21世纪经济报道记者张梓桐、实习生张校毓上海报道

4月15日，第89届中国国际医疗器械博览会（CMEF）在上海落幕，来自全球30余个国家和地区的近5000家品牌企业携数万款产品集中亮相。

21 世纪经济报道记者现场观察到，在CMFF上，多家海内外医疗器械品牌围绕“AI”发布了一系列产品。这似乎昭示着，今年3月英伟达创始人CEO黄仁勋作出的“数字生物学将成为下一场惊人的颠覆性技术”的判断，正在加速成为现实。

其中，以AI辅助诊断、精准医疗、智慧病房等领域为代表的尖端技术产品以及血管介入式手术机器人、单孔腔镜机器人、机器人导航CT等医疗机器人成为场馆内最大的两个亮点。

“从需求端看，我国医疗资源分布不均，优质医疗资源过度集中，高级医师人才存在缺口。而AI技术能帮助快速识别病灶，提升诊疗效率及准确率，弥补医生数量缺口。同时，通过辅助诊疗等方式，可以赋能基层医疗机构，推动优质医疗资源下沉。其中，细分应用场景相关标的值得重点关注。”中国科学院院士、中国医学科学院学部委员张旭接受21世纪经济报道记者采访时说道。

从市场空间看，招商证券认为，全球“AI+医疗”市场规模超50亿美元，将继续保持快速增长。根据Global Market Insights报告，预计“AI+医疗”市场规模年均复合增速将超过29%，2032年将达到700亿美元。从市场结构看，药物发现和医学影像是AI应用最重要的两个领域，合计占比超过50%。随着制药工业发展和AI技术迭代，预计2032年AI药物研发市场规模将超过205亿美元。

AI落地医疗行业

近年来，AI技术在医疗领域的应用逐渐深入，通过大数据分析、深度学习等技术，在疾病诊断、个性化治疗、医疗影像分析等方面展现出巨大潜力，在药物研发、患者监护、医院管理等多个环节也开始发挥作用，有效提升了医疗服务质量和运营效率。

在展会上，美的生物医疗就AI背景下医疗诊断设备和医疗影像、手术机器人与康复机器人等机器人产品、医疗冷链冷藏的产品和解决方案、医院物流和药房自动化的解决方案以及智慧医院与智慧运维的解决方案等方面进行了展示与介绍。

专家预计，未来10年中国“AI+医疗”市场规模年均复合增速将超过30%，AI医学影像和AI制药两个细分市场增长最快。以AI医学影像为例，中泰证券认为，人工智能在医学影像领域应用广泛，场景丰富，市场空间广阔。2025年国内人工智能医学影像市场规模有望增至442亿元，年均复合增长率高达135%。

美的生物医疗的技术总监任伟在接受21世纪经济报道记者采访时则表示，在智能存储场景中，AI技术主要通过生物样本库管理、样本处理优化、药品和试剂耗材管理和数字化管理驾驶舱等方式实现其在医疗领域的落地。此外，AI在能源管理和医疗服务平台的应用，也助力医院实现了节能降耗和数字化转型。实验室自动化的推进也显著提高了科研效率。这些创新应用不仅增强了医疗服务质量，也推动着医疗行业的可持续发展和智能化升级。

谈及市场情况，任伟表示，在医疗影像领域内，存在着很多很小的细分市场。“很多实验室设备都是一个很小的细分领域，所以目前在医疗器械以及生命科学领域都以进口或者合资品牌为主，因此，中国在医疗器械、在国产替代方面要有自己的高精尖的设备，需要一些大品牌参与。与此同时，国内市场已经是以国产品牌为主，但海外市场仍由欧美品牌垄断，因此下一步要加速出海。”

规模化落地面临挑战

今年3月，国务院印发了推动大规模设备更新和消费品以旧换新行动方案中提出，要加强优质、高效医疗卫生服务体系建设。

在这一背景下，AI具有的预测和推理功能将进一步赋能医疗内部暖通系统的智能化升级。

“从 smart control 来说，它可以在不改变整个医院原有的暖通以及控制结构的背景下，通过提取监控的数据建立起一家医院负荷的模型。通过这种学习以后，它通过大模型的寻优，能够实现大概 15%- 20% 的节能。”美的楼宇科技美控总经理孙靖博士在接受21 世纪经济报道记者采访时表示目前，该引擎已经应用于多座医院建筑，通过对既有暖通空调自控系统的智慧升级，为系统带来了约15%～30%的能耗节省。

孙靖告诉21世纪经济报道记者，之所以选择将AI智慧楼宇落地在医院场景，正是由于医院自身建筑的复杂性，多场景特点，通过将医院作为试点，以期在未来能够下沉到基层。

从美的自身业务架构来看，AI医疗业务的重要性也在逐年提升。美的2023年年报显示，美的集团营业总收入为3737亿元，同比增长8.1%。在细分业务方面，ToB业务成为业绩增长的重要贡献力量，占总营收约四分之一，美的医疗旗下则涵盖了五大ToB业务板块。ToB业务中，新能源及工业技术收入为279亿元，同比增长29%；机器人与自动化收入为311亿元，同比增长12%；智能建筑科技收入259亿元，同比增长14%。

但张旭也对记者指出，当前医疗人工智能的发展，仍面临规模化落地上的挑战。

“人工智能开发需要大量高质量数据，而国内大部分医疗数据存储于各级医疗机构，业务系统相对独立，数据较难实现共享，存在明显的数据孤岛现象，可供训练的真实场景数据集有限。即便得到了大量的医疗数据，如何对离散的海量医学专业数据进行处理、统计和分析，通过模型进行有效的整合，成为另一个挑战。医疗行业的严谨性对模型的精确度要求更高，从而对算法和算力提出了更高的要求。最后，开发出来的医学人工智能成果存在规模化落地的困境，数据与算法模型的产、供、销缺乏产业链资源支撑，这些成为制约人工智能在医疗行业落地的重要因素。”张旭说道。