人工智能大模型已经实现在全国范围内的近90家、当地知名大三甲医院的部署。过去一个月，国内AI医疗公司股票集体上扬，而大洋彼岸，以AI精准医疗公司Tempus AI为首，美股医疗AI公司迎来了一波爆发。

　　AI医疗的“先行者”IBM Watson Health退出赛道并不遥远，AI医疗在去年还没有进入主流视野。突然之间，AI医疗的时代就来了？

　　Tempus AI去年才上市，今年1月就暴涨近三倍，从低点的30美金涨至超90美金一股，随后近几天又暴跌到50多美金。这只股票的关注度如此之高，不止在于它是佩洛西早就看好并重仓的AI公司，更是因为在AI医疗提出的概念非常庞大而富有吸引力。

　　Tempus AI目前提供三种不同的产品线：基因组学、数据和 AI 应用。

　　基因组学是Tempus的主营业务，通过基因检测相关的服务，在肿瘤诊断领域推出一系列产品，包括肿瘤组织基因测序、液体活检等。作为数据和流量的入口，基因检测产品通过一整套智能诊断系统，生成源源不断的分子数据流，以推动其他两条产品线的增长。

　　数据服务除了基因测序业务之外，Tempus还依靠收购的Arterys公司进入到医疗影像领域。截至2024年11月，其数据库拥有超过250PB多模态数据，积累了120万影像数据、超110万样本测序数据和超25万“DNA+RNA”特征数据。这些数据整合为两个主要产品 Insights 和 Trials，为生命科学公司的药物发现和研发提供数据服务以及AI研发工具，同时也是Tempus收入增长最快的部分。

　　AI应用专注于开发和提供AI驱动的CRO服务、临床试验服务、构建和部署临床决策支持工具。本质上通过基于数据、算法的软件，为医疗环节的各个角色提供AI工具。

　　该系列的主要产品有Next（护理，推进医生与患者之间的信息沟通与治疗路径管理）、Algos（算法，利用深度学习评估生物标志物，帮助医生判断化疗药物或靶向疗法的适用性）、One（AI助手，借助 AI 辅助分析患者信息，为个体化治疗方案提供快速建议）、Hub（管理站，帮助医生或研究者通过手机或电脑访问并管理患者诊断数据）、Lens（数据分析，负责为科研人员呈现数据汇总和可视化结果，便于进行群体或个体层面的研究）、Pixel（AI影像，影像数据的 AI 诊断与纵向变化追踪）、Assays（精准医疗，覆盖多类测序手段，包括全外显子、RNA 乃至液体活检）。

　　Tempus是少有的能有自己“业务飞轮”的AI医疗公司，它一直围绕“数据——分析——诊断——服务”的循环思路布局精准医疗。

　　其成长策略具体而言，首先专注于拓展医院网络。他们为临床医生提供基因检测和数据分析工具，同时收集宝贵的患者数据。他们还积极与更多医疗机构合作，推广测序技术的应用。

　　在此基础上，他们向制药企业出售数据服务，既可协助药企精准筛选临床试验人群，也能挖掘新药潜力，为后续的药企合作奠定坚实财务基础。

　　随着数据库规模与算法能力的提升，公司不断开发新的 AI 应用产品，从智能病理诊断到肿瘤原发灶识别，逐步渗透更多临床场景。与此同时，他们从肿瘤扩张到心血管、罕见病等多个疾病领域，让技术与数据的价值在更多场合被释放；最后则是在地域层面的全球化布局，接连与北美、欧洲及亚洲的主要医疗机构合作，进一步扩大数据来源和行业影响力。

　　正是这套覆盖数据收集、分析建模、诊断服务与商业合作的全链条策略，推动公司在精准医疗领域持续高速增长。近两年AI算力的爆发和诊断成本的显著降低，使海量医疗数据的收集、访问和整合变得更加高效，也让复杂的横向和纵向数据分析成为可能。这一技术进步为成长提速提供了强大支撑。

　　今年Tempus AI的预计年收入约为 12.3 亿美元，同比增长 75%以上。

　　一级市场上，另一家医疗AI领域新星OpenEvidence刚刚完成了7500万美元融资，由红杉资本领投，使公司估值一举突PG电子网站破10亿美元。创始人Daniel Nadler之前创办的金融数据公司Kensho曾在2018年以7亿美元价格出售给标普。2021年，他自掏资金创立了OpenEvidence，专注开发面向医生的AI助手。

　　OpenEvidence采用免费增值模式，通过广告创收，主要依靠医院内部口碑传播获取用户。红杉资本合伙人Pat Grady指出，这种自然传播模式在医疗行业极为罕见，通常只在互联网产品中才能见到。

　　目前，OpenEvidence已与《新英格兰医学杂志》建立合作关系，并计划在今年拓展更多医学期刊资源。此轮融资将主要用于AI算法优化和扩展医学数据合作伙伴网络。

　　尤其是Tempus AI，在医疗领域收集数据多年，目前美国其他AI医疗公司短期想追上很难。它已经与超过200家生物制药企业建立了合作关系，连接了美国65%的学术医疗中心和50%的肿瘤医生，拥有850万临床记录、120万影像记录以及250PB多模态数据，从而构建起公司的核心壁垒。2024年11月，Tempus收购了基因检测公司Ambry Genetics，后者是一家拥有25年历史的基因检测公司，获得了更多有价值的数据，并将业务拓展至儿科、罕见病、免疫学、生殖健康和心脏病学等领域。

