AI智能医疗：数据为钥，AI开道，全球竞跑_风闻

2025年，一场由技术聚变催生的生产力革命正以前所未有的烈度重构中国经济版图。AI撕裂数据与实体的边界，量子计算探索物理规则的边缘，绿色科技重塑增长的伦理、低空经济、机器人、大模型打开科技跃迁的大门一2025年的中国，新质生产力已非单纯的技术选代，而是智能文明与产业基因的共振裂变。在这个大背景下，中国企业需要以智慧为坐标，穿透技术、组织与商业模式的“三重结界”，在数字与实体的纠缠中锻造新物种。

2025年7月25日，由融中财经、上海天使会主办的“2025中国科创夏季投资峰会——AI未来创新企业峰会”在上海盛大举行。

本次峰会将着力打造产业活动与资源的对接平台，围绕AI算法算力、大模型以及应用开展话题讨论，将邀请国内外顶尖创新与商业领袖，人工智能链主和龙头创新企业以及上市公司、资本大咖齐聚一堂，共同展望2025产业发展、技术创新以及战略性新兴产业发展的前景。

会上，绘云生物CEO滕琳主持，唯迈医疗创始人兼CEO杨贺、佳量医疗创始人兼CEO曹鹏、英矽智能Co-CEO兼首席科学官任峰、连心医疗CEO章桦、角井生物联合创始人兼CEO周一鸣参与讨论，围绕“跨界融合，重塑医疗大健康产业格局”进行了精彩的讨论与分享。

以下内容由融中财经整理。

AI重塑医疗生态，聚焦六大赛道

滕琳（主持人）：当人工智能以前所未有的速度重塑医疗生态——从影像诊断的精准阅片到新药研发的智能筛选，从慢病的管理到个性化干预，再到公共卫生预警的影响——机遇与挑战并存，创新与规范共进。今天我们汇聚在这里，就目前六大关键赛道，与实战派专家们，共同探讨智能医学生态圈里的关键议题。

接下来介绍一下几大关键赛道。一是AI制药，二是手术机器人，三是医学影像，四是智能器械，五是生物计算，六是精准诊断。

我是来自绘云生物的滕琳，我们企业主要基于质谱平台的代谢组学研究，开发了世界上首个全自动高通量的定量代谢组临床质谱检测平台，致力于将代谢组学技术转化为切实可行的健康解决方案。绘云同时拥有全国最大的40万＋人份的临床表型组学数据库，开发了用于精准预防医学的慢病体外诊断试剂和AI智能诊断软件。之后我们将在代谢组学和AI技术的基础上，进一步拓展慢病精准诊疗生态。接下来有请曹鹏介绍一下佳量医疗在AI智能领域的投资布局和重点项目。

曹鹏：大家好，我叫曹鹏，来自佳量医疗，公司在杭州。我们2020年4月成立，致力于做成一家脑科学和神经外科平台型创新医疗器械公司。目前，我们是中国第一个将脑机接口技术应用于神经调控领域且临床进展领先的公司。

另外是围绕平台技术，我们积累了很多knowhow，包括微小封装、智能算法、AI模型的赋能等都做了大量的储备，已衍生出针对难治性癫痫、帕金森等疾病的适应症解决方案。此前，我们联合浙江大学，通过智能化设备实现了完全截瘫患者重新站立与自主行走的突破，相关成果已召开发布会。目前，佳量医疗在脑与脊髓神经接口领域处于国内领先地位。

此外，我们还布局了创新医疗器械，如基于磁共振引导的激光消融系统，用于治疗癫痫与脑肿瘤，以及其他三类有源耗材，整体聚焦神经系统领域。

关于AI布局，我们是国内首个通过把脑机接口植入大脑，获取大量颅内脑电信息的企业，已建立自己的脑电云平台，在100多例临床试验中标记了10多万条数据。未来随着植入量增加，数据规模将进一步扩大。

临床过去使用传统开环治疗，难以精准、长期获取有效的颅内数据，而现在佳量通过脑电长程采集，包括24小时动态采集、应用、范式和标记，开发基于脑电的模型，目前癫痫相关模型已初步建立。脑机接口设备可支撑更多病人做常规范式，并推广到更泛化的应用，如远程程控、智能家居交互及手部运动控制等，这是我们后续在AI领域布局的重点方向。

