本文来自微信公众号： AI医界 ，作者：平头哥，原文标题：《万亿 IPO 前夜，Anthropic 突然扎进医疗：全球 AI 巨头，为啥全往医疗里钻？》
先给两组数字，看清今天AI行业真实的底层情绪。
一组是往下的。过去18个月，通用大模型的Token价格出现了约九成的跌幅：早期GPT-4时期，每百万Token的输入价格折合人民币约60元；到今天，主流模型的公开报价已普遍进入个位数量级，开源模型本地部署之后，边际成本还能被进一步摊薄。
另一组是往上的。多家第三方机构预测，全球医疗AI市场有望在未来数年从百亿美元级迈向千亿美元级，年复合增速在主流AI垂直赛道中位居前列。（不同机构口径存在差异，此处仅作量级参考。）
一边是价格一路向下，一边是需求曲线一路向上。
于是就有了最近这条新闻：在IPO传闻密集的关口，Anthropic宣布收购员工数只有9人的生物公司Coefficient Bio，交易对价约4亿美元。
谷歌、OpenAI、英伟达，国内的字节、阿里、蚂蚁、京东、平安、微医、百川……几乎所有头部玩家，都在往医疗里钻。
这不是一窝蜂。这是把账算清楚之后，大概率会走出的一步。
通用大模型这条路，如果只剩下价格、客户和利润的存量博弈，就需要一个新的故事载体；而医疗，是当下最能承接长期叙事的场景之一。
01
通用大模型：越「万能」，越难定价
很多人以为大模型很赚钱。恰恰相反：越通用，越难定价。
价格战，已经打进了骨头里
给你算一笔最直白的账：2023年GPT-4面市时，每百万Token的输入约8美元、输出约16美元；到GPT-4o阶段，输入降至2.5美元、输出10美元；再到近两年，国内头部厂商的公开报价已经来到每百万输入Token人民币1元级别，还常常搭配赠送额度。（各厂商的计费口径、上下文长度与套餐规则不同，此处仅用于观察趋势。）
为什么跌得这么快？因为通用能力本身很难构成护城河。你的模型能写材料、写代码、写邮件，别人投入足够算力和数据之后也能做出来，体验差距有限。用户的切换成本接近于零，自然是哪个性价比高用哪个。
更麻烦的是成本结构。大模型公司的主要支出来自算力与电力，属于典型的刚性成本。售价向下走，成本却很难同步下降，毛利空间就会被两头挤压。行业内外常见的判断是，通用模型业务的毛利率相较早期已经有了明显回落（不同公司的口径差异较大，此处仅指趋势）。
通俗地说：一条街上本来只有一家包子铺，卖10块钱；后来家家都会做，你卖8块，我卖5块，最后拼到一两块。包子再好吃，也很难靠卖包子撑起一个商业帝国。
营收天花板，肉眼可见
通用大模型服务的主流客群，是白领、程序员、学生这些知识工作者。它创造的价值，本质上是在帮人「省时间」。
省时间值多少钱，是有上限的。一个月薪1万的白领，AI帮他提升20%的效率，公司愿意为此多付出的预算可能也就一两千块；再贵，不如多招一个人。把全球知识工作者的数量乘一遍，总盘子的上限并不难估算，而这个盘子还要由几十家公司共同分。
而资本市场愿意给出「万亿级」想象力的，从来不是线性增长的故事。当通用大模型进入拼价格、抢客户、挤利润的阶段，它就急需一个新的增长叙事。
最锋利的一刀：开源正在抹平差距
这是闭源厂商绕不开的现实。以Llama、Qwen等为代表的主流开源模型，能力已经接近甚至在特定场景追平上一代闭源旗舰的水平。企业可以免费下载、本地部署，数据也不必出内网。
过去大厂讲「我参数更多」，开源半年就能追上来；过去大厂讲「我生态更好」，开源社区的插件数量也在快速追赶。
当一个技术方案人人可得、成本趋近于零，它就更容易走向基础设施化。基础设施当然重要，但基础设施通常意味着重资产、低毛利，估值想象力有限。
所以大厂必须去找这样一个行业：盘子足够大、壁垒足够厚、开源没那么容易打进来、用户还愿意长期付费。
找遍全球，医疗是绕不开的一个答案。
02
为什么偏偏是医疗：三笔很硬的账
不是大厂突然集体爱上了医学，而是这门生意的结构，恰好适配大模型的长处。
第一笔账：盘子足够大
