本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议

最近半年，医疗AI赛道的温度，已经不需要研报来证明了。

5月29日，国家卫健委发布通知，要求加强基层医疗的数智化赋能，明确探索AI辅助诊断、处方前置审核等技术。往前翻，年初六部门印发疾控强基方案要求推进“人工智能+”行动，再往前，“健康中国2030”、五部委“人工智能+医疗卫生”实施意见、AI辅助诊断纳入医保乙类目录——政策链条从顶层设计一路穿透到基层落地，节奏越来越密。

市场也在跟着升温。企查查数据显示，2025年国内AI医疗企业注册量达2.48万家，同比增长22.38%，创下近十年新高。阿里、字节、百度等头部玩家相继推出AI医疗产品，赛道繁荣度肉眼可见。

无论从政策定调、支付路径还是企业参与度来看，医疗AI已经告别了“会不会来”的讨论阶段，进入了“谁能真正兑现”的验证期。

在这个窗口期，讯飞医疗交出的成绩单尤其惊艳。2025年各项业务增速迅猛（见下图）不遑多说，最新发布的星火医疗大模型V3.5，更是在医疗知识问答、诊断治疗推荐、文书生成、多模态交互等关键任务上，能力均显著超越GPT-5.5、DeepSeek-V4-Pro和Qwen3.7-Max。就在6月8日，上海人工智能实验室MedBench智能体评测中，综合得分98.9登顶。

为什么在这轮确定性兑现中，讯飞医疗会成为最大受益者？它脱颖而出的底层优势到底是什么？

01

数据飞轮：无法复制的底层资产

去年2月，Gartner发布了AI-ready在数据层面的调研报告，Gartner认为，在算法模型相对成熟的前提下，仍有60%的项目并没有做好充分的数据准备，最终会导致行业AI化脚步变慢。

在医疗垂直领域，高质量数据语料的匮乏尤其严重。问题集中体现在三个方面：

其一，医疗数据呈现“量质双缺”，数量不足且质量参差不齐，大量病历、影像等非结构化数据存在缺失与录入错误。

其二，“孤岛效应”显著，不同医疗体系、甚至同一体系内不同科室的数据系统往往互不相通，标准化缺失导致数据编码和字段命名混乱，大模型难以直接读取和整合。

其三，专业标注成本极高且“数据来源单一”，医学标注需要临床专家深度参与，成本高、周期长，同时数据来源集中于大城市大医院，导致模型在基层医疗机构或面对不同人群时泛化能力不足。

医疗 AI 的数据困境并非新命题。去年下半年川观智库就明确指出，医疗模型在学习阶段面临“数据贫瘠与知识鸿沟”；今年行业普遍热议的数据 “量质双缺”，进一步印证了这一核心难题始终悬而未决。

这些行业普遍性难题，恰好是讯飞医疗的壁垒所在：

受益于进入行业早、渠道覆盖深，在数据覆盖面上，面向基层的智医助理已覆盖全国31个省市超800个区县、超7.7万家基层医疗机构。B端面向超600家等级医院，推出覆盖诊前、诊中、诊后的系列AI产品。影像云平台累计超1.6亿例影像数据，并已将体系复制至全国多个省份。

而在行业普遍卡壳的数据互联互通与标准化治理等核心环节，讯飞医疗同样具备体系化的解决能力。

更关键的是，讯飞医疗率先打通了基层医疗机构 - 等级医院 - 居民健康管理三级数据链路，打破了长期存在的跨层级数据壁垒，为每一位用户构建起全生命周期的动态健康画像。这种跨场景、多源异构医疗数据的深度互通整合能力，是竞争对手短期内都无法复制的结构性优势。

得益于此，星火医疗大模型依托16亿人次脱敏医疗语音数据、12亿次真实脱敏诊疗数据，叠加平台每日新增的超220万份语音、影像、病历类真实医疗数据，正加速形成数据驱动的马太效应。

最新推出的星火医疗大模型V3.5在医疗知识问答、语言理解、诊断治疗推荐、文书生成、多模态交互等关键任务上，能力均显著超越GPT-5.5、DeepSeek-V4-Pro和Qwen3.7-Max。

在6月8日上海人工智能实验室MedBench智能体评测中，星火医疗大模型以综合得分98.9的成绩登顶，医疗场景感知与交互、医疗多智能体协作、医疗安全伦理与合规等多项核心能力位居第一。

