为什么今年的WAIC，“影像AI”不再被热烈讨论？

2026年7月，上海世博展览馆。

相比过去几年，今年世界人工智能大会（WAIC 2026）医疗 AI 展区的叙事重点，明显从单点影像算法转向到“多模态系统、临床智能体（Agent）和医院工作流融合”。例如，联影智能等企业正在探索“医疗设备智能化与临床场景融合”；数坤科技等影像 AI 企业也在尝试从“单病种辅助诊断向更广泛的临床应用场景延展”。

这并不意味着医学影像 AI 走向了衰退。相反，它正在进入技术价值释放的重要阶段：基础设施化（即从一个独立的软件产品，演变为嵌入医疗设备、数据平台和临床流程中的底层智能能力）。

技术发展史上有一个普遍规律：一项技术真正成熟的标志，不是被越来越热烈地讨论，而是不再需要被单独讨论。就像今天的电力、互联网基础设施和云计算，它们“消失”在了公众的视野里，却又无处不在。

如果从产业演进角度观察，医疗 AI 正经历三个阶段：第一阶段是解决“机器如何看见”的感知智能；第二阶段是探索“机器如何理解”的认知智能；第三阶段则是如今聚焦“机器如何参与临床流程”的系统智能。

对于全球医疗 AI 而言，影像 AI 没有消失，而是完成了一次产业身份的转换：从一个独立的软件产品，变成未来医疗智能系统中的基础能力。这意味着行业正在逐渐走出早期“像素级技术验证期”。随着大模型与系统工程的崛起，医疗 AI 正在跨越纯算法的边界，正式进入以系统嵌入能力为核心的下一阶段。

一、影像AI退居幕后，成为智能系统的感知层

在 WAIC 2026 的现场，细心的行业观察者会发现，纯影像 AI 已经很难代表整个医疗 AI 产业的未来方向。技术正在被解构，并作为底层模块融入更大的生态系统中：

1、设备与算法的深度耦合：在大型医疗设备展台，AI 能力正在从后端软件模块，向设备原生能力和工作流程延伸。它们协助完成扫描定位、参数自适应调优和三维重建，成为了高端硬件的内置辅助系统。

2、向“智能体”演进：科技巨头们正在尝试将影像、文本、医学知识库和临床流程能力，整合进入多模态智能体（Agent）体系。医生在交互中可以综合调取 AI 对病理、影像和电子病历的分析，而非单独打开一个阅片软件。

3、全病种工作流的延伸：头部创新企业展示的不再是孤立的“某一部位病灶筛查”，而是以影像为输入源之一，向上生长出覆盖急诊急救、心脑血管疾病等场景的临床辅助决策支持系统。

过去十年，医学影像 AI 一直承担着“证明人工智能能够进入医疗”的角色；而今天，它正在承担另一个角色——成为医疗智能系统的感知层。它率先证明了机器视觉在特定医学任务中的可行性，随后化作底层支撑，为更庞大的医疗生态让出了舞台。

二、为什么最先跑通的是影像AI？

要理解医疗 AI 现阶段的演进，必须回溯为什么是医学影像最先取得了技术突破。这并非巧合，而是由医学数据的底层特性决定的。

首先是相对成熟的数据标准。相比于语法各异、充满主观叙述的非结构化临床文本，医学影像拥有成熟的 DICOM 数据交换协议。其次是相对明确的监管准入路径。以美国市场为例，FDA 自 2017 年起逐步建立 AI 医疗器械审批框架；尽管这一路径在中国等其他市场经历了更长的磨合期，但与此同时，监管机构逐步探索针对 AI 医疗器械的评价和准入路径，使产业界开始形成从算法验证到产品注册的工程体系。更重要的是，医学影像 AI 面对的问题通常具有较明确的任务边界。例如肺结节检测、脑卒中识别、眼底病变筛查，其输入、输出和评价指标相对清晰，因此更适合机器学习模型进行单点优化。

这一阶段，全球产业界逐渐形成了医疗 AI 第一阶段的技术范式：

医学影像 AI = 标准化数据 × 深度学习 → 单点病灶识别

这也是第一代医疗 AI 最成功的工程路径。但这一范式主要解决了“感知智能”的问题。而下一阶段医疗系统真正需要解决的，是更复杂的“认知”和“协同”问题。这也是为什么第一代医疗 AI 更多是替代医生的部分“观察任务”，而下一阶段，AI 需要真正进入医生的“判断任务”与“执行流程”。