任峰：我是英矽智能联合首席执行官兼首席科学官任峰。

英矽智能是一家AI赋能的生物技术公司，成立于2014年，2016年起运用生成式AI解决生物学与化学领域的问题——用生成式AI结合患者的多组学数据，发现创新性强且可靠的新靶点，再基于靶点的蛋白质三维结构，通过AI生成可与之结合的小分子化合物。公司核心业务聚焦于利用生成式AI进行靶点发现与分子生成。

目前，公司拥有30多条管线，覆盖临床及临床前的各个阶段，其中有7款产品正在开展临床试验，进度最快的是治疗特发性肺纤维化的产品。该候选药物由AI发现全新靶点，并生成全新分子，目前已在中国完成临床二期，疗效显著：现有获批的其他特发性肺纤维化药物仅能延缓患者肺功能下降，而我们这款药物在临床上可逆转患者的用力肺活量，改善肺功能。我们计划尽快推进至临床三期，为特发性肺纤维化患者提供颠覆性的治疗方案。

当前，大家评估AI制药公司主要从两个方面入手：一是AI技术为公司带来的收入，二是管线的进展。在管线进展方面，我们处于全球前列——目前尚无AI药物获批，进度最快的也仅到临床二期，我们的这款药物便是其中之一。在收入方面，过去三年公司通过AI平台，结合团队开展战略合作与管线的对外授权，收入年均增长70%，去年收入达8580万美元，我们希望未来保持这一增速，快速推动技术落地、商业变现，与管线进展。

杨贺：我们是唯迈医疗，主要做医用手术机器人，具体的赛道是介入手术机器人，也就是在血管内的机器人。医用机器人是近一两年的热点赛道，而AI的融入让其从单纯的机械辅助装置（或机器手）变得真正具备“智能”属性，这正是AI赋能的核心价值与重要性。

唯迈医疗历经十年，围绕心脑血管介入手术的“眼、手、脑”三个环节实现产品落地，并于今年完成了整体方案的商业化，目前是全球唯一掌握“眼、手、脑”全链条产品的公司。特别值得一提的是，我们的冠脉介入手术机器人通过国家三类创新通道审批，牵头起草该领域国标制定，并于今年承接国家重点研发计划“智能机器人”专项——“手术机器人力感知与力反馈”项目，代表了国内该领域的突破力量。

在我们看来，医用手术机器人的发展离不开智能化——若仅是机械手臂，最多只能减少医生疲劳、提升操作精度，易陷入同质化竞争。而智能化可整合多模态信息，辅助医生决策。所谓“眼、手、脑”，即模拟医生手术逻辑：通过“眼”获取影像，通过“手”感知力反馈与运动，最终通过“脑”整合信息并决策。这个整体环节如果医用手术机器人参与，它会成为“生产力工具”，这是它最终的形态。

横向对比来看，我们介入手术机器人的操作逻辑与自动驾驶相似：医生看血管通路，如同驾驶员，通过“方向盘”控制导丝导管的路径走向，根据不同病灶的反馈做出决策（类似遇行人时减速或转弯绕过），和自动驾驶是一样的逻辑。我们近期开发的AI训练模型，正是借鉴了自动驾驶的精简小模型思路，两者逻辑高度契合。

目前自动驾驶不能叫自动驾驶，仍处于“辅助”阶段，回到医疗领域，因涉及伦理问题，短期AI也以辅助医生为主，但随着技术落地，真正的自动驾驶或半自动化手术的实现并不遥远。

章桦：我是连心医疗创始人章桦，公司成立于2016年。当年受AlphaGo深度学习技术启发，我们看到AI在医疗领域的巨大潜力，遂以“通过人工智能优化肿瘤治疗方案”为愿景开展业务。

早期我们从肿瘤放射治疗切入，通过AI识别肿瘤病灶、形成治疗靶区，指导射线精准照射（在治疗肿瘤的同时保护正常器官）。2019年，公司获三类医疗器械证，形成了产品，全国乃至全球范围内大概有400多家医院的客户在使用我们的产品，每年大概有超过30万例用户是用AI辅助的方法形成治疗方案进行治疗的。

2022年ChatGPT引发的大模型浪潮为我们带来新方向：原来我们的技术是单纯基于视觉的，或者基于图像的模型，从2023年开始，我们把文本的模型形成多模态的模型，开始介入到肿瘤相关领域。我们先后与协和医院、复旦大学附属肿瘤医院等合作，将应用场景从治疗端拓展至前面的分期判断，和最后细节化的治疗。

