AI智能醫療：數據為鑰，AI開道，全球競跑_風聞

2025年，一場由技術聚變催生的生產力革命正以前所未有的烈度重構中國經濟版圖。AI撕裂數據與實體的邊界，量子計算探索物理規則的邊緣，綠色科技重塑增長的倫理、低空經濟、機器人、大模型打開科技躍遷的大門一2025年的中國，新質生產力已非單純的技術選代，而是智能文明與產業基因的共振裂變。在這個大背景下，中國企業需要以智慧為座標，穿透技術、組織與商業模式的“三重結界”，在數字與實體的糾纏中鍛造新物種。

2025年7月25日，由融中財經、上海天使會主辦的“2025中國科創夏季投資峯會——AI未來創新企業峯會”在上海盛大舉行。

本次峯會將着力打造產業活動與資源的對接平台，圍繞AI算法算力、大模型以及應用開展話題討論，將邀請國內外頂尖創新與商業領袖，人工智能鏈主和龍頭創新企業以及上市公司、資本大咖齊聚一堂，共同展望2025產業發展、技術創新以及戰略性新興產業發展的前景。

會上，繪雲生物CEO滕琳主持，唯邁醫療創始人兼CEO楊賀、佳量醫療創始人兼CEO曹鵬、英矽智能Co-CEO兼首席科學官任峯、連心醫療CEO章樺、角井生物聯合創始人兼CEO週一鳴參與討論，圍繞“跨界融合，重塑醫療大健康產業格局”進行了精彩的討論與分享。

以下內容由融中財經整理。

AI重塑醫療生態，聚焦六大賽道

滕琳（主持人）：當人工智能以前所未有的速度重塑醫療生態——從影像診斷的精準閲片到新藥研發的智能篩選，從慢病的管理到個性化干預，再到公共衞生預警的影響——機遇與挑戰並存，創新與規範共進。今天我們匯聚在這裏，就目前六大關鍵賽道，與實戰派專家們，共同探討智能醫學生態圈裏的關鍵議題。

接下來介紹一下幾大關鍵賽道。一是AI製藥，二是手術機器人，三是醫學影像，四是智能器械，五是生物計算，六是精準診斷。

我是來自繪雲生物的滕琳，我們企業主要基於質譜平台的代謝組學研究，開發了世界上首個全自動高通量的定量代謝組臨牀質譜檢測平台，致力於將代謝組學技術轉化為切實可行的健康解決方案。繪雲同時擁有全國最大的40萬＋人份的臨牀表型組學數據庫，開發了用於精準預防醫學的慢病體外診斷試劑和AI智能診斷軟件。之後我們將在代謝組學和AI技術的基礎上，進一步拓展慢病精準診療生態。接下來有請曹鵬介紹一下佳量醫療在AI智能領域的投資佈局和重點項目。

曹鵬：大家好，我叫曹鵬，來自佳量醫療，公司在杭州。我們2020年4月成立，致力於做成一家腦科學和神經外科平台型創新醫療器械公司。目前，我們是中國第一個將腦機接口技術應用於神經調控領域且臨牀進展領先的公司。

另外是圍繞平台技術，我們積累了很多knowhow，包括微小封裝、智能算法、AI模型的賦能等都做了大量的儲備，已衍生出針對難治性癲癇、帕金森等疾病的適應症解決方案。此前，我們聯合浙江大學，通過智能化設備實現了完全截癱患者重新站立與自主行走的突破，相關成果已召開發佈會。目前，佳量醫療在腦與脊髓神經接口領域處於國內領先地位。

此外，我們還佈局了創新醫療器械，如基於磁共振引導的激光消融系統，用於治療癲癇與腦腫瘤，以及其他三類有源耗材，整體聚焦神經系統領域。

關於AI佈局，我們是國內首個通過把腦機接口植入大腦，獲取大量顱內腦電信息的企業，已建立自己的腦電雲平台，在100多例臨牀試驗中標記了10多萬條數據。未來隨着植入量增加，數據規模將進一步擴大。

