过去十年，医学影像AI赛道经历了从资本涌入、论文迭出到注册证密集获批的上半场。然而繁荣的表象之下，一个尴尬的现实逐渐清晰：绝大多数AI产品仍在临床边缘打转，医院采购意愿低迷，医生工作流中鲜见它们的身影，应用落地散在化。

好在，积极变化正在发生。进入2026年，多重政策信号密集释放，行业似乎站在了规模化商业化的拐点前夜：国家医保局面向全球征集医学影像AI付费方案，被视为打通支付最后一公里的关键动作；国家级个人全生命周期影像云加速搭建，为数据共享铺平道路；三类医疗器械审评机制持续优化，创新产品审批周期明显缩短。三大产业配套政策同步推进，共同指向一个趋势：医学影像AI正在从技术验证期迈入商业落地期。

产业层面的突破信号也陆续显现。就在7月举行的2026全球数字经济大会中，作为备受瞩目的“新技术新产品首发首秀”重点环节之一，影禾医脉面向全球正式发布医学影像AI 3.0通用AGI（通用人工智能）系统。这一里程碑式成果标志着医学影像AI从“图像识别”全面跃迁至“图像理解”的新时代，有望从根本上重塑全球医疗AI的发展范式，成为一个值得持续观察的行业风向标。

当政策与技术的双重拐点交汇，一个更值得探讨的核心议题随之浮现：过去十年，医学影像AI价值释放不足的深层根源何在？未来五年，产业的核心增长极又在哪里？若要真正实现规模化商业化，业界还需要在哪些关键维度持续发力？这正是本文接下来需要深入剖析的命题。

01 影像AI商业化为何频频受限？

要回答未来怎么走，先得弄清楚过去卡在了哪里。

“行业一直在‘造飞机部件’，却从未真正‘建机场’。光有飞机没有跑道，技术自然难以真正落地。”一脉阳光集团创始人、影禾医脉董事长王世和用一个精妙的类比点破了迷思：医学影像AI的研发与落地是一套完整体系化工程，可以用造飞机类比，过去行业里大量企业只专注研发飞机各类核心零部件，即大量研发资源集中于病灶检测、图像分割等核心算法，如同造出了精良的发动机和机翼，极少有企业能完成整机组装；即便少数企业造出完整飞机，也缺少跑道、航站楼、空中调度系统等全套配套基础设施。这就是过去十年影像AI难以释放实际价值的核心原因之一。

与此同时，更深层次问题在于，行业对AI的认知仍停留在工具层面，而非基础设施。多数企业将AI定位为辅助医生完成某一具体任务的工具，却忽视了AI要真正发挥作用，必须深度融入从开单、扫描、诊断到临床应用的完整工作链条。这种认知偏差导致AI产品的研发与临床真实需求之间始终存在一道鸿沟，使得AI未能嵌入临床医生的真实工作流，大多以独立工作站或“外挂”系统的形式存在，医生需要在PACS与AI系统间反复切换，每一步切换都意味着时间成本与操作负担。

事实上，医学影像AI正在经历从1.0到3.0的产业跃迁，这一演进本身也在倒逼认知升级。1.0时代是碎片化单病种模型，仅能识别单器官单病种，临床适配度低，商业化举步维艰；2.0时代升级为单检查项目全病种AI，局部阅片效率有所提升，但工具数量庞大，依旧无法规模化铺开；3.0通用AGI时代则彻底打破边界，以检查项目为单元批量研发AI工具，全模态、全解剖、全流程、全自动，真正嵌入医技护工作流。全球医学影像AI正从单任务模型向这一全新架构演进。

影禾医脉的3.0通用AGI布局恰恰契合了这一方向。作为这一进程的深度参与者，王世和有一个核心判断：“当前AI的核心竞争力已经从模型性能转向融入工作场景解决实际问题的能力。不再是唯参数论来评价AI的价值——医学影像AI强调的是AI如何帮助医生快速、高效、准确地完成日常工作，这才是有用的AI，有人愿意付费的AI。”

