这些动作放在一起看，不是在卖产品，而是在把先行摸索出来的经验和方法论沉淀下来，分享给行业。

说白了，行业早期最缺的不是技术，是共识。没有共识，每个团队都在自己的坐标系里跑，数据对不上，模型没法比，行业在原地打转。谁先把共识的底稿拿出来，谁就更容易被当作对话的起点。

这种先发优势意味着，后来者不必另起炉灶，沿着先行者验证过的路径走，就能少踩很多坑。这是基础设施层面的先发红利，比单个产品的利润高一个量级。技术可能会被追上，但方法论的共识一旦形成，就有很强的路径惯性。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。

医疗慢一步，可能就是错过最佳干预时机，所以让后来者少走弯路，本身就是最大的公益。有人先趟过一遍，后来者省下的时间，会变成更快进院的工具，最终变成患者少等的时间。

三、数据是瓶颈，工业化是解法

医疗数据和其他行业数据最大的不同，是它天然分散、天然非标、天然敏感。这意味着，医疗AI的竞争，不是比谁算法快，是比谁能把散落在几千家医院里的非标数据，变成可标注、可流通、可定价的生产要素。这是一件慢功夫，但一旦做成，护城河极深。

传统医疗AI是“一病一模型”，开发周期两年，成本几千万，每进一个病种，都要重新收集数据、重新标注、重新训练，不同项目之间无法复用。

现在德适给出的做法是：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，把数据接入、智能标注、质量控制、模型训练、统一评测、发布部署、应用反馈全流程串起来。

以前每做一个病种，都要从零开始。现在有了底座，新病种开发从两年变成两三个月，数据需求降到原来的1/200。这就是从手工作坊到工业化量产的区别。

但工业化有一个隐含假设：底座足够强，能泛化到足够多的病种。这个假设成立吗？

罕见病是一个测试。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，没有足够的训练数据，也训不出可靠的模型。工业化量产覆盖常见病，罕见病仍然需要“手工作坊”。这意味着，医疗AI的普惠，可能是不均衡的——常见病先普惠，罕见病后普惠。而这个顺序，和医疗资源分布的既有格局，恰好重合。

但这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，才有余力去解决罕见病。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，别忘了那些被边界挡在外面的人。

模型不是产品，是能力。产品可以复制，能力不能。底座是能力，千模型是产品——德适卖的是能力，不是产品。产品会过时，能力不会。AI把技能标准化了，医生的判断力反而更稀缺，这就是能力逻辑在医生身上的体现。

四、医生会不会被替代

AI会做医疗信息、医疗诊断，在这些方面比人类做得更好。但医生是人，是同理心、是智慧、是咨询、是支持、是判断，这些都是AI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来聊一聊。有时候并不是要开什么药，就是聊10分钟，患者就觉得身体好了一点。医疗里最值钱的东西，AI给不了。因为它不是知识，是关系。

AI的价值不是替代医生，而是把医生从重复劳动中解放出来。影像科医生每天看上百张片子，80%正常，20%有异常。AI筛掉80%，医生专注20%。这不是替代，是放大。

但放大之后，医生的角色也在变：以前是看片子的人，以后是做判断的人。看片子是技能，做判断是能力。AI把技能标准化了，能力反而更稀缺。AI不是降低医生的门槛，是抬高。当技能可以被AI替代时，只有判断力才能定义医生的价值。而判断力，AI教不了。

但医生角色变化的背后，是一个更大的问题。

五、普惠的真正难题，不在技术

医疗AI要真正普惠，必须进入区域医疗服务体系。德适最近和浙江一家省级医疗AI公司合作，搭建省级医疗影像AI云平台，让医疗AI从单个医院的工具，变成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撑。

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，现在他也能用上了。这才是普惠真正的含义——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。县城医生信不信AI的判断，患者愿不愿意接受AI的建议，答案不在实验室里，在每一天的诊室里。

真正决定普惠速度的，是医院愿不愿意用、医生信不信、数据能不能通。这三件事，比技术难十倍。而信任这件事，没有捷径。不能用补贴买，不能用流量换。只能一例一例地积累，一个医生一个医生地说服。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，改变的是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，最终都要回到场景里去验证。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。而场景能不能跑通，前提是数据能不能先跑通。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。