臨牀過去使用傳統開環治療，難以精準、長期獲取有效的顱內數據，而現在佳量通過腦電長程採集，包括24小時動態採集、應用、範式和標記，開發基於腦電的模型，目前癲癇相關模型已初步建立。腦機接口設備可支撐更多病人做常規範式，並推廣到更泛化的應用，如遠程程控、智能家居交互及手部運動控制等，這是我們後續在AI領域佈局的重點方向。

任峯：我是英矽智能聯合首席執行官兼首席科學官任峯。

英矽智能是一家AI賦能的生物技術公司，成立於2014年，2016年起運用生成式AI解決生物學與化學領域的問題——用生成式AI結合患者的多組學數據，發現創新性強且可靠的新靶點，再基於靶點的蛋白質三維結構，通過AI生成可與之結合的小分子化合物。公司核心業務聚焦於利用生成式AI進行靶點發現與分子生成。

目前，公司擁有30多條管線，覆蓋臨牀及臨牀前的各個階段，其中有7款產品正在開展臨牀試驗，進度最快的是治療特發性肺纖維化的產品。該候選藥物由AI發現全新靶點，並生成全新分子，目前已在中國完成臨牀二期，療效顯著：現有獲批的其他特發性肺纖維化藥物僅能延緩患者肺功能下降，而我們這款藥物在臨牀上可逆轉患者的用力肺活量，改善肺功能。我們計劃儘快推進至臨牀三期，為特發性肺纖維化患者提供顛覆性的治療方案。

當前，大家評估AI製藥公司主要從兩個方面入手：一是AI技術為公司帶來的收入，二是管線的進展。在管線進展方面，我們處於全球前列——目前尚無AI藥物獲批，進度最快的也僅到臨牀二期，我們的這款藥物便是其中之一。在收入方面，過去三年公司通過AI平台，結合團隊開展戰略合作與管線的對外授權，收入年均增長70%，去年收入達8580萬美元，我們希望未來保持這一增速，快速推動技術落地、商業變現，與管線進展。

楊賀：我們是唯邁醫療，主要做醫用手術機器人，具體的賽道是介入手術機器人，也就是在血管內的機器人。醫用機器人是近一兩年的熱點賽道，而AI的融入讓其從單純的機械輔助裝置（或機器手）變得真正具備“智能”屬性，這正是AI賦能的核心價值與重要性。

唯邁醫療歷經十年，圍繞心腦血管介入手術的“眼、手、腦”三個環節實現產品落地，並於今年完成了整體方案的商業化，目前是全球唯一掌握“眼、手、腦”全鏈條產品的公司。特別值得一提的是，我們的冠脈介入手術機器人通過國家三類創新通道審批，牽頭起草該領域國標制定，並於今年承接國家重點研發計劃“智能機器人”專項——“手術機器人力感知與力反饋”項目，代表了國內該領域的突破力量。

在我們看來，醫用手術機器人的發展離不開智能化——若僅是機械手臂，最多隻能減少醫生疲勞、提升操作精度，易陷入同質化競爭。而智能化可整合多模態信息，輔助醫生決策。所謂“眼、手、腦”，即模擬醫生手術邏輯：通過“眼”獲取影像，通過“手”感知力反饋與運動，最終通過“腦”整合信息並決策。這個整體環節如果醫用手術機器人蔘與，它會成為“生產力工具”，這是它最終的形態。

橫向對比來看，我們介入手術機器人的操作邏輯與自動駕駛相似：醫生看血管通路，如同駕駛員，通過“方向盤”控制導絲導管的路徑走向，根據不同病灶的反饋做出決策（類似遇行人時減速或轉彎繞過），和自動駕駛是一樣的邏輯。我們近期開發的AI訓練模型，正是借鑑了自動駕駛的精簡小模型思路，兩者邏輯高度契合。

目前自動駕駛不能叫自動駕駛，仍處於“輔助”階段，回到醫療領域，因涉及倫理問題，短期AI也以輔助醫生為主，但隨着技術落地，真正的自動駕駛或半自動化手術的實現並不遙遠。

