横向平台化玩家，包括蚂蚁集团、百度和京东健康。它们的核心目标是利用既有生态优势，覆盖医疗健康服务的全流程。

图源 / 蚂蚁集团的“阿福”（左）、百度的“文心健康管家”（中）、京东的“康康”（右）

其中，蚂蚁集团的“阿福”，其三个核心功能——健康陪伴、健康问答和健康服务，分别对应了蚂蚁整合智能设备数据、调用医疗知识库与名医***、以及打通支付宝医保支付与好大夫在线医生网络的能力。这使得阿福能实现从咨询到挂号、支付、购药的端到端服务体验。

然而，其商业模式仍处于探索期，健康管理的低频属性与追求高频粘性之间存在一定矛盾，且作为长期战略投入，明确的盈利模型尚未形成。

百度的“文心健康管家”，依托搜索入口的流量与文心大模型技术，***用“AI+***”双保障模式提供服务。其挑战在于，用户心智短期内仍停留在信息搜索，向深度服务转化的难度大，且缺乏支付、电商等关键场景的闭环能力。

京东健康是少数已实现稳定盈利的平台，不过其核心收入来源仍为医药零售，AI医疗服务是其提效的工具。它旗下的“康康”，依托京东集团的物流与供应链体系，实现了AI问诊、药品即时配送与线下服务的深度绑定。其短板在于，技术探索相对聚焦于与零售协同的场景，在多模态交互、复杂疾病辅助等前沿能力的投入上显得谨慎；同时，C端流量高度依赖京东主站，独立品牌心智的建立仍需时间。

另一类纵向专业化玩家包括字节跳动、科大讯飞、百川智能。它们放弃了全场景覆盖的野心，试图在特定场景建立优势。

图源 / 字节跳动的“小荷AI医生”（左）、科大讯飞的“晓医”（中）、百川智能的“百小应”（右）

字节跳动的“小荷AI医生”，除独立APP外，还以小程序的形式嵌入抖音生态，通过用户搜索疾病相关内容进行导流。目前，其官方介绍和产品界面中推介的主要功能侧重“健康咨询”、“报告解读”等医疗咨询相关能力，未就购药服务设立独立端口。

科大讯飞的“智医助理”，立足B端和G端，产品经过大量基层医疗机构验证，临床数据积累深厚。其C端产品“晓医”体验更偏向专业工具，用户友好度与流量规模是主要短板。

作为“AI六小虎”中唯一All in医疗的玩家，百川智能聚焦临床循证与科研支持，它的核心产品“百小应”及近期发布的医疗大模型 Baichuan-M3主打问诊能力、治疗方案建议等专业功能，并通过与卫健委、医院合作落地。其优势在于技术精度高，但面临B/G端项目落地周期长、缺乏C端流量与市场***的挑战，短期面临盈利压力。

平台型玩家凭借生态优势追求服务闭环，但其医疗专业深度的构建，以及低频健康需求与互联网高频逻辑之间的调和，仍是待解难题。垂类玩家虽在专业或流量上有所侧重，却普遍受困于规模瓶颈或转化效率。这场战事不是简单的技术竞赛，任何单一维度的优势，都不足以在这个“慢行业”中轻易胜出。

为何成为大厂的必争之地？

尽管当前链接C端用户的健康助手多***用免费模式，直接盈利路径模糊，且行业具备高监管、长周期、高投入特性，但它依然吸引了巨头们的战略级投入。它的吸引力主要源于以下三个层面。

首先，需求真实存在且在持续增长。

一方面，优质医疗***供需矛盾尖锐，AI成为系统性提效的关键工具。我国医疗体系长期面临***分布不均、医院负荷过载的挑战。在这样的背景下，AI的价值首先体现在对医疗工作流的提效上。例如，在真实、复杂的医疗流程中承担标准化、重复性工作，释放医生精力。行业调研也印证了这一趋势，有71%的中国临床医生开始依赖AI工具缓解工作压力。

另一方面，健康管理需求崛起，AI应用场景从“治病”延伸到“防病”。用户需求已从低频、被动的疾病问诊，转向高频、主动的健康维护，为AI提供了更广阔的应用空间和用户互动频次。巨头们的产品演进，反映出这一趋势。