就好比Coding能力强的Anthropic，通用能力强的ChatGPT，行业底层逻辑是相通的：模型能力决定应用上限，性能越强可落地的场景空间就越大。持续的研发投入和工作量转化为海量的数据积累，数据又持续驱动大模型迭代；而迭代升级后的模型，又能渗透更多医疗场景，拓宽高质量数据的采集范围，由此形成自我强化的正向增长飞轮。

很明显，国内AI医疗层面，讯飞医疗的飞轮已经转起来了。可谓“这里风景独好”。

02

实用能力：飞轮转起来的前提条件

在理解了讯飞医疗现阶段积累优势的同时，我们需要明晰的是，数据飞轮运转的前提是什么，这种优势具不具备可持续性。

其实答案非常简单，正如前文所述，数据量优势的前提是有人用。讯飞星火医疗大模型V3.5给出了两组关键数字：病历生成医生采纳率91%，影像报告采纳率75%。

那么为什么讯飞医疗的产品会受到医生的青睐，设想一下这个场景：一间真实的三甲医院诊室里，医生正在和患者对话。走廊里的脚步声、诊室外面的交谈声、护士站的呼叫铃混在一起。医生一边问诊一边敲键盘，患者偶尔插话，家属在旁补充。这种嘈杂环境下的多说话人语音识别，比单人说标准普通话难一个数量级。

但是讯飞医疗，依靠着长期在声学、影像学的行业Know-how，其实积累了很强的多模态能力，这一点容易被忽略。

最新推出的大模型产品中，深度融合医疗语音识别、影像辅诊和医学语义理解的多模态能力全面升级，在业界率先突破真实医疗场景下，远场多说话人语音识别与病历自动生成的实用门槛；在影像质控超越专家会诊水平的基础上，星火医疗大模型将影像识别与诊疗推理能力深度结合，影像报告生成能力业界首次跨越实用门槛。

在这背后，本质上是技术的底层突破。过去，大模型在处理长文本时存在“算力黑洞”：输入的字数越多，计算量就会呈指数级暴增。这在医疗场景实际落地中引发了两个行业难题：一是医疗场景下，动辄数万字的病历和检查报告极易让系统缓慢、成本飙升，无法满足医院本地化部署的严苛要求；二是国产算力平台在面对这种超长文本时，往往由于生态和适配问题，导致训练推理效率低下。

针对这一痛点，星火医疗大模型依托昇腾算力集群搭载 MoE 稀疏架构与 DSA+MTP 优化方案，完成了全链条技术重构，率先实现 DSA 训练与推理全流程原生算子支持，优化分布式训练策略将训练效率提升至 90%，并通过增量迁移技术仅用 3 天就完成了从稠密到稀疏架构的无损切换。让模型学会了针对医疗场景的重点信息捕获与并行输出，最终在国产昇腾 910B 集群上实现医疗长上下文场景推理吞吐量提升4.5倍。这一系列技术硬核突破，不仅完美攻克了医疗长文本的本地化响应难题，更彻底打通了国产算力平台的性能瓶颈，为医院和区域医疗本地化部署及高效迭代提供了坚实的底层技术支撑。

跨过实用门槛的直接结果，是商业化放量通道被彻底打开。医疗语音、病历生成、影像辅诊、循证诊疗助理四款产品均已率先达到实用门槛，B端收入增长的确定性正在快速提升。

其中，面向诊疗医生的高毛利创新产品——循证诊疗助理智能体，深度整合了权威诊疗指南、专家共识等海量高质量医学证据，覆盖线上问诊、门诊、住院全诊疗场景，兼容中国诊疗规范与中西医双体系。

这其中的商业化潜力不言而喻。

2022年成立的医疗科技企业OpenEvidence就是最好的类比。OpenEvidence是一款面向医生的AI医学搜索引擎，通过免费策略快速渗透美国约65%的医生群体。其核心特点是仅基于经同行评审的顶级医学文献训练，为临床决策提供带完整出处的可溯源答案，从根源上解决了AI在严肃医疗场景中的信任问题。

2025年7月，OpenEvidence B轮融资后估值35亿美元；仅仅三个月后估值跃升至60亿美元；2026年1月完成D轮融资后，估值定格在120亿美元，一年内估值翻了12倍，成为北美的AI医疗最炙手可热的独角兽企业。