章樺：我是連心醫療創始人章樺，公司成立於2016年。當年受AlphaGo深度學習技術啓發，我們看到AI在醫療領域的巨大潛力，遂以“通過人工智能優化腫瘤治療方案”為願景開展業務。

早期我們從腫瘤放射治療切入，通過AI識別腫瘤病灶、形成治療靶區，指導射線精準照射（在治療腫瘤的同時保護正常器官）。2019年，公司獲三類醫療器械證，形成了產品，全國乃至全球範圍內大概有400多家醫院的客户在使用我們的產品，每年大概有超過30萬例用户是用AI輔助的方法形成治療方案進行治療的。

2022年ChatGPT引發的大模型浪潮為我們帶來新方向：原來我們的技術是單純基於視覺的，或者基於圖像的模型，從2023年開始，我們把文本的模型形成多模態的模型，開始介入到腫瘤相關領域。我們先後與協和醫院、復旦大學附屬腫瘤醫院等合作，將應用場景從治療端拓展至前面的分期判斷，和最後細節化的治療。

目前，我們已形成比較完整的產品體系，對於幾個比較常見的病種，像頭部的鼻咽癌，到中部的肺癌、食管癌，再到腹部的宮頸癌，有一整套人工智能體系可以解讀綜合性的信息、報告、所有的影像，判斷患者的病情，給出治療方案，在治療執行過程中給予相關反饋及不良事件評估等。

總的來説，AI能力變強後，腫瘤這個比較複雜的病種的治療方案和對醫生的輔助決策能力都越來越強。隨着技術深化，我們不少設備廠商合作，將AI決策能力融入高端設備功能開發。

最後想説的是，我參與了多項國家重點研發計劃，深刻感受到AI正在重塑醫療體系——隨着AI對醫生的輔助越來越深入，未來指南的制定與知識總結的方式都將被顛覆。

週一鳴：我是週一鳴，來自角井生物科技。

AI發展迅猛，但製藥是非常傳統、非常緩慢的過程，行業長期受“雙十魔咒”（十年研發、十億投入）制約，而患者無法等它那麼久。2000年我讀研究生時，人類基因組的圖譜公佈解出來了，當時大家很高興，説未來所有人類疾病都可以解決了，但20年後仍未實現。2015-2016年，我們意識到數據與算法的成熟可突破瓶頸，加上海量的人類組學數據，選擇了最難的腫瘤領域，希望通過AI開發創新藥物。

我們的藥和傳統的藥很不一樣，不一樣到藥監局都不覺得它是藥，不知道如何審批，這個藥已經在臨牀上與醫生合作，在臨牀治療上也有很好的效果，但是美國和中國都沒法批准進入臨牀。現在中美都知道這種藥在臨牀上很有效，已經進入臨牀試驗，未來幾年可能會獲批上市。

基於我們做的腫瘤新抗原技術，我們發現其可擴展至抗體領域：我們專注兩個事，一個是基因組序列，第二個是AI技術。通過基因組分析（腫瘤領域關注T細胞受體，抗體領域關注B細胞抗體），我們利用兩者序列相似性遷移算法，開展抗體發現。

後續我們意識到，僅做抗體發現不足以應對臨牀試驗的長週期、高風險與高成本，所以最近探索將AI應用於臨牀試驗——以前覺得非常難的臨牀試驗，現在對AI可能小菜一碟，包括過去要做多中心的數據對齊非常麻煩，容易出錯，還要花很多錢和人力，臨牀上一個錯誤可能幾億美元就沒有了，但現在通過ChatGPT、DeepSeek等大模型可高效對齊，大幅降低錯誤風險。

角井雖規模比較小，但AI的發展對小公司來説是很大的機會。我們沒有負擔，可以輕裝前行。即使在醫療這樣的複雜領域，也可能一個人能做出一個獨角獸，100個人的公司可能也能做成一個超級大的Biopharma。