先建立一个量级概念。据公开统计，全球每年医疗卫生总支出约12万亿美元；相比之下，通用大模型市场即便按乐观口径估算，也只是前者的零头。全球药企每年研发投入约数千亿美元量级，同样远超通用模型市场。（上述数据来自不同机构与不同年份的公开统计，口径存在差异，此处仅用于理解量级。）
这意味着什么？在通用模型市场做到领先，年营收可能是几百亿人民币；而在医疗体系里只要切下一小块，绝对额就可能相当可观。
更重要的是，医疗这笔钱属于「必须花的钱」。一款新药往往意味着十年周期、数十亿美元投入，失败率极高。如果AI能把研发周期压缩哪怕一小部分、把成功率往上抬几个点，它的定价逻辑就不再是按软件年费计算，而是参照节省下来的研发费用去谈——一款药省下的钱，分一小部分出来，可能就抵得上几千份企业订阅。
药企端如此，医院端亦然。国内一家三甲医院，每年投入在病历、检查报告等文书工作上的隐性人力成本相当可观，医生每天有相当比例的时间花在书写而非诊疗上。把这部分时间省下一半，对医院来说是直接的成本改善，而不是一笔可有可无的信息化预算。
通用大模型偏「有了更好」。材料写得慢一点、代码改得慢一点，通常不会造成严重后果。医疗不一样。
新药晚上市一年，药企的损失以亿计；影像上的一个异常被漏掉，代价无法用钱衡量；慢病没管好，一次住院就是几万甚至几十万。
越接近「救命、省钱、抢时间」的需求，付费意愿就越强。愿意为省时间付费的人相对有限，愿意为降低风险付费的人要多得多。
而且医疗没有「免费替代」。你可以不用某个模型，转投开源；但没有人会因此不看病、不住院、不用药。需求足够刚性，才谈得上定价空间。
第三笔账：墙足够厚
这是最核心的一点：医疗的钱不好赚，但门也不好进。三道墙把绝大多数玩家挡在外面，也让进得去的人拥有更长的缓冲期。
第一道墙：合规。医疗数据是最敏感的数据之一。在HIPAA体系下，违规最高可处以百万美元级罚款，情节严重时还可能追究刑责；国内《个人信息保护法》《医疗卫生机构网络安全管理办法》等法规，对数据采集、存储、出域、溯源也都有明确要求。通用模型很难直接承接真实诊疗数据，这也是为什么厂商要单独做符合合规要求的医疗版本——不是技术做不到，而是合规必须先行。
第二道墙：专业。模型可以背下所有指南，不等于能写出一份合格的临床试验方案，也不等于能走通医院的采购流程。医疗是强经验、强流程、强规矩的行业，很多关键know-how藏在几十年的行业沉淀里，不在参数里。Anthropic花4亿美元买一家9人的公司，买的不是模型能力，而是这支团队懂药企研发流程、能把模型接进实验室设备——买的是入场券。
第三道墙：信任。医生敢不敢参考AI的建议？药企敢不敢拿AI的结果去申报？院长敢不敢把全院数据交给你？这不是跑分能解决的问题，需要一次次临床验证、一个个落地项目、长年累月地积累。通用模型偶尔出错，大家一笑而过；医疗场景对错误的容忍度要低得多。
正因为墙高，所以难进；正因为难进，进去之后才不容易在三个月内被价格战打穿。
03
全球巨头的四副算盘
不是大家一起涌进同一个入口。每家都盯着自己最擅长的那段产业链，打法完全不同。
Anthropic：往最上游走，做研发环节的参与者
Anthropic选了一条偏重的路。收购Coefficient Bio的核心看点不在人数，而在于他们能把大模型与实验室自动化设备连接起来：AI设计实验，机器执行实验，结果再回流给模型优化，形成一个闭环。
这相当于直接站到了药企研发预算的旁边，商业模式也从「按席位收年费」转向「按项目谈合作」。对资本市场而言，这也是一个更有想象力的叙事：效率工具的故事有天花板，而参与药物发现的故事，对应的是整个医药工业的改造空间。
Google DeepMind：从底层科学掀桌子
谷歌的路线偏硬核，直接从分子生物学的底层切入。AlphaFold在蛋白质结构预测上的突破具有诺奖级意义，后续版本已能预测蛋白质、DNA、小分子之间的相互作用，直接服务于靶点发现。
谷歌并不急于在医院市场争份额，而是与头部药企开展管线层面的合作，赚的是产业链更上游的钱。
OpenAI：先把最海量的健康入口握在手里
OpenAI走的是群众路线。ChatGPT每周承接上亿次健康相关提问，这本身就是稀缺的健康流量入口。把大众的健康需求沉淀下来，转化为长期订阅与后续服务的分发起点，是一条典型的C端路径。