目前，我们已形成比较完整的产品体系，对于几个比较常见的病种，像头部的鼻咽癌，到中部的肺癌、食管癌，再到腹部的宫颈癌，有一整套人工智能体系可以解读综合性的信息、报告、所有的影像，判断患者的病情，给出治疗方案，在治疗执行过程中给予相关反馈及不良事件评估等。

总的来说，AI能力变强后，肿瘤这个比较复杂的病种的治疗方案和对医生的辅助决策能力都越来越强。随着技术深化，我们不少设备厂商合作，将AI决策能力融入高端设备功能开发。

最后想说的是，我参与了多项国家重点研发计划，深刻感受到AI正在重塑医疗体系——随着AI对医生的辅助越来越深入，未来指南的制定与知识总结的方式都将被颠覆。

周一鸣：我是周一鸣，来自角井生物科技。

AI发展迅猛，但制药是非常传统、非常缓慢的过程，行业长期受“双十魔咒”（十年研发、十亿投入）制约，而患者无法等它那么久。2000年我读研究生时，人类基因组的图谱公布解出来了，当时大家很高兴，说未来所有人类疾病都可以解决了，但20年后仍未实现。2015-2016年，我们意识到数据与算法的成熟可突破瓶颈，加上海量的人类组学数据，选择了最难的肿瘤领域，希望通过AI开发创新药物。

我们的药和传统的药很不一样，不一样到药监局都不觉得它是药，不知道如何审批，这个药已经在临床上与医生合作，在临床治疗上也有很好的效果，但是美国和中国都没法批准进入临床。现在中美都知道这种药在临床上很有效，已经进入临床试验，未来几年可能会获批上市。

基于我们做的肿瘤新抗原技术，我们发现其可扩展至抗体领域：我们专注两个事，一个是基因组序列，第二个是AI技术。通过基因组分析（肿瘤领域关注T细胞受体，抗体领域关注B细胞抗体），我们利用两者序列相似性迁移算法，开展抗体发现。

后续我们意识到，仅做抗体发现不足以应对临床试验的长周期、高风险与高成本，所以最近探索将AI应用于临床试验——以前觉得非常难的临床试验，现在对AI可能小菜一碟，包括过去要做多中心的数据对齐非常麻烦，容易出错，还要花很多钱和人力，临床上一个错误可能几亿美元就没有了，但现在通过ChatGPT、DeepSeek等大模型可高效对齐，大幅降低错误风险。

角井虽规模比较小，但AI的发展对小公司来说是很大的机会。我们没有负担，可以轻装前行。即使在医疗这样的复杂领域，也可能一个人能做出一个独角兽，100个人的公司可能也能做成一个超级大的Biopharma。

降本增效，AI对医疗全产业链的赋能与机遇

滕琳（主持人）：刚才各位分享了所在机构在AI智能医学领域的布局与项目，接下来想请大家围绕这几个问题展开讨论：AI如何赋能医疗全产业链（研发、生产、销售、服务等），它带来了哪些创新？未来医疗产业链的AI发展趋势是什么？投资机遇与布局策略有哪些？

周一鸣：我原先大部分时间都是做研究的，在美国的时候是在高校里，回国以后在公司的研究院里，承担过国家的大课题计划。

我在角井是首席科学家。在我的个人经历中，确实能感受到这些技术在帮助我们解决临床问题上的价值。以我们的肿瘤性抗原药物为例，目前已启动临床试验并完成患者入组。该领域全球仅少数公司涉足，初期需通过一个技术判断方向的可行性。我本科学的是生物和计算机两个方向，生物对我帮助很大，计算背景帮助我认识到肿瘤性抗原要成药一定是靠计算，没有计算不可能成药。从30亿里面找到一个位点或者几十个位点，概率极低。2017年的两篇Nature文章中，从30亿里面找到几十个对患者有效的，可以引起免疫反应的多肽，然后给病人注射回去，这种方式在临床上得到了验证，很多患者受益了。我们的临床试验结果也得到了类似的结论。

我们做抗体也是由于技术发展。抗体技术在2018年拿过诺贝尔奖，技术从八几年到现在一直没有太大变化，但最近我们开发的设备结合了AI算法，今年年底发布，我们认为这个设备彻底颠覆了传统的展示方式：设备全自动运行，无需复杂人工操作；通过AI可从10亿序列中精准筛选最优方案，一个都不会漏（传统方法仅能随机测试十几个序列，拿到了就如同“撞大运”）。这一技术大幅提升药物研发效率。比如若首轮筛选无果，可快速切换生物学方法，避免时间浪费。