降本增效，AI對醫療全產業鏈的賦能與機遇

滕琳（主持人）：剛才各位分享了所在機構在AI智能醫學領域的佈局與項目，接下來想請大家圍繞這幾個問題展開討論：AI如何賦能醫療全產業鏈（研發、生產、銷售、服務等），它帶來了哪些創新？未來醫療產業鏈的AI發展趨勢是什麼？投資機遇與佈局策略有哪些？

週一鳴：我原先大部分時間都是做研究的，在美國的時候是在高校裏，回國以後在公司的研究院裏，承擔過國家的大課題計劃。

我在角井是首席科學家。在我的個人經歷中，確實能感受到這些技術在幫助我們解決臨牀問題上的價值。以我們的腫瘤性抗原藥物為例，目前已啓動臨牀試驗並完成患者入組。該領域全球僅少數公司涉足，初期需通過一個技術判斷方向的可行性。我本科學的是生物和計算機兩個方向，生物對我幫助很大，計算背景幫助我認識到腫瘤性抗原要成藥一定是靠計算，沒有計算不可能成藥。從30億裏面找到一個位點或者幾十個位點，概率極低。2017年的兩篇Nature文章中，從30億裏面找到幾十個對患者有效的，可以引起免疫反應的多肽，然後給病人注射回去，這種方式在臨牀上得到了驗證，很多患者受益了。我們的臨牀試驗結果也得到了類似的結論。

我們做抗體也是由於技術發展。抗體技術在2018年拿過諾貝爾獎，技術從八幾年到現在一直沒有太大變化，但最近我們開發的設備結合了AI算法，今年年底發佈，我們認為這個設備徹底顛覆了傳統的展示方式：設備全自動運行，無需複雜人工操作；通過AI可從10億序列中精準篩選最優方案，一個都不會漏（傳統方法僅能隨機測試十幾個序列，拿到了就如同“撞大運”）。這一技術大幅提升藥物研發效率。比如若首輪篩選無果，可快速切換生物學方法，避免時間浪費。

為什麼我們後面要做臨牀試驗的AI設計？因為我們意識到技術的推動力太大了，比如我們的技術一下子顛覆幾十年的技術，當然也會有人再顛覆我們的。臨牀需要做很多患者的數據，這個門檻更高一點，我們想把AI技術代入到臨牀試驗裏，雖然才剛開始，但相信再不久的將來，我們能夠把成本大幅降低。

技術的快速迭代是核心，只要足夠高效，就能解決更多問題。

任峯：周總説的“雙十魔咒”説明了目前傳統藥物研發所面臨的最大困境，即研發效率越來越低。僅通過人的知識經驗，難以突破瓶頸，而AI則有可能給我們提供一個顛覆性的解決思路或解決方案。

AI為製藥行業帶來的改變主要體現在兩個方面：

第一，降本增效。傳統研發需“十年十億美金”，我們的目標是通過AI將早起研發研發其壓縮至“兩三年兩三億人民幣”。基於數據歸納，AI可減少試錯成本——無需實際合成即可預判結果。以特發性肺纖維化項目為例，從立項到確定臨牀前候選化合物，我們僅投入260萬美金、耗時一年半，而傳統方法需數千萬美金，通過AI我們的成本僅為原來的十分之一左右，研發效率提高了，研發週期縮短了。

第二，提升原創性。以前中國生物醫藥一直被詬病，我們擅長“從1到100”，但“從0到1”的原創不如海外，這源於知識與數據積累的差距。AI的出現改變了這一局面——全球技術起點相同，而中國數據優勢顯著，有了數據優勢再結合算法，有可能實現彎道超車，發現海外未涉足的創新靶點與分子。還是以我們的特發性肺纖維化藥物Rentosertib舉例，通過對比病人與健康人的多組學數據，發現了全新靶點，目前全球僅我們一家針對該靶點開展臨牀，這正是AI帶來的原創突破。