这条路的关键不在流量规模，而在可靠性——场景一旦与人的健康相关，用户对准确性的容忍度就远低于日常问答。
英伟达：卖永远的铲子
英伟达的位置最省心。不管谁做药、谁做医院，都要用算力。以BioNeMo为代表的平台，提供的是底层工具与算力底座。行业投入越大，它的生意越稳。
04
国内玩家：路线更本土，卷得更具体
国内的紧迫性其实更强。通用模型市场的价格博弈更为激烈，利润被压缩得更快，寻找新增量的意愿也更迫切。
先看底子：据公开数据，中国每年卫生总支出已达8万亿人民币量级，并保持中高个位数增长；全国医院数量超过3万家，信息化与智能化渗透率仍有较大提升空间。这是一个足够容纳多个玩家的增量市场。
字节跳动：先解决「数据从哪里来」
字节投入建设自有医院，外界一度不太理解。但是据说豆包的健康咨询日活已经突破2000万，碾压一切医疗垂直平台。字节建医院放到AI的语境里看，逻辑是清楚的：医疗AI的核心燃料，是真实、完整、闭环的临床数据。外部采购数据不合规，合作又常常受限于接口与责任边界，自建医院相当于从源头拿到了「训练+验证」一体化的场景。
当然，这也不是一条轻松的路。互联网公司擅长的流量与快速迭代逻辑，和实体医院的强监管、长周期、重运营属性之间，需要一个持续融合的过程；全科室铺开还是聚焦几个专科打透，走重资产还是偏技术服务，这条边界还需要更多时间去跑。这些都是发展中的课题，需要进一步解决，而不是一道已经答完的题。
「氢离子」主打答案可溯源，直接嵌进医生工作站。医生写病历、开处方、查指南时，辅助就在旁边，不需要跳出系统。逻辑很清晰：先成为日常工作流的一部分，再谈后续的延展。
对这条路而言，有两道题值得持续关注：一是医生辅助类工具的供给已经相当充分，如何真正成为高频使用的工作习惯，而不是装上之后闲置；二是AI能力与药品、耗材供应链之间如何形成正向循环。这两道题整个行业都在解，也仍需要时间来验证。
蚂蚁集团：从支付入口切入大众健康管理
蚂蚁做医疗AI带着天然的支付与流量基因，走的是普惠覆盖的路线，「蚂蚁阿福」是其在C端健康场景的核心产品。按企业披露口径，截至2026年中，该产品累计用户已突破1.5亿，单日健康咨询量接近2000万次（非日活），是国内用户规模较大的C端健康AI入口之一。
打法大致分三层。第一层是AI日常健康管家：从症状咨询、体检报告解读，到慢病用药提醒、饮食运动指导，同时打通多个品牌的智能手表、血糖仪、血压计，形成个人健康档案。第二层是就医全链路：挂号、科室推荐、在线问诊、医保支付、药品配送，尽量在体系内完成闭环。第三层是医患双端联动：面向基层医生提供AI助手工具，与C端打通，形成「AI初筛+医生复核」的协作方式。
它的优势在于入口与下沉渗透，据披露其用户中有较高比例来自三线及以下城市。相应地，商业化节奏相对克制：健康类产品的活跃度与流量广告投入高度相关，如何停止市场投放后长期维持用户留存与活跃，是需要持续回答的问题；至于产品的核心商业化形态，也仍在打磨之中。
微医：走「按效果付费」的运营型路线
在国内医疗AI的版图里，微医的路径偏重运营落地，深度绑定医保、医院与患者三类角色，形成了相对完整的业务结构，目前也是国内唯一进入医疗场景并有支付方的厂家。
第一条线，是面向医保与卫健系统的智能体服务。它较早切入这一领域，向地方医保局、卫健委提供慢病管理、费用管控、分级诊疗辅助等服务，并以实际管理效果作为付费依据：在部分基层慢病管理项目中，AI智能体承担随访、指标监测、风险分层、转诊调度等工作，按患者管理覆盖率、血压血糖达标率、不合理住院管控等量化指标验收结算。这让双方形成的是长期运营服务关系，而非一次性软件售卖。
第二条线，是面向中高净值人群的自费健康增值服务。覆盖肿瘤、心脑血管、内分泌等重点病种，由AI智能体承担日常监测、提醒与随访，线下对接三甲专家资源与就诊协调，形成线上线下结合的管理服务包。这类服务为纯市场化自费产品，客单价从数千到上万元不等。
第三条线，是把健康管理服务与商业保险做成产品闭环。联合保险公司推出专病保险，把AI健康管理服务嵌入保险责任：未发病阶段提供风险筛查与日常干预，确诊后可获得赔付与诊疗资源对接，形成「防病+治病+赔付」的衔接。
