西西弗柿｜作者
star皆空｜编辑
无心插柳柳橙汁｜视觉
刘超｜监制
1994年，未来学家凯文·凯利在《失控》一书中，预言了去中心化网络、云计算、物联网、共享经济与智能涌现。
此后三十年，这些预言逐一照进现实，凯文·凯利也由此一度被称为“硅谷AI教父”，不过，其本人非常低调，多次提醒公众，预测可能会错，其意义在于磨砺思考、提供思路、打开想象空间。
诚如所言，三十年后回看，凯文·凯利于时代的价值，未必在于“次次言中”，而在于提供一种长周期视角：
技术演进有其内在脉络，未来并非突然降临，而是沿着必然逻辑逐步展开。
时间拨至2026年，如今，我们又身处一个狂飙突进、时刻变化的黄金时代：
第四次工业革命风起云涌，正推动生产力迎来大爆发。高盛最新研究指出，人工智能有望在未来十年内将美国实际生产力水平累计推高约15%，而最值得期待的领域，自然是AI+医疗。
它贯穿人从出生到衰老的全生命周期，需求刚性而恒久，更重要的是，AI对医疗的改造维度已发生质变：
其既能参与药物研发，也能承担大量专业任务、复刻稀缺专家能力，甚至助力行业实现“大病不出县”的普惠愿景，兼具紧迫性、颠覆性和社会价值。
那么，2026年，医疗AI发展到哪一步了？又将往何处去？
9月25日，在第五届全球数字贸易博览会期间，迎来了一场重磅对话。凯文·凯利与德适科技董事会主席兼首席执行官宋宁博士，围绕AI在医疗行业的落地应用、技术能力演进以及未来健康图景展开深度交流。
在行业看来，这场对话含金量之高，在于两种不同力量的合流：
凯文·凯利以一以贯之的长周期视角，提供理解技术演进的判断框架；宋宁博士则带来医疗AI一线产业化的实践视角。
二者同台，把AI+医疗的“未来想象”与“落地现实”同时摆上台面，既回答“未来为何必然到来”，也回答“如何循序落地”。
由此，这场对话不只是观点碰撞，更在为下一个十年标注方向、校准路径，划下行业坐标。
一场重磅对话
划下医疗AI下半场分水岭
活动现场，凯文·凯利用“inevitable”一词概括他对AI与医疗结合的理解。
在他看来，AI进入医疗是不可逆的趋势；凡是AI能更快、更稳定、更准确完成的工作，都会逐步交给AI。
其实，过去十年，行业已反复印证这一必然，医疗影像领域尤为典型，可以说是医疗AI落地最早的桥头堡。
2016年，AI教父Geoffrey Hinton曾作出极具冲击力的预言：应立即停止培养影像科医生，因为他们将在5年内被AI超越。
今天回看，这一字面判断显然过于激进，却也揭示出影像诊断与AI之间天然的耦合关系：
医疗影像本就是“图像识别”的最佳应用场景，数据量大、数字化程度高、诊断高度依赖模式识别；与此同时，医生短缺、工作负荷长期高企。影像科因此成为技术与需求最早交汇的领域。
几乎同一时期，政策也打响了发令枪。
2017年，被视为中国医疗AI产业化真正的起点。那一年，“人工智能”首次写入《政府工作报告》；新版《医疗器械分类目录》开始为AI辅助诊断软件明确监管身份；
大洋彼岸，FDA批准了首个临床级AI心脏影像分析软件Arterys Cardio DL。
此后十年，大河奔涌，算法、算力、数据与资本的热情一同涌入。仅影像赛道，全球超5000种、14000余项医疗影像诊断任务排着队等待AI化。
那么，十年过去，在必然之上，究竟发展到哪一步了？
现实并不完全乐观：医疗影像AI的开发速度，远远追不上临床的真实需求，医疗影像AI目前整体，仍处于成长期早期向快速渗透期过渡的阶段。
我国医疗影像检测项目已达3200余种，而最近十年内获批上市的医疗影像AI产品，累计只覆盖约42个病种，行业实际智能化覆盖率至今不到1%。