　　然而现实却充满挑战——医疗领域严重缺乏经济实惠且高效可用的优质训练数据，面临的问题不仅技术性强且枯燥乏味，项目周期往往漫长，使得整个行业在科技创新圈中难言“性感”。

　　《硅谷》第一季中有个经典桥段，硅谷的每家科技创业公司都挂着同一句豪言壮语——“让世界变得更美好”。而在AI+医疗这个特殊战场上，可能还需要加一些条件：“让世界变得更美好，但取决于FDA审批进度”。

　　在医疗行业推动哪怕最微小的变革，都需要协调数量惊人的利益相关方，穿越层层叠叠的监管审批流程，与真正实现盈利之间更是横亘着漫长的时间鸿沟。通过实际接触不难发现：医生们并不期待大模型能够创造癌症治愈的奇迹，他们更现实的期望是，你能否帮助自动化处理A类手术中B环节涉及的C类手续报告；而这些真实需求只有在长期深入行业、充分理解临床工作流程后才能真正体会。

　　在美国，FHIR（Fast Healthcare Interoperability Resources）和HL7标准已经广泛应用，确保医疗数据在不同机构之间的互通。标准化数据使AI技术在医疗中的整合更加顺畅，推动了影像分析、辅助诊断等应用的落地。欧洲也在通过制定类似标准，推动医疗数据的互通互操作。

　　相比之下，中国的医疗数据标准化仍在发展中，但去年底有一个关键的转折点：首都医科大学宣武医院与北京国际大数据交易所合作，成功完成了北京市首笔公立医院数据交易。未来，该数据集将应用于国产颈动脉支架产品的研发，助力医疗机构更加精准地理解中国人群的脑血管疾病。

　　这意味着一个健康数据自由流通的时代正在开启。此前对于医院而言，政策指导下的医疗IT建设虽能在长期之中提升医院的综合竞争力，但短期之内仅以成本的形式计入损益表中。健康数据交易的实现或能改变这一局面：通过规模化销售脱敏数据，医院可以将数据治理从成本转化为收入，从而激发其主动深化信息化建设的动力，也为AI医疗的数据基础建设提供更加丰富且高质量的资源。

　　这次AI医疗浪潮和之前相比，最大的不同可能就是“系统化”。也就是说，AI不再只是独立模块或单一功能，而是嵌入医院的信息化体系之中，影像、病历、药品管理、随访体系等多环节互联互通。

　　事实上，中国医疗机构的AI应用水平处于较为领先的地位，根据2024年飞利浦中国版《未来健康指数报告》数据显示，86%的医疗机构管理者受访者表示已布局或计划投资生成式AI，这一比例显著高于美国（75%）。在具体应用场景方面，47%受访者表示已经在放射科部署AI，44%在院内患者监护中应用AI，40%在药品管理环节应用AI。

　　尽管部署率令人瞩目，但落地来看，医院最关心的是“是否能缓解医生资源紧张”、“是否能减少文书工作量”、“是否能降低误诊率”等具体现实问题。如果AI产品只在短期内解决一个小痛点，或长期维护成本过高，医院就会觉得得不偿失。

　　当年，IBM Watson Health的致命缺点之一，就是缺乏医患场景的深度融入，不能贴合医院工作流、无法与医生日常操作系统无缝衔接，很难获得持续应用。医生需要简洁、易操作且能节省时间的工具，而Watson的交互流程对医院信息化系统提出了较高要求，也往往需要额外的培训成本与维护投入。对很多医疗机构来说，“用起来不方便”就足以让他们望而却步。

　　而且，IBM在推广Watson医疗时，倾向于走“大项目、大客PG电子网站户”路线。但每家医院的管理体系、信息化水平、预算流程都不一样，要想批量复制落地并不容易。对于IBM而言，研发、维护和定制化投入巨大，却难以在短期内得到相匹配的市场回报；对医院而言，高昂的采购和运营成本也让人犹豫不决。双方都承担着不小的财务压力，最终只能无奈止步。

　　最著名的是与MD安德森癌症中心的合作终止，巨额投入却未达预期结果，引起业界广泛质疑。“明星项目”的失败具有强烈示范效应，直接动摇了IBM Watson在医疗领域的商业信心，也让其他潜在伙伴对其技术可行性持保留态度。

　　和Watson时代不同，现在市场上已涌现众多能够驾驭海量数据、挖掘深层价值并提供多样化解决方案的企业，AI在医疗领域的应用早已突破“辅助诊断”的单一维度，扩展至制药、检测、患者服务、科研等全产业链。结合对生物学与临床数据的深度理解，AI医疗已从早期简单的软件工具，发展为跨学科、跨场景的综合应用生态。

　　医疗 AI 领域的投资仍处于早期阶段，预计 2024 年至 2032 年间，AI 健康科技行业的复合年增长率将达到 43%。这是一个具有爆炸性增长潜力的市场。

　　然而，Watson的经验教训仍值得深思：市场不会为纯概念买单，只有真正建立在高质量数据基础上，通过扎实技术研发精准匹配临床需求，才能使AI自然融入医疗工作流，为医生、患者和研究者创造实质价值。