对微医而言，接下来要持续打磨的主要是两件事：一是把已经跑通的模式，从单一区域推向更多城市时的复制效率；二是把积累的业务规模，持续转化为稳健、可持续的盈利能力。前者关系到扩张的速度，后者关系到发展的质量。这两件事，都需要时间和更多的实践来给出答案，不过它压倒性的优势是进入核心医疗场景，并且找到支付方。
京东健康：用供应链把闭环接住
京东健康的医疗AI走的还是自己最擅长的供应链路线。面向医生的「京东知医」整合了大量医学文献与药品说明书，嵌入互联网医院的诊疗工作流，帮助医生查指南、审处方、写病历。
真正的发力点在后端串联：从健康咨询到在线问诊、预约检查、药品配送、上门护理，形成「医-检-诊-药-护」的链条；智能硬件则由平台销售，AI做数据监测，医生做干预方案。它赚的不只是软件收入，还有整个供应链与服务的收入。
同样地，AI业务与医药零售主业之间如何形成更深层的联动，而不是停留在「问诊+买药」的浅度串联，是值得持续观察的方向。做重还是做轻，这个平衡点也需要不断校准。
平安健康：用支付端反向组织服务
平安带着保险基因，打法比较直接：用支付能力带动医疗服务。它构建的是「筛、管、治、康」的全病程体系——先用AI做风险筛查识别高危人群，再由专病保险承接风险，患病后用AI与真人医生协同管理，康复期进行长期干预。
优势在于自身具备支付属性，庞大的保险用户群天然构成服务入口；逻辑也成立：把用户健康管好了，理赔支出与服务收入都受益。相应地，线上医疗服务平台、线下医疗机构与保险支付体系三者之间如何真正形成合力与互相导流，而不是各自为战，是一个仍在持续磨合的过程——跨体系协同，本来就需要时间。
百川智能：从专科临床切入的突围路线
王小川选择All in医疗，与国家癌症中心、北京儿童医院等机构合作，切入肿瘤、儿科等专科领域。
专科路线的好处显而易见：专业壁垒更高，医院为效果付费的意愿更强，也更容易沉淀临床成果与口碑；先在一个领域打透，再向相邻领域延展，是创业公司的经典打法。
对这类公司而言，关键在于如何把技术能力转化为真实的临床落地与付费订单。与顶级医院做科研、参与评测相对好推进，真正进入医院日常诊疗流程还需要经历采购、合规、适配、培训等多个环节。这一步走通了，第二梯队的突围空间自然就打开。
05
为什么偏偏是2026：三个条件同时成熟
看到这里，很多人会问：医疗的好处讲了这么多年，为什么到这两年，大家才集体重兵进场？
答案藏在三个差不多同时成熟的条件里：模型终于能用了，医院终于需要用上了，规则终于清楚了。
模型第一次跨过了「医疗可用」的门槛
前几年医疗AI不温不火，核心障碍是幻觉。通用模型随口编造内容，放在写材料上或许只是个小麻烦，放在医疗场景里就是系统性风险。2023年前后，主流模型在医疗相关任务上的表现还远达不到严肃场景的要求。
到2025-2026年，情况有了变化。据部分厂商披露的测试结果，专用医疗模型在常见疾病问答、病历整理、指南匹配等任务上的幻觉率已显著下降，在部分专科场景中达到较低水平。（不同测试集、场景与评测方式差异较大，此处仅指部分公开测试结果，不代表普遍水平。）
这不是说它已经完美，而是说它「够用了」——就像辅助驾驶不必等到完全无人，能稳定地帮人减负，就已经具备生产资料的属性。
这条线的意义很直接：没有过线之前，它是玩具；过了线之后，它是生产工具。
支付端的改革，把成本压力推到了医院面前
这是很多人没有注意到的底层变化：医院的收入逻辑变了。
过去，收入与项目量高度正相关；DRG/DIP付费改革全面推行之后，一个病种按打包价结算，超出部分由医院承担。公开数据显示，试点城市三级医院的平均住院天数出现了明显压降，部分试点地区的次均出院费用也有所下降（不同地区执行节奏不同，数据以各地公开口径为准）。
于是，「控成本、算绩效」从管理口号变成了经营必需，连医生书写病历的时间都被算进了成本账里。
这时候AI说：我能帮医生省下书写时间，能辅助识别不合理的检查用药，能帮助科室更精细地管理成本。这不是想不想用的问题，而是成本结构变化之后的现实选择。这也是国内医疗AI需求释放最实在的一股推力。