更值得警惕的是结构失衡，大多数企业优先涌向肺结节这类数据充足、标注相对标准、商业回报明确的赛道；而在这些热门赛道之外，大量罕见病、小众检测任务鲜有人问津。
“未来已来，只是分布不均”，在此刻具象化了。
症结在哪里？并非算法不行，而是生产方式亟待进化。
传统医疗影像AI往往遵循“一病一模型”的开发方式：
每进入一个病种，都要重新收集数据、组织标注、训练算法、临床验证，像是一家家“手工作坊”。研发周期长、投入高，且模型之间难以迁移，边际成本几乎无法摊薄。
这种打法在从0到1的突破阶段自然无可厚非，但要从1走到100，不能只靠这种天花板明显的旧打法。
也正因如此，凯文·凯利认为，面向下一个十年，医疗影像AI最稀缺的，并非某个单病种模型或某项孤立技术，而是持续生成新AI的过程，如果概括成一种能力，它更接近一种可以持续生产“新AI能力”的“元能力”。通俗地说，就是一条能持续造模型、养模型、迭代模型的流水线。
具体而言，这种“元能力”，应当是一个三维坐标轴：
X轴，是覆盖广度。新AI能力应被规模化、源源不断地生产出来，而非依赖项目制、手工化的单点突破。
Y轴，是自进化强度。模型不能停在固定版本，而要在真实使用、训练和反馈中不断改善。
这也让人想起吴恩达提出的“以数据为中心的人工智能”（Data-Centric AI）：决定上限的往往不是算法结构，而是数据质量、标注一致性和反馈闭环。
Z轴，是临床医生参与深度。凯文·凯利指出，应让更多医生参与AI训练，把专业经验带入模型。医生不只是使用者，更应是反馈者、评价者和规则共同定义者。
而在我国，已有玩家在全球率先交出答卷：
德适，正是全球最早一批落子者之一。
一种元能力
辐射医疗AI下一个十年
成立于2016年的德适科技，早在十年前便落子于人工智能在医疗领域的应用，一深耕就是十年。如今回望，这一选择极具远见，堪称超前布局，而在医疗AI从早期向快速渗透期过渡的过程中，德适也可以说是重要推手。
现场，凯文·凯利充分肯定了德适科技的“元能力”：
“我认为，德适真正的资产，是一套能够持续生成医疗影像AI的过程。”
这套“过程”是什么？具体而言，正是德适已推出的iMedLoop™医疗影像AI研究与生产加速平台。
其核心，是全球参数规模最大的跨模态医疗影像基座模型iMedImage®，覆盖X光、CT、MRI、超声、染色体核型、细胞、病理、内镜等多种主流影像模态，覆盖超90%的临床影像场景。
这套模型让不同影像之间共享表征、迁移知识，从而大幅降低新病种模型的开发门槛，正对应着覆盖的广度。iMedImage®基座上线一年，已支撑99家医院训练158个垂直专病模型，其中65家是三甲医院。
以iMedImage®基座为核心，iMedLoop™串联起iMedStudio™、iMedMaaS®、DoctorBench®，打通数据生产、模型训练、统一评测、发布部署和应用反馈的全链路，形成一个强大的医疗影像数据飞轮：
更多真实应用带来更多有效数据和反馈，推动模型能力持续提升；更强的模型又能支撑更多专科、任务和临床场景，再产生新的数据与反馈，实现“越用越强，越强越用”，对应着自进化的“深度”。
与此同时，这套体系让临床医生也能在AI辅助下高效参与科研。医生的专业经验不再只是模型的外部变量，而是内化为训练信号。
此次数贸会正是一个“验收时刻”：
德适从已开展的158个模型项目中，选取20多个代表性场景进行展示——肿瘤性质判断、急诊骨折检出、早癌病灶圈注、早产风险预测......
