一、先把“AI醫療設備”這個筐看清楚
聊AI醫療設備之前，先要破除一個常見的誤解：很多人以為“AI醫療”就是讓機器代替醫生看病。這個理解太窄了。
從監管分類來看，AI醫療器械覆蓋的范圍遠比想象中寬。按照《人工智能醫療器械注冊審查指導原則》的定義，只要是基于“醫療器械數據”、采用AI技術實現醫療用途的產品，都屬于這個范疇。醫療器械數據的邊界很廣——CT圖像、超聲圖像、心電波形、病理圖像、甚至用數碼相機拍的一張皮膚照片，只要用于醫療用途，都可以算。
這意味著，AI醫療設備行業至少包含幾類截然不同的產品形態：AI輔助診斷軟件(看片子、找病灶)、AI輔助治療系統(手術規劃、導航)、AI驅動的硬件設備(智能監護儀、AI內窺鏡)、以及近年興起的醫療大模型和智能體。
產品形態的多樣性，直接決定了行業競爭格局的復雜性。做影像輔助診斷的企業，和做大模型的企業，雖然都在“AI醫療”這個大筐里，但它們的商業模式、技術路徑、客戶群體、監管門檻，幾乎完全不同。
從商業化成熟度來看，AI醫療影像輔助診斷軟件是最早跑通注冊路徑的品類。自國內首張AI醫療三類證獲批以來，這個細分領域已經積累了相當數量的獲證產品。但獲證數量不等于商業成功。一個殘酷的現實是：很多拿到三類證的AI軟件，在醫院的采購清單上排不上號。原因不復雜——它只是一個“更好用的工具”，而不是“必須用的工具”。
中研普華在行業分析報告中有一個觀察：AI醫療設備的商業化瓶頸，從來不在技術層面，而在“支付意愿”層面。醫院為什么要花錢買一個AI軟件?如果它不能顯著提升效率、不能降低誤診率、不能帶來額外的收入，那么“有它更好、沒它也行”的產品，在預算緊張的醫療機構里就很難獲得優先級。
如果說AI醫療設備行業有一個“分水嶺時刻”，那一定是2026年9月這份修訂稿的發布。
修訂稿的“技術考量”一章，從上一版到這一版，結構上有合并和改名，但真正有分量的是新增的四節：跨模態圖像合成功能、多模態產品、多病種產品、大模型。
這四節新增，對應的是四類在2022年之后才成規模的產品形態。換句話說，監管框架的更新，是在追趕產品創新的腳步。
大模型這一節的邏輯最值得細看。修訂稿對大模型的基本判斷很務實：當前醫療器械難以直接部署大模型。這個判斷本身就是一個重要的信號——監管層沒有把大模型“神化”，而是承認了它在醫療器械場景中的落地限制。基于這個判斷，修訂稿給出了三條落地路徑，每一條的定性都不同。
第一條路徑是通過接口調用通用大模型。這里有一個關鍵區分：如果調用功能不是產品實現預期用途的“必備環節”，那么它屬于“非醫療器械功能”，產品技術要求里簡述接口功能即可，說明書里注明通用大模型信息，標明“這不是醫療器械功能”。但如果調用是必備環節，它就被視為“現成軟件組件”，需要提供完整的研究資料。
這條規則的分量在于：“調用”不等于“免責” 。過去行業里有一種模糊的說法——“模型是第三方的，風險不由我承擔”。現在判斷標準很明確：看它是不是實現預期用途的必備環節。是，就按現成軟件組件管;不是，就在說明書里標清楚，別拿它當賣點。
第二條路徑是基于通用大模型開發醫療智能體。修訂稿的定性是：醫療智能體可視為醫用應用軟件，通用大模型可視為現成軟件組件。
第三條路徑是自研大模型。如果是自研基礎模型(預訓練模型)，可視為“醫用中間件”;如果是自研場景模型(微調模型)，可視為“醫用應用軟件”。如果兩者獨立進行版本控制，產品技術要求需要分述兩者的版本命名規則——這個細節看著瑣碎，但它決定了版本變更要不要走注冊變更，直接影響產品的迭代節奏和合規成本。
三條路徑有一個共同的硬要求：均需針對幻覺、偏見等風險提供風險管理資料，并在說明書予以警示提示。如果適用，還需提供涌現能力和模型蒸餾技術的研究資料。
這套規則對行業的影響是結構性的。它把“套殼大模型”和“自研大模型”兩條路各自該交什么、該提示什么，第一次說清楚了。此前那種“模型能力來自第三方、風險不由我承擔”的模糊空間，基本被關掉了。
另一個值得注意的新增類別是多模態產品。修訂稿的定義是：一個算法的輸入為兩種及以上模態數據、輸出為單病種的輔助決策產品。核心要求是“模態之間誰說了算，得講清楚”。這個要求的背后，是監管層對多模態產品“可解釋性”的關注——當算法同時看CT、超聲和磁共振圖像時，它憑什么做出判斷?哪個模態的權重更高?這些問題在產品注冊時必須回答清楚。
三、行業正在發生的三個“靜悄悄的變化”
變化一：從“輔助診斷”向“輔助治療”延伸
AI醫療設備最早跑通的場景是影像輔助診斷——看肺結節、看眼底、看宮頸細胞。這些場景的共同特點是：AI做的是“找東西”的工作，找到之后交給醫生判斷。