为什么我们后面要做临床试验的AI设计？因为我们意识到技术的推动力太大了，比如我们的技术一下子颠覆几十年的技术，当然也会有人再颠覆我们的。临床需要做很多患者的数据，这个门槛更高一点，我们想把AI技术代入到临床试验里，虽然才刚开始，但相信再不久的将来，我们能够把成本大幅降低。

技术的快速迭代是核心，只要足够高效，就能解决更多问题。

任峰：周总说的“双十魔咒”说明了目前传统药物研发所面临的最大困境，即研发效率越来越低。仅通过人的知识经验，难以突破瓶颈，而AI则有可能给我们提供一个颠覆性的解决思路或解决方案。

AI为制药行业带来的改变主要体现在两个方面：

第一，降本增效。传统研发需“十年十亿美金”，我们的目标是通过AI将早起研发研发其压缩至“两三年两三亿人民币”。基于数据归纳，AI可减少试错成本——无需实际合成即可预判结果。以特发性肺纤维化项目为例，从立项到确定临床前候选化合物，我们仅投入260万美金、耗时一年半，而传统方法需数千万美金，通过AI我们的成本仅为原来的十分之一左右，研发效率提高了，研发周期缩短了。

第二，提升原创性。以前中国生物医药一直被诟病，我们擅长“从1到100”，但“从0到1”的原创不如海外，这源于知识与数据积累的差距。AI的出现改变了这一局面——全球技术起点相同，而中国数据优势显著，有了数据优势再结合算法，有可能实现弯道超车，发现海外未涉足的创新靶点与分子。还是以我们的特发性肺纤维化药物Rentosertib举例，通过对比病人与健康人的多组学数据，发现了全新靶点，目前全球仅我们一家针对该靶点开展临床，这正是AI带来的原创突破。

章桦：刚才两位聚焦临床阶段前探索AI的应用，我们则在临床研究中深入应用AI。过去这两年，我们基本上一期到四期的临床试验都参与了；以前临床试验是劳动密集型产业——患者筛选、量表填写、数据统计等均依赖人工，效率低下。

我们通过与北京友谊医院、天坛医院合作，构建了基于多模态数据的完整体系：在早期临床试验开始时，AI可参与试验设计，如结合知识体系预判风险，做出较全面的临床实验方案。在临床实验方案的执行过程中，AI则可以通过语言模型对文本和图像的识别能力，加速对患者的筛选。我们在北京一家医院实际的落地过程中，精准找到患者的时间比传统方式快了大概2-3倍的时间。

2023年的一个研究显示，大概25%的肿瘤临床研究因三年内需入组总体数量50%的患者而失败，这是一个巨大的损失。而AI通过比较精准的捕捉，产生一个新的场景，医生可以立即跟进。我们发现可以在门诊场景上直接让患者跟医生对话，建立了较强的信任，加快了入组的效率和概率。后续患者在治疗过程中，因为有了这些数据，可以及时捕捉到一些不良事件，减少患者脱落的可能性。

当很好的数据实现数字化、智能化后，AI能够直接完成统计——甚至不用等全部入组，过程中就能动态统计，及时发现问题并调整。这是我们看到的第一个重大变化，把原来很多劳动密集型的方式和行为人工智能化。

此外，我们公司内部也实现了AI改造：市场物料（招标、申报材料等）均从由人来做变成了由AI生成；上周我们在药监局开会时，监管部门已引入AI审核企业申报材料，未来或将很快形成“AI跟AI博弈”的状态，监管单位用AI在监管你，生产单位在用AI来进行对抗。

AI推动医疗设备智能化，挑战与突破并存

滕琳（主持人）：AI智能技术的不断进步，为制药及医疗带来了进步。同时，在医疗设备的研发和升级上也提供了新的思路和方法，比如智能影像设备、可穿戴设备，请问嘉宾，AI如何推动医疗设备智能化发展？

曹鹏：关于AI，我有几点思考：

第一，医疗是保守的，AI是先进的，这里面本身就是保守与先进的冲撞。刚才章总提到AI和AI的博弈，监管用AI读你的申报材料，但大家要知道，如果你的医疗器械里融入了“AI”功能，这个器械大概率属于三类医疗器械，AI最大的问题是不可解读性，有些是对未来的预测。这个时候，就会对监管就带来了很多问题，我们的审评结构首先保证安全性，再考虑有效性，AI的属性带来了对于未来的不可确定性风险，所以这是很大的冲突。