三、医疗 AI 核心价值评估模型的变迁

从“看懂一张图”到“真正创造商业价值”，中间横亘着巨大的产业鸿沟。

过去，行业的注意力高度集中在算法的准确率和敏感度上，商业逻辑简化为“卖软件”。但当这些独立产品进入真实的公立医院网络时，它们遇到了巨大的阻力：医生不愿意在多个软件间频繁切换，医院管理层也不愿为无法明确核算运营回报（ROI）的单一工具持续买单。

更深层的原因是，单点 AI 产品在真实环境中的部署往往涉及信息科接入、数据隐私脱敏、多品牌设备适配等额外成本，这些复杂的工程负担在算法层面无法被简单优化。

在此背景下，医疗 AI 的商业价值评估模型发生了根本性迁移。可以用一个公式概括：

未来医疗 AI 价值 ≈ 模型能力 × 系统融合能力 × 临床价值闭环能力

这里的“系统融合能力”包括：与 HIS/PACS的数据无缝对接能力、嵌入医生工作流的无感程度；而“临床价值闭环”则是指系统能否真正转化为缩短急诊流转时间（DNT）、降低漏诊纠纷或优化医保支出的核心动能。缺少临床与支付环节的闭环，再强的模型也难以转化为可持续商业价值。

四、不同产业生态下的优势侧重

这种从单点算法向系统能力的迁移，在不同市场更多体现为不同产业生态下的优势侧重。事实上，全球医疗 AI 都正在向“模型能力+场景能力+系统能力”的综合竞争演进，只是不同产业生态形成了不同优势组合。

美国医疗 AI 更多依托成熟的基础模型生态、医疗数据标准和工作流软件，推进认知智能与流程自动化。例如Epic与微软探索的医疗AI 生态，Nuance、Abridge 推动的环境智能与临床文书自动化等。

而中国企业则依托超大规模的医院场景、高效的工程部署能力以及软硬协同生态，形成了极具韧性的本土特色：

1、高密度、高复杂度的临床场景。中国大型公立医院形成了极高密度、高复杂度的临床服务场景。这种高强度的运转环境，对 AI 系统的响应速度、稳定性和全院级工作流的接入能力提出了苛刻标准，倒逼本土厂商练就了扎实的系统嵌入基本功。

2、软硬协同的紧密链路。大量 AI 算法在早期就能与本土设备厂商展开联合研发，探索“硬软一体化”的前装模式，通过设备智能化降低了医院后续部署的技术阻力。

3、医保控费创造的潜在需求。随着 DRG/DIP 改革的深入，医院被推动着更加关注诊疗效率和成本控制，这为能够优化临床路径、提升运营效率的系统级 AI 创造了巨大的潜在需求，也为系统级 AI 提供了证明真实价值的最佳试验场。

五、向“医疗智能操作系统”探索与企业新出路

今年 WAIC 展会上最值得关注的信号是：越来越多医疗科技企业正在探索“医疗智能操作系统（Healthcare Smart OS）”的方向。

本文所称的“医疗智能操作系统”，并非替代 HIS、PACS、LIS 等传统系统。它并不是一个替代所有医疗信息系统的新平台，而更接近于医院 AI 时代的“智能中间层”。它类似于汽车智能化中的车载智能平台，而不是替代发动机、底盘和道路系统本身。这一中间层负责统一调用影像视觉模型、大语言模型和临床决策模型，并以标准化接口向临床工作流输出智能建议。

六、影像 AI 企业的三条路径

当影像 AI 走向基础设施化，相关创新企业的核心竞争力，将从单一模型的准确率，转向多模态数据的整合能力与设备连接的广度。具体而言，未来影像 AI 企业将主要探索三条路径：

成为设备智能层：AI 算法深度嵌入 CT、MR、超声等高端硬件，成为设备的原生控制与后处理系统，完成从软件到“智能硬件之魂”的跨越。

成为医院智能基础设施：从肺结节、脑卒中等单点产品，扩展为跨科室、全病程的通用平台级服务，成为医院信息化系统的智能化底座。

成为垂直医疗智能能力提供者：利用多年积累的高质量医学影像数据、临床知识体系和工作流 know-how，训练并输出不可替代的专病、专科垂直智能能力。

结语：下一场竞争的实质

医疗产业是一个极其复杂、保守且人命关天的实体系统。外部的技术浪潮无论多么猛烈，最终都必须在这个体系的内部逻辑里完成消化与重组。WAIC 2026 释放出的产业信号正在变得清晰：一个由 AI 深度融入医疗体系，而不是简单替代医生的智能医学时代，正在开启。

影像 AI 的退居幕后，并不是一次谢幕，而是一场角色迁移。它从聚光灯下的独立产品，成为未来医疗智能系统不可见但不可或缺的感知基础。医疗 AI 的下一场竞争，不是谁制造了一个更聪明的算法，而是谁构建了连接数据、模型、设备和医生的智能医疗基础设施。