章樺：剛才兩位聚焦臨牀階段前探索AI的應用，我們則在臨牀研究中深入應用AI。過去這兩年，我們基本上一期到四期的臨牀試驗都參與了；以前臨牀試驗是勞動密集型產業——患者篩選、量表填寫、數據統計等均依賴人工，效率低下。

我們通過與北京友誼醫院、天壇醫院合作，構建了基於多模態數據的完整體系：在早期臨牀試驗開始時，AI可參與試驗設計，如結合知識體系預判風險，做出較全面的臨牀實驗方案。在臨牀實驗方案的執行過程中，AI則可以通過語言模型對文本和圖像的識別能力，加速對患者的篩選。我們在北京一家醫院實際的落地過程中，精準找到患者的時間比傳統方式快了大概2-3倍的時間。

2023年的一個研究顯示，大概25%的腫瘤臨牀研究因三年內需入組總體數量50%的患者而失敗，這是一個巨大的損失。而AI通過比較精準的捕捉，產生一個新的場景，醫生可以立即跟進。我們發現可以在門診場景上直接讓患者跟醫生對話，建立了較強的信任，加快了入組的效率和概率。後續患者在治療過程中，因為有了這些數據，可以及時捕捉到一些不良事件，減少患者脱落的可能性。

當很好的數據實現數字化、智能化後，AI能夠直接完成統計——甚至不用等全部入組，過程中就能動態統計，及時發現問題並調整。這是我們看到的第一個重大變化，把原來很多勞動密集型的方式和行為人工智能化。

此外，我們公司內部也實現了AI改造：市場物料（招標、申報材料等）均從由人來做變成了由AI生成；上週我們在藥監局開會時，監管部門已引入AI審核企業申報材料，未來或將很快形成“AI跟AI博弈”的狀態，監管單位用AI在監管你，生產單位在用AI來進行對抗。

AI推動醫療設備智能化，挑戰與突破並存

滕琳（主持人）：AI智能技術的不斷進步，為製藥及醫療帶來了進步。同時，在醫療設備的研發和升級上也提供了新的思路和方法，比如智能影像設備、可穿戴設備，請問嘉賓，AI如何推動醫療設備智能化發展？

曹鵬：關於AI，我有幾點思考：

第一，醫療是保守的，AI是先進的，這裏面本身就是保守與先進的衝撞。剛才章總提到AI和AI的博弈，監管用AI讀你的申報材料，但大家要知道，如果你的醫療器械裏融入了“AI”功能，這個器械大概率屬於三類醫療器械，AI最大的問題是不可解讀性，有些是對未來的預測。這個時候，就會對監管就帶來了很多問題，我們的審評結構首先保證安全性，再考慮有效性，AI的屬性帶來了對於未來的不可確定性風險，所以這是很大的衝突。

我做醫療器械這麼多年，最大的感觸是AI在醫療方面的進展緩慢。為什麼這麼講？第一，關於醫療器械的研發流程，監管需要讓你明確地告訴他原理和範圍。

第二，植入式產品與可穿戴設備面臨數據豐富性的問題。像我們做腦機接口的公司，有一個很大的問題在於沒有那麼多已知的臨牀數據。佳量醫療在全球範圍內植入了100多例臨牀數據，每24小時產生一批大量數據，已經很多了；而埃隆·馬斯克的團隊僅植入6個病人，有效標記的數據會少一些。醫療數據的稀缺性導致AI在腦機接口方面的應用仍處早期——傳統大模型基於互聯網的海量數據才產生了今天的結果，而特殊行業，如醫療細分領域，數據分散，包括原先很多醫院的腦電圖數據、顱內腦電圖集常因存儲不當而流失，標準化程度低。

當前AI在醫療的應用更多是“重建”——用AI智能替代傳統方法，核心仍在於“數據”。對我們來講，數據還不夠多，傳統大模型等領域在直接治療類和對於腦機接口的分析類領域，還處於非常早期的階段，需要慢慢積累數據。國家也已開始關注腦機接口等新興領域的數據監管與標準化，今年國家的監管機構密集來調研了很多次，無論在省市區還是各個部委，大家開始做一些數據的規範，甚至術語的規範、標準的制定，不過仍處早期。