换言之，破解医学影像AI商业化“叫好不叫座”的困局，关键在于医学影像AI不应仅被视为单一诊断工具，而应作为系统级基础设施进行整体构建。这意味着三个层面的范式转变：一是AI必须融入临床工作流，而非游离于流程之外；二是流程、场景与AI能力必须一体化协同建设，而非各自为政；三是效率提升与合规保障必须齐头并进，推动行业进入高质量发展新阶段。

唯有完成从“工具”到“基础设施”的认知升级，医学影像AI才能突破“叫好不叫座”的困局，真正释放规模化价值。正因如此，王世和认为，未来五年行业最大的产业机会落在能完成医学影AI“整机组装”的企业身上。能够向医疗机构提供一体化完整解决方案，让医学影像AI真正像专业影像医生一样完成全流程工作，就是未来核心赛道。

02 未来如何破局？

当行业从造零件转向建系统，从单点突破走向系统集成，医学影像AI的商业化才能真正迎来拐点。认知升级之后，下一个问题是：如何将“基础设施”从概念变为现实？

目前，产业界已出现多种探索路径。比如在2026全球数字经济大会上，影禾医脉展示了医学影像AI 3.0通用AGI系统，其呈现的并非单一产品，而是一套涵盖基础模型、数据治理、知识库、标注体系、训练平台、模型评测、临床部署与反馈迭代的完整工具链。

从产品落地来看，这套体系已经跑通了从基座模型到临床应用的全链路。“影禾觅芽®”基座模型是全球首个跨模态、全流程医学影像L0级基座大模型。在此基础上生长的颅脑CT超级智能体，是全球首个检查项目级完整智能的AI辅助诊断系统，已在天坛医院完成数月的临床闭环打磨。

行业普遍认为，这套体系试图回应垂直行业模型长期面临的“难生产、难复制、难迭代、难落地”困境——而这恰恰是过去十年医学影像AI从资本热捧到落地遇冷的核心症结之一。其中一大独特之处在于“ AI-DIY 开发模式”，该模式允许医院和医生团队在统一平台上，根据不同部位、病种或检查项目，自行构建专科模型与临床应用。

要知道，在传统模式下，医生只是AI产品的使用者，只能在使用后反馈问题。AI DIY模式则试图将医生推向前端，他们不再只是使用者，而是创造者，可以在平台化底座上，根据自身科室的病种特点、工作流程和诊断习惯，自主构建或调校专科AI工具。一线从业者直接参与方案打磨，能从源头缩小技术与临床真实需求的差距，让AI在日常诊疗中持续迭代优化。

如果说AI DIY模式解决了“如何让AI在临床中持续生长”的问题，那么“如何让这套体系大规模落地”的命题则是下一个关键命题。在落地部署层面，影禾医脉与华为的合作提供了另一条探索路径。

双方合作始于2024年，而今联合发布HAIC医疗人工智能助手，面向基层诊疗场景，试图从体系层面打通医学影像AI从研发到临床落地的全场景，解决AI“造得出、用不上”的行业痛点。据透露，未来的合作方向包括：推动HAIC解决方案规模化下沉，赋能基层医疗机构，使其具备接近三甲医院的影像诊断水平；联合共建数据治理体系与大模型迭代机制。

从产业视角看，影禾医脉与华为的产业合作具有一定前瞻性，为规模化下沉提供了另一条可行思路。它试图同时解决AI落地的三个核心瓶颈：算力成本、数据质量和临床场景适配。这种“模型厂商+算力厂商+临床数据网络”的深度绑定，在国内医学影像AI领域尚属少数，如果能够在实践中跑通，对行业具有标杆意义。

回顾医学影像AI过去十年的跌宕起伏，一个清晰的脉络逐渐浮现：上半场比拼的是单点技术的突破能力，下半场决胜的则是系统集成的组织能力。从“造零件”到“建机场”，从“工具”到“基础设施”，这不仅是单一企业的战略选择，更是整个行业必须完成的认知跨越。