我做医疗器械这么多年，最大的感触是AI在医疗方面的进展缓慢。为什么这么讲？第一，关于医疗器械的研发流程，监管需要让你明确地告诉他原理和范围。

第二，植入式产品与可穿戴设备面临数据丰富性的问题。像我们做脑机接口的公司，有一个很大的问题在于没有那么多已知的临床数据。佳量医疗在全球范围内植入了100多例临床数据，每24小时产生一批大量数据，已经很多了；而埃隆·马斯克的团队仅植入6个病人，有效标记的数据会少一些。医疗数据的稀缺性导致AI在脑机接口方面的应用仍处早期——传统大模型基于互联网的海量数据才产生了今天的结果，而特殊行业，如医疗细分领域，数据分散，包括原先很多医院的脑电图数据、颅内脑电图集常因存储不当而流失，标准化程度低。

当前AI在医疗的应用更多是“重建”——用AI智能替代传统方法，核心仍在于“数据”。对我们来讲，数据还不够多，传统大模型等领域在直接治疗类和对于脑机接口的分析类领域，还处于非常早期的阶段，需要慢慢积累数据。国家也已开始关注脑机接口等新兴领域的数据监管与标准化，今年国家的监管机构密集来调研了很多次，无论在省市区还是各个部委，大家开始做一些数据的规范，甚至术语的规范、标准的制定，不过仍处早期。

诊断、问诊等内容类AI属于大模型范畴，应用已较广泛；植入类器械尚处早期；而可穿戴式“轻医疗”（如采集心电、体温、血氧等）应用不少——过去这类数据分散杂乱，如今正被积极规整建模，但整体仍处早期，尚未有大突破。

AI在医疗领域很火，但目前还远未成熟，我们需要冷静下来。

滕琳（主持人）：谈到数据，尤其是数据的质量，我非常感同身受，我所在的绘云生物也有同样的问题。我们一直在讲AI已经在赋能制药领域、赋能诊断。我也分享一下绘云生物在研发上的例子。

大家知道代谢组学的数据是非常重要的，在实践过程中，数据的质量直接影响到智能化的结果。目前就我们所在的智能诊断、精准诊断领域，仍面临数据规模不足的挑战。我们企业跟AI的结合还没有达到通用人工智能的阶段，核心研发仍集中于深度学习模型构建。从诊断的领域来讲，2015年奥巴马提出“精准医疗”这个概念之后，一些基因科技公司，包括代谢组学的企业都通过数据来驱动产品的研发，尤其是近些年疾控、卫健委从疾病的治疗慢慢转向到了疾病预防，这块的工作是比较有价值的，另外我们也期待更多高质量的数据能够赋能医疗诊断这个领域。

刚刚曹总讲到监管这块，在监管和报批上，AI的诊断模型还需更多的专家发声、建议，推动行业规范，为AI医疗领域的企业赋能。

杨贺：回到医用机器人这个角度，在我们眼里，我们开玩笑说，很多专家手术工具和当下时代很不契合，他们还在徒手操作器械做手术，但是在家里可能是用着各种智能化设备，学生写论文都用DeepSeek改一改，家里的孩子报AI班，出来开的已经是无限接近L3级别的车。而临床专家们大部分时候还只能采用非智能化的手术器械，凭借长期累积的经验完成手术。

现在仍旧有不少手术类型的手把手学习班，靠师傅徒弟模式传承，这种模式其实在手术机器人的加持下是有可能改变的。

我们做医用手术机器人，并没有指望它马上开拓医生的上限。手术机器人的目标不是替代顶尖专家，而是让99%的医生更快掌握技术、更轻松地提升手术质量、优化记录质控。

人性天生想偷懒，总想使用更简单的工具。我开了20年车，以前以靠后视镜侧方停车为荣，现在离了智能倒车功能就容易剐蹭，这其实就是慢慢“变懒”的过程。

这未必是坏事：医生省下重复练习手法的时间，转而钻研手术原理，反而是更好的方向。对器械企业而言，用AI赋能手术机器人，本质是给医生提供高效生产力工具。这个方向在AI商业化中最可行——它的支付方式明确、付费能力强，监管也相对完善，商业化前景清晰。

中国AI医疗的国际竞争力与出海机遇

滕琳（主持人）：AI赋能医疗这块需要高度跨学科知识的整合，接下来把剩下的10分钟留给在场的各位嘉宾。

相峰：我想问大家在座各位一个问题，如何评价中国AI医疗领域的国际竞争力？不同国家有不同的监管环境，可能在中国行不通的，在其他国家可能会找到市场。中国AI医疗方面在哪些地方有什么机遇？