診斷、問診等內容類AI屬於大模型範疇，應用已較廣泛；植入類器械尚處早期；而可穿戴式“輕醫療”（如採集心電、體温、血氧等）應用不少——過去這類數據分散雜亂，如今正被積極規整建模，但整體仍處早期，尚未有大突破。

AI在醫療領域很火，但目前還遠未成熟，我們需要冷靜下來。

滕琳（主持人）：談到數據，尤其是數據的質量，我非常感同身受，我所在的繪雲生物也有同樣的問題。我們一直在講AI已經在賦能製藥領域、賦能診斷。我也分享一下繪雲生物在研發上的例子。

大家知道代謝組學的數據是非常重要的，在實踐過程中，數據的質量直接影響到智能化的結果。目前就我們所在的智能診斷、精準診斷領域，仍面臨數據規模不足的挑戰。我們企業跟AI的結合還沒有達到通用人工智能的階段，核心研發仍集中於深度學習模型構建。從診斷的領域來講，2015年奧巴馬提出“精準醫療”這個概念之後，一些基因科技公司，包括代謝組學的企業都通過數據來驅動產品的研發，尤其是近些年疾控、衞健委從疾病的治療慢慢轉向到了疾病預防，這塊的工作是比較有價值的，另外我們也期待更多高質量的數據能夠賦能醫療診斷這個領域。

剛剛曹總講到監管這塊，在監管和報批上，AI的診斷模型還需更多的專家發聲、建議，推動行業規範，為AI醫療領域的企業賦能。

楊賀：回到醫用機器人這個角度，在我們眼裏，我們開玩笑説，很多專家手術工具和當下時代很不契合，他們還在徒手操作器械做手術，但是在家裏可能是用着各種智能化設備，學生寫論文都用DeepSeek改一改，家裏的孩子報AI班，出來開的已經是無限接近L3級別的車。而臨牀專家們大部分時候還只能採用非智能化的手術器械，憑藉長期累積的經驗完成手術。

現在仍舊有不少手術類型的手把手學習班，靠師傅徒弟模式傳承，這種模式其實在手術機器人的加持下是有可能改變的。

我們做醫用手術機器人，並沒有指望它馬上開拓醫生的上限。手術機器人的目標不是替代頂尖專家，而是讓99%的醫生更快掌握技術、更輕鬆地提升手術質量、優化記錄質控。

人性天生想偷懶，總想使用更簡單的工具。我開了20年車，以前以靠後視鏡側方停車為榮，現在離了智能倒車功能就容易剮蹭，這其實就是慢慢“變懶”的過程。

這未必是壞事：醫生省下重複練習手法的時間，轉而鑽研手術原理，反而是更好的方向。對器械企業而言，用AI賦能手術機器人，本質是給醫生提供高效生產力工具。這個方向在AI商業化中最可行——它的支付方式明確、付費能力強，監管也相對完善，商業化前景清晰。

中國AI醫療的國際競爭力與出海機遇

滕琳（主持人）：AI賦能醫療這塊需要高度跨學科知識的整合，接下來把剩下的10分鐘留給在場的各位嘉賓。

相峯：我想問大家在座各位一個問題，如何評價中國AI醫療領域的國際競爭力？不同國家有不同的監管環境，可能在中國行不通的，在其他國家可能會找到市場。中國AI醫療方面在哪些地方有什麼機遇？

任峯：中國的AI製藥領域比海外起步晚了一些，海外絕大多數AIDD公司都在2013-2015年成立，國內大部分是在2018、2019年最熱的時候成立，進度比海外也稍微晚了一點。另外，國內傳統藥企對AI的接受度較海外來講稍微保守一些，可以看到海外MNC每年與AI製藥公司籤數十個大合作，國內這種大規模的合作較少。

