今天刷屏的钟南山团队肺癌病理基因AI模型，本质是AI大模型在精准医疗场景的首次规模化临床验证，直接打破了此前医疗AI“重影像轻病理”的行业惯性。我做了10年新能源产业咨询，最近两年一直在跟踪AI大模型在实体产业的落地路径，这个成果刚好踩中了我观察很久的两个行业核心趋势。

先说说行业背景，AI大模型从消费级应用爆发，到2025年已经全面转向实体产业落地，医疗和新能源是落地速度最快、空间最大的两个赛道。此前医疗AI的落地主要集中在影像诊断领域，比如肺结节、眼底病变的AI读片，已有不少产品进入临床常规使用。但病理层面的AI应用一直进展缓慢，核心原因是病理数据多模态复杂度更高，标注成本是影像数据的数倍，且直接关联治疗决策，对准确率要求更严苛。

从当前行业现状看，病理AI已经成为医疗AI赛道的新增长极。根据IDC发布的2026年上半年全球AI产业跟踪报告，医疗AI细分赛道中，病理AI的融资增速位列第一，超过了此前连续三年领跑的影像AI。国内头部三甲医院也在加速布局，我去年调研的多家头部三甲医院信息科，都将病理AI列为近两年的重点研发方向。

这次钟南山团队的成果之所以值得关注，核心是它解决了病理AI的两个核心痛点：一是实现了病理形态与基因测序数据的多模态融合，二是将肺癌病理分型准确率提升至资深病理医生同等水平，效率提升数倍。值得注意的是，模型的底层算力支撑来自华为昇腾的医疗AI专属算力集群，这也是昇腾继新能源电力调度、光伏缺陷检测大模型之后，在实体产业落地的又一标杆场景。我之前在新能源赛道调研时就注意到，昇腾的行业专属算力方案已覆盖国内多数新能源头部企业，如今延伸到医疗领域，节奏比预想更快。

从这个成果延伸开，我对AI+医疗的发展有两个明确趋势判断。一是医疗AI会从“辅助诊断工具”向“精准治疗决策入口”升级，病理基因AI是核心抓手，未来将直接关联患者用药方案、预后评估，而非停留在“读片”层面。二是跨行业AI技术复用会加速，比如新能源领域成熟的小样本学习、多模态融合技术，会快速迁移到医疗场景，降低研发成本。

最后给同行们提3条实操建议，不管做医疗AI还是其他产业AI都可参考。第一，不要局限于单一赛道的技术积累，多关注实体行业的共性技术需求，跨赛道复用的技术壁垒反而更高。第二，医疗AI团队不要扎堆影像赛道，病理、基因这类和临床治疗深度绑定的上游场景，缺口更大、商业化确定性更强。第三，算力厂商要加快布局行业专属合规算力集群，针对医疗、新能源这类数据敏感行业，定制化方案比通用算力更有竞争力。

信息来源：2026年10月10日广州呼吸健康研究院官方公告