其次，场景价值与用户粘性高。

医疗覆盖场景多、链条长，那么AI在医疗场景中能带来哪些增量呢？根据2025年头豹研究院发布的《中国AI医疗行业白皮书》，当前AI+医疗的核心应用场景集中在AI医疗器械、AI医疗助手、AI制药、AI健康管理与自动化药房五大板块。其中，AI医疗助手与AI医疗器械落地最快，而医疗器械赛道长期由传统医疗企业主导，技术门槛与渠道壁垒较高，AI医疗助手则因较低的直接门槛、与用户高频互动的潜力，成为了互联网大厂切入医疗AI的首选。

图源 / pexels

当前其C端免费模式仅是培育市场的第一步，但行业共识是，它是撬动健康保险、药品研发、慢***管理等产业链价值的入口。可以这么理解，有了AI，企业“每年就赚的不再只是体检费的钱了，而是可以更多的去赚保险控费的钱，赚健康管理的钱，赚药企研发服务的钱”。例如，通过健康管理降低保险理***，与保险公司分享利益；为药企提供患者招募、用药依从性管理等研发服务等。

最后，医疗是少数能深度串联G（***）、B（机构）、C（用户）三端的垂直领域。

G端能提供合规基础与高质量数据。如近期蚂蚁、讯飞中标的相关国家级、省级医疗AI平台项目，其意义远不止于项目收入，更在于参与标准制定与获取合规数据训练的权限。

B端能带来规模化收入。能否进入并服务好大型医院，尤其是百强三甲医院，是检验医疗AI产品的标准。服务B端的过程，本身就是对模型能力的打磨，由此形成的临床理解和工程化交付能力，才是企业的核心壁垒。

C端是沉淀个性化数据、完成服务闭环的入口。千万级乃至亿级用户的日常健康咨询与数据，并与G、B端能力结合，使得巨头能够为用户提供从健康建议、就医指导到医保支付、药品配送的完整闭环服务，体验超过单一功能的应用。

因此，大厂扎堆医疗AI助手，赌的不仅是健康咨询工具的市场，更是未来医疗健康生态的“操作系统”级入口。然而，这条路径的逻辑是否成立取决于：通过C端入口获取的数据与流量，能够反哺并提升B端与G端的服务能力与模型精度。目前，无论是数据跨域流通的合规性，还是不同场景下技术能力的通用性，都是挑战。

数据、成本与责任，医疗AI的“三座大山”

在医疗AI的商业化道路上，决心远不足以扫清障碍。生命健康的特殊性，使得技术应用面临着一系列更为严峻和基础的制约。

首先是技术可靠性。

在娱乐、聊天等场景中，模型偶尔的瞎编乱造或许可以被容忍，但在医疗行业，是可能直接威胁生命的安全隐患。这从根本上决定了当前的AI医疗产品只能作为辅助工具。大厂需投入高昂的人力进行校验与审核，这与AI提升效率的初衷相悖。

其次，AI幻觉背后是数据瓶颈。

医疗AI对训练数据的要求更为苛刻，不仅需要海量样本，更追求高质量、标准化与合规性。然而，大型科技公司的数据优势多集中在消费领域，核心、高质量、标准化的医疗数据，仍主要沉淀在公立医疗机构内部，且受限于数据确权、隐私安全与共享机制，获取难度大、成本高。数据标准不一、格式混乱等问题进一步制约了模型训练的效果。

再者，这直接推高了算力成本。

医疗AI，尤其是涉及影像、文本等多模态数据的模型，其训练与推理需要巨大的计算***支撑。为满足医院对数据安全的要求，私有化部署成为主流，这意味着厂商需承担软硬件一体解决方案的巨额投入与长期维护成本。

图源 / pexels

从市场落地来看，商业化路径依然模糊。

基层医疗本是AI技术赋能的重要场景，但存在付费意愿低、AI服务未被纳入医保、产品同质化严重等问题。大厂的流量优势在严谨的医疗***分配体系和薄弱的支付能力面前，转化效果有限。

最后，责任认定的模糊地带是潜在的风险。

当发生医疗损害时，责任在医疗机构、医生和AI提供商之间如何划分，目前缺乏清晰的法律界定。对于用户量级巨大的大厂而言，潜在的集体性追责风险与品牌声誉危机远超其他行业。

总的来看，数据、算力、商业化与责任风险这几大挑战，并非依靠单纯的技术升级或资本投入就能快速解决，而是根植于医疗行业的***规范、监管体系与利益结构之中。例如，责任认定的模糊性，需要的是法律与***框架的完善，而非算法优化。

因此，大厂的医疗AI之路，复杂性远超一般的互联网产品攻坚。它考验的不仅是技术实力与财力，更是对医疗行业规律的理解以及战略智慧。

*题图来源于pexels。返回搜狐，查看更多