任峰：中国的AI制药领域比海外起步晚了一些，海外绝大多数AIDD公司都在2013-2015年成立，国内大部分是在2018、2019年最热的时候成立，进度比海外也稍微晚了一点。另外，国内传统药企对AI的接受度较海外来讲稍微保守一些，可以看到海外MNC每年与AI制药公司签数十个大合作，国内这种大规模的合作较少。

然而，我们虽起步晚了一些，但有后发优势。一方面可以减少很多试错成本，另一方面，中国的病人多、数据多。AI的训练和进步很大程度依赖于数据，如果既能源源不断产生高质量的数据，并且能把数据的标准化做好，把数据分享的机制做好，我们就完全有机会在AI制药领域实现弯道超车。

曹鹏：我觉得AI分几个部分：数据、算法、算力。

第一，机械来讲，中国有海量的数据。但可惜的是，我们原来没有把这些东西标准化，被清洗过的有效的数据其实是不多的。大家最近几年才开始重视起来，知道原来数据是个值钱的事儿。

第二，关于算力，医疗对算力的要求低于通用大模型，我觉得国内对算力的要求没有那么高，后面就是各家争算法的事儿了。

从器械方面来讲，算法在AI领域里其实是跟数据结合的，我们在算法和数据方面和海外有一点差距。中国人想做什么，其实决心和速度很快，现在大规模标准化样本库的建立，标准数据中心的建立，其实都在做这个事儿。我们可能略比美国晚一些，但相比欧洲和其他地方，一点儿都不输于他们。

在我看来，像刚才任总讲的，我们标记好的数据足够多的话，弯道超车，甚至超出其他国家，有非常大的机会。

章桦：就像刚才曹总说的，从研发的角度来看，中国是很好的市场，但如果从市场的角度看，这片土地目前比较贫瘠。

我觉得在过去几年，未布局海外的药企与器械公司表现平淡。在座的公司不得不仔细考虑，利用中国很好的数据资源、算力资源，做出全世界最好的产品，然后从一开始就盯住一些比较肥沃的海外市场。

滕琳（主持人）：我想从诊断领域来分享一下。毫不谦虚地说，中美在精准诊断领域的研究是同步的，甚至在一些细分的赛道里，中国是在全球领先的。在监管上来讲，我们的国家是较为保守的，尤其是在一些创新产品的审评审批上，我们还没有完全放开。

相峰：这跟物流企业有点儿异曲同工，也是场景多，数据规模大，但遗憾的是技术有一些天花板或者受到高度限制。陈总上午讲的我挺赞同的，越是有障碍有挑战的地方，也许越有创新、创业的机会。

周一鸣：刚刚各位讲得非常好，把我想讲的讲没了。

第一是技术上，我们跟美国差不了太多，市场确实是个问题，不光在仪器、设备、诊断上，在制药里更是如此，大家知道采集一下，做完以后怎么挣钱呢？本钱都挣不回来了，纷纷往美国卖。谁先海外布局，谁先卖掉，谁就活下来了。过去几年，国内一共卖了200亿美元的药，而且是在临床阶段的药。

在人才上，中国是无可替代的。即使和美国相比，人才也是值得我们去庆幸的。我们跟他们一样勤奋一样聪明，但我们比他们的人数多得多。在人才上，中国的优势无比巨大。

杨贺：我对人才的储备特别有感触。我是工程师出身，AI医疗还在吃这个红利，我个人认为在医疗器械上是偏应用层的，因为基础平台医疗不做，算力的大模型在医疗器械上也不是我们在做，我们用常规的神经网络在做，等于是工程师在做工程师的事情，这块正好是中国工程师的红利。

回到出海，我们去年开始有一些海外的出口业务，去到“一带一路”国家，至少我看到大部分周边企业出海的卖点不是AI，是性价比。我们碰到的问题在于很快进入内卷，不光在国内内卷，在海外市场也开始内卷。比如这一周我们刚去报10块钱，下一周B公司，也是中国公司，报9块钱。我有几个海外客户，他们上来先跟我们说小米汽车、华为手机，很羡慕我们有很多高科技产品，我们天然就被加持了，带着光环去了。

现在医疗器械出去，我希望用好其他行业打好的基础，不要只靠价格取胜，要把智能化加进去，拥有更好的附加值，这是我们的期望。

滕琳（主持人）：我们的环节到此结束，但我们的探索永不止步。谢谢大家！