但2026年以來的一個明顯趨勢是，AI正在從“輔助診斷”向“輔助治療”延伸。手術導航類AI產品的獲批是一個標志性事件。當AI不僅告訴醫生“這里有病灶”，還能告訴醫生“手術刀應該從哪里下、下多深”時，它的臨床價值就發生了質的變化。
云南獲批的那款顱內動脈瘤手術計劃軟件，就是這類產品的典型。它的功能不是“發現動脈瘤”，而是“規劃手術方案”——通過深度學習算法解析動脈瘤的形態學特征，輸出彈簧圈參考直徑數據，輔助醫生做術前準備。這意味著AI的角色從“篩查工具”變成了“決策支持系統”。
這個轉變對競爭格局的影響很大。輔助診斷產品的競爭已經高度同質化——肺結節、眼底、宮頸，每個細分賽道都擠滿了玩家。但輔助治療產品的門檻要高得多：它需要更深的臨床理解、更復雜的算法設計、更嚴格的驗證流程。能跨過這道門檻的企業，獲得的是一個競爭遠沒有那么擁擠的市場。
變化二：產品形態從“外掛軟件”走向“原生集成”
另一個值得關注的變化是產品形態的演變。早期AI醫療產品的主流形態是“外掛式”——醫院已有的CT設備、超聲設備不動，單獨裝一套AI軟件來輔助閱片。這種模式的優點是部署靈活，缺點是AI始終是一個“附加功能”，而不是設備的核心價值。
2026年的趨勢是，AI正在從“外掛”變成“原生” 。新華網的一篇報道把這個趨勢概括得很清楚：產品形態正從外掛式AI軟件、單一功能獨立設備，邁入軟硬件原生一體化、多術式兼容、診療全鏈路閉環、端邊云協同的集成化新階段。
這意味著什么?當AI成為整機運行的“底層控制核心”時，賣的不再是一個軟件，而是一臺“AI原生設備”。設備的定價權、客戶粘性、替換成本，都會完全不同。
這個轉變對行業格局的沖擊是深遠的。純軟件企業面臨的壓力會越來越大——如果AI只是設備的一個功能模塊，那么設備廠商就有動力自己來做，而不是采購第三方的軟件。反過來，具備軟硬件一體化能力的企業，會在競爭中獲得結構性優勢。
變化三：醫療大模型從“原型發布”走向“備案落地”
醫療大模型是過去兩年行業里最“熱”的話題。但熱度之下，落地情況需要冷靜看待。
根據行業統計，國內醫療大模型的累計發布數量在2025年上半年出現了爆發式增長，但完成備案、可對外提供服務的模型占比并不高，大部分發布的模型仍處于原型或內部測試階段。從已備案的AI應用場景分布來看，低風險、非診斷類場景的落地數量遠高于高風險的臨床輔助診斷類場景。輔助診斷作為AI醫療商業價值最高的場景，實際占比仍然很低。
這個“倒掛”現象說明了一個問題：大模型在醫療場景的落地，走的不是“從高到低”的路徑，而是“從邊緣到核心”的路徑。最先跑通的場景是導診、病歷質控、患者咨詢這些“不碰診斷”的環節，因為它們的合規門檻低、出錯代價小。真正進入臨床決策環節，還需要更長的路。
AI醫療設備行業的玩家結構，可以用“三層分化”來概括。
第一層是“持證大戶” 。這些企業在AI醫療影像領域布局早、獲證多，在肺結節、眼底、冠脈等傳統賽道上建立了先發優勢。它們的優勢是渠道資源和品牌認知，挑戰是產品同質化嚴重，在輔助診斷這個“紅海”里，價格戰的壓力越來越大。
第二層是“場景深耕者” 。它們不追求獲證數量，而是選擇一兩個高壁壘的臨床場景做深做透。病理、內鏡、核醫學、手術導航——這些場景的共同特點是：技術門檻高、玩家少、臨床需求明確。進入這些場景的企業，雖然獲證數量不如“持證大戶”，但產品的“不可替代性”更強。
第三層是“大模型和智能體探索者” 。它們賭的是下一代的AI醫療產品形態——不是“一個算法解決一個問題”，而是“一個模型理解一個領域”。這條路的風險極高，因為監管框架剛剛開始成型，商業化路徑還不清晰。但一旦跑通，回報也會遠超傳統產品。
中研普華在市場調研報告中有一個判斷：AI醫療設備行業的競爭正在從“獲證數量”轉向“場景縱深” 。一個企業有多少張三類證，越來越不重要;重要的是它在哪個臨床場景里建立了不可替代的位置。獲證是入場券，場景理解才是護城河。
五、結論
中研普華依托專業數據研究體系，對行業海量信息進行系統性收集、整理、深度挖掘和精準解析，致力于為各類客戶提供定制化數據解決方案及戰略決策支持服務。通過科學的分析模型與行業洞察體系，我們助力合作方有效控制投資風險，優化運營成本結構，發掘潛在商機，持續提升企業市場競爭力。
若希望獲取更多行業前沿洞察與專業研究成果，可參閱中研普華產業研究院最新發布的《2026-2030年中國AI醫療設備行業全景調研與發展前景預測報告》，該報告基于全球視野與本土實踐，為企業戰略布局提供權威參考依據。
研究院服務號
中研網訂閱號