然而，我們雖起步晚了一些，但有後發優勢。一方面可以減少很多試錯成本，另一方面，中國的病人多、數據多。AI的訓練和進步很大程度依賴於數據，如果既能源源不斷產生高質量的數據，並且能把數據的標準化做好，把數據分享的機制做好，我們就完全有機會在AI製藥領域實現彎道超車。

曹鵬：我覺得AI分幾個部分：數據、算法、算力。

第一，機械來講，中國有海量的數據。但可惜的是，我們原來沒有把這些東西標準化，被清洗過的有效的數據其實是不多的。大家最近幾年才開始重視起來，知道原來數據是個值錢的事兒。

第二，關於算力，醫療對算力的要求低於通用大模型，我覺得國內對算力的要求沒有那麼高，後面就是各家爭算法的事兒了。

從器械方面來講，算法在AI領域裏其實是跟數據結合的，我們在算法和數據方面和海外有一點差距。中國人想做什麼，其實決心和速度很快，現在大規模標準化樣本庫的建立，標準數據中心的建立，其實都在做這個事兒。我們可能略比美國晚一些，但相比歐洲和其他地方，一點兒都不輸於他們。

在我看來，像剛才任總講的，我們標記好的數據足夠多的話，彎道超車，甚至超出其他國家，有非常大的機會。

章樺：就像剛才曹總説的，從研發的角度來看，中國是很好的市場，但如果從市場的角度看，這片土地目前比較貧瘠。

我覺得在過去幾年，未佈局海外的藥企與器械公司表現平淡。在座的公司不得不仔細考慮，利用中國很好的數據資源、算力資源，做出全世界最好的產品，然後從一開始就盯住一些比較肥沃的海外市場。

滕琳（主持人）：我想從診斷領域來分享一下。毫不謙虛地説，中美在精準診斷領域的研究是同步的，甚至在一些細分的賽道里，中國是在全球領先的。在監管上來講，我們的國家是較為保守的，尤其是在一些創新產品的審評審批上，我們還沒有完全放開。

相峯：這跟物流企業有點兒異曲同工，也是場景多，數據規模大，但遺憾的是技術有一些天花板或者受到高度限制。陳總上午講的我挺贊同的，越是有障礙有挑戰的地方，也許越有創新、創業的機會。

週一鳴：剛剛各位講得非常好，把我想講的講沒了。

第一是技術上，我們跟美國差不了太多，市場確實是個問題，不光在儀器、設備、診斷上，在製藥裏更是如此，大家知道採集一下，做完以後怎麼掙錢呢？本錢都掙不回來了，紛紛往美國賣。誰先海外佈局，誰先賣掉，誰就活下來了。過去幾年，國內一共賣了200億美元的藥，而且是在臨牀階段的藥。

在人才上，中國是無可替代的。即使和美國相比，人才也是值得我們去慶幸的。我們跟他們一樣勤奮一樣聰明，但我們比他們的人數多得多。在人才上，中國的優勢無比巨大。

楊賀：我對人才的儲備特別有感觸。我是工程師出身，AI醫療還在吃這個紅利，我個人認為在醫療器械上是偏應用層的，因為基礎平台醫療不做，算力的大模型在醫療器械上也不是我們在做，我們用常規的神經網絡在做，等於是工程師在做工程師的事情，這塊正好是中國工程師的紅利。

回到出海，我們去年開始有一些海外的出口業務，去到“一帶一路”國家，至少我看到大部分周邊企業出海的賣點不是AI，是性價比。我們碰到的問題在於很快進入內卷，不光在國內內卷，在海外市場也開始內卷。比如這一週我們剛去報10塊錢，下一週B公司，也是中國公司，報9塊錢。我有幾個海外客户，他們上來先跟我們説小米汽車、華為手機，很羨慕我們有很多高科技產品，我們天然就被加持了，帶着光環去了。

現在醫療器械出去，我希望用好其他行業打好的基礎，不要只靠價格取勝，要把智能化加進去，擁有更好的附加值，這是我們的期望。

滕琳（主持人）：我們的環節到此結束，但我們的探索永不止步。謝謝大家！