这20多个场景并置，覆盖从筛查识别、辅助诊断到风险预测的多个关键环节，涉及CT、CTA、X光、超声、内镜、PET-CT等多种医疗影像，展现出覆盖之广、能力之深。
底座的强大已有目共睹，更令人欣慰的是，德适率先跑通的“元能力”路径，如今已成为业内主流共识，印证了其战略前瞻性。
9月18日，阿里达摩院DAMO RADAR登上《科学》：一个模型即可识别腹部18个器官、146种病症，突破“一病一模”的局限，无需大量人工标注即可实现多器官、多病种的统一建模。
梳理达摩院过往发展路径不难看到，从胰腺癌筛查模型PANDA，到“一扫多查”，再到如今的通用模型，其走的也是“专病、多病、通用”的收敛路径。大洋彼岸，Google的Med-Gemini同样在向多模态医学基座模型演进。
一条通往通用医疗智能的道路已日渐清晰：
可以预见，医疗AI过去十年“刀耕火种、点状突破、线性增长”的局面有望终结；未来十年，将是网状爆发、指数级增长。
蓝图清晰，路线具体
下一个十年，AI医疗未来可期
让人欣慰的是，在元能力底座之上，德适不仅深度参与了医疗AI的上一个十年，当医疗AI浪潮奔涌向新十年，它再次提前卡位、迎潮而立，让中国医疗AI在全球竞争中下出先手棋：
当下，德适正横向拓宽生态，携手多方打通更多合作场景，纵向深耕下探，让Agent承担更重要的角色，成为科学发现的加速器。
先说生态，放眼医疗AI行业现状，即便生产流水线设施齐备，上游仍有诸多卡点。
例如，影像数据分散在不同医院、不同厂商的PACS/RIS系统中，格式不一、接口封闭，跨机构调用困难，导致“有数据的地方没模型，有模型的地方没数据”。
2026年7月，德适科技与杭州数据交易所、杭州市数据要素创新中心基于iMedLoop™，推出医疗AI行业首个可信空间，也是医疗行业首个数据要素创新生态平台。
这一动作直指行业痛点，通过一套让数据“可用不可见、可控可计量”的流通规则，使医疗AI有数可用、有规可循、加速流通。
与此同时，德适以医疗影像数据平台iMedLoop™建设产业基础设施，并通过生态合作连接政府、数据、临床、科研等各方，已与腾讯、杭州数据交易所、近百家医疗机构及产业链企业达成战略合作......
独行快，众行远。这种生态合作模式，本质上是在构建一个“医疗AI的安卓操作系统”，让所有参与者都能更高效地开发、部署和迭代应用。
而从纵向看，德适正向深处探索研发范式，让AI深度参与研发本身。
9月2日，德适科技与香港理工大学共建“通用人工智能与医学应用联合实验室”，聚焦于通用人工智能在医疗领域的创新应用，双方进一步将智能体阶段作为攻关方向，致力于让AI成为独当一面的科研助手。
这也符合智能涌现的趋势：
过去，AI在医疗中的角色是“辅助者”，而在Agent驱动的范式下，AI开始成为“共同研究者”：它可以自主检索文献、提出假设、设计实验、分析影像数据、撰写报告，甚至参与模型架构的搜索与优化。
横向建底座，纵向改范式，横纵交汇，最终指向同一个目标：
让优质医疗能力更高效、更广泛地触达人群。
在对谈中，未来学家凯文·凯利多次感慨，医疗AI将不只发挥辅助诊断的作用，最终目标是让优质医疗能力惠及更多人。
对此，宋宁深有感触，他表示，未来5~10年，AI真正可能改变的，是让有限的医疗资源获得更高效率和更广覆盖，从而提升更大范围人群的整体健康水平。
“这个行业最大的价值感，”宋宁博士说，“并不在于只帮助某一个特定群体，而在于帮助更多、更广泛的人。我们也一直是这样做的。”
站在这一愿景回望这场对话，它便不止于一次思想交锋，更像一枚钉在时代转折点上的坐标，蓝图清晰，路线具体，未来可期。
从单病种模型到元能力底座，从数据孤岛到可信流通，从AI医生助手到AI科研伙伴，从效率工具到健康普惠......医疗AI正沿着技术长周期的河床，奔涌向更辽阔的海。
不难想象，未来，医疗AI有望重构医疗健康系统：
从治疗走向预防，从医院走向家庭，从标准化走向个性化，以AI普惠助力应对人口老龄化、慢病等挑战，整体降低社会负担，让人类更健康地生活、有尊严地衰老。
技术向上，产业向善，文明向远。这，是医疗AI磅礴的愿景，是我们正在亲手实现的现实，也是下一个十年，最值得期待的“智能涌现”。
热门跟贴