合规的红线，终于画清楚了
前几年大厂不敢放手做医疗，很大程度是因为规则尚不明确：哪些数据能用、怎么用、出了事谁担责，都存在模糊地带。
近两年，国内相关网络安全管理办法与生成式人工智能在医疗场景的应用规范陆续落地，海外的实施细则也在完善。什么能碰、什么要避开、怎么加密、怎么溯源、出了问题怎么追责，边界逐步清晰。
规则清楚之后，投入才有确定性。毕竟，如果收益还不足以覆盖合规风险，这笔生意就没法算。
06
最容易被看错的一点：护城河不在模型
进场的人再多，仍有不少人看错了这场竞争的核心。带着通用AI的胜利经验来做医疗，往往水土不服。因为在这个行业，模型只是入场券，真正的壁垒常常和技术水平关系不大。
误区一：以为拼的是数据，其实是「合规拿到数据的能力」
谁都知道数据重要，问题在于能不能拿到。医院的核心临床数据属于最高敏感级别：买卖不合法，合作又常常因为责任边界而被限制，即便拿到也多是脱敏后的碎片。
为什么有人愿意花几十亿自己建医院？目的主要不是靠看病赚钱，而是合法拥有一家医院从门诊、住院、检查、手术到随访的完整数据链路。这种完整、闭环且合规的数据资产，才是别人短期内难以复制的东西。
反过来讲，如果一家公司主要依靠公开论文、指南和公开病历训练模型，评测成绩可能不错，进入真实临床场景时却容易遇到落差——公开语料与真实临床的数据分布，本来就不是一回事。
误区二：以为是卖软件，其实是做工程与服务
通用模型的生意很轻：研发一次，复制销售，边际成本低。医疗的生意重得多：不同医院的信息系统不同、流程不同、科室需求不同，需要对接、定制、测评、培训、驻场，项目周期以月计，回款周期往往更长。
按公开财报口径，国内头部医疗信息化公司的毛利率大致在30%上下，应收账款压力也不小。这不是技术竞争力的问题，而是这门生意本身的形态使然。习惯了快周转的团队进来，往往需要重新适应节奏。
误区三：以为技术好就能赢，其实懂规则才能活得久
医疗是强监管行业。医院采购要走公开招投标，要看案例与资质；药企研发要遵循NMPA、FDA等规范，流程错一步，前期投入可能全部作废；就连面向医生的功能，什么能说、什么不能说，也都有明确要求。
这些东西不是模型聪明就能自动获得，而是行业几十年沉淀下来的运行规则。
回过头看那些收购与投入：花几亿美元买一家十几人的团队，买的往往不是技术领先多少，而是对方熟悉监管语言、熟悉申报路径，并且已经建立起必要的信任关系。买的，同样是一张门票。
同理，跑通了「按效果付费」的医保服务模式，核心不在模型比别人准几个点，而在理解了政务采购的规则、搞定了流程对接；拥有上亿用户的健康入口，核心也不在模型参数，而在于入口与生态的沉淀。
一句话概括：巨头砸进医疗的钱，本质上是在买「进入这个行业的资格」。
07
最后一层提醒：别用通用思维做医疗
逻辑到这里已经清楚了。Anthropic在IPO传闻密集的时候一头扎进医疗，是算过账之后的取舍：通用模型的路还很长，但估值叙事需要新的载体；而医疗盘子大、壁垒高、付费意愿强，足以承接更长期的想象空间。
但确实有不少人，带着通用模型的习惯进入医疗：觉得模型强就能横扫，觉得迭代快就能速胜，觉得价格低就能换来客户。
结果往往不太理想。因为医疗是慢行业、强监管行业，也是容错率极低的行业。它不一定奖励跑得最快的人，更奖励走得稳的人；它也不太认同参数与跑分，更看重临床验证、专家共识与准入资质。
Anthropic的4亿美元，买的不是技术，是入场券；建一座医院，建的不是楼房，是数据资产；跑通的按效果付费模式，核心不在模型，而在支付与运营的规则；上亿用户的健康入口，靠的也不是参数领先，而是入口与生态的沉淀。
通用模型的战争是快鱼吃慢鱼，拼速度与算力；医疗AI的战争，更接近剩者为王，拼耐心与深度。
很多人还在等下一个通用模型的奇迹。但下一个值得期待的故事，可能已经不在聊天框里了——它在病房里，在实验室里，在支付规则里，在每一份病历、每一张处方、每一次诊疗里。
AI的下半场，从来不只是技术的胜利，更是对产业的敬畏、对规则的理解，以及扎根下去的决心。
医疗，只是第一站。