⏱ 预计阅读：12 分钟
[!summary] 本期速览
💡 新观点 1：传统医疗设备企业的 AI 转型，不是给官网、销售和客服加一个聊天机器人，而是把公司从“硬件交付型组织”改造成“受监管软件持续交付型组织”。
💡 新观点 2：这期锁定 McKinsey 2026 年 7 月 15 日文章《The future of delivering software as a medical device》，它真正讲的是 SaMD 成为医疗器械公司下一阶段竞争底座。
💡 新观点 3：对中国传统设备企业来说，最现实的路线不是一上来做大模型平台，而是先选一个高价值临床场景，把设备入口、数据闭环、质量证据、商业续费和人才梯队跑通。
1、这次为什么选 McKinsey 的 SaMD 文章
这一期我没有继续选开源项目，也没有选纯评测。你给的聚焦点是：传统医疗设备行业企业怎么做 AI 转型方向。
我把这个问题翻译成更工程化的一句话：
一个以硬件研发、注册、生产、销售、装机和售后为主的医疗设备公司，怎么反向升级成能持续交付 AI 软件、数据服务和临床工作流价值的公司？
所以本期只锁定一个对象：McKinsey 在 2026 年 7 月 15 日发布的文章：
The future of delivering software as a medical device
这篇文章的核心背景很清楚：随着医疗科技公司从 hardware-centric 走向 software-led，规模化交付 Software as a Medical Device，也就是 SaMD，变得越来越重要。与此同时，生成式 AI 工具和云平台正在改变软件开发、质量管理、上市后监测和组织协作方式。
这不是一篇教你“怎么写 prompt”的文章。它真正有价值的地方，是把传统 medtech 公司最难的一层说出来：
医疗设备企业的 AI 转型，表面看是算法，底层其实是软件交付体系、质量体系、监管证据和商业模式一起重构。
如果把这件事说得更直白一点：传统设备公司过去的肌肉长在硬件上，未来的增量价值会越来越多长在软件、数据和服务上。
过去，一个设备公司最重要的能力是把设备做出来、拿证、铺渠道、进医院、做售后。产品功能相对稳定，上市后主要靠新型号、新耗材、新装机和维保服务赚钱。
但 AI 进入医疗设备后，产品形态会变化。
内镜不只是内镜，而是实时识别、质控提醒和报告辅助的入口。影像设备不只是采集图像，而是读片工作流、病灶追踪和多模态决策支持的入口。监护设备不只是采集波形，而是风险预测、异常提醒和院内响应链路的入口。手术设备也不只是机械臂，而是术前规划、术中导航、视频理解和术后复盘的入口。
AI 转型的方向，不是把一个算法贴到硬件上，而是把设备变成临床数据和软件服务的入口。
2、第一步：别先建“大模型中台”，先选一个 SaMD 场景
传统设备企业最容易犯的错误，是一上来把 AI 转型讲成“大模型平台”“智能体平台”“全公司 AI 化”。
这些词听起来很完整，但落地时往往很虚。因为医疗设备行业有几个硬约束：
第一，产品必须嵌进临床工作流。医生不关心你用了多大的模型，医生关心读片有没有更快、漏诊有没有减少、报告有没有更规范、术中有没有更安全、随访有没有更省人。
第二，软件如果影响诊断、治疗或监测，很多时候就会进入 SaMD 或设备软件的监管边界。它不是普通互联网功能，不能靠“上线后再说”。
第三，设备企业不是从零开始。它已经有装机基础、渠道、临床科室关系、真实设备数据、售后队伍和质量体系。AI 转型应该利用这些资产，而不是把自己假装成一家互联网创业公司。
所以第一步不是建中台，而是选一个足够具体的 SaMD 场景。
一个好场景通常满足 5 个条件：
• 临床价值真实。 它要解决医生、技师、护士或医院管理者已经感到痛的问题。
• 数据入口清楚。 数据来自设备、影像、视频、波形、日志、报告或院内系统，且权限和合规路径可讨论。
• 风险边界可控。 先从辅助识别、质控、效率提升、报告草稿、随访管理等场景切入，不要一开始就承诺替代医生决策。
• 验证指标明确。 能定义敏感性、特异性、时间节省、质控通过率、报告一致性、设备停机减少、售后响应时间等指标。
• 商业闭环成立。 医院愿意为效率、质量、安全或收入改善付费，而不只是愿意看 demo。
这里可以借鉴一个已被市场理解的方向：AI 辅助内镜。Medtronic 的 GI Genius 是把 AI 嵌入结肠镜检查流程，用于实时辅助发现疑似息肉。这个案例的重要性不在于“传统设备公司也有 AI 算法”，而在于它说明 AI 软件可以依托既有设备入口，进入医生的实时工作流。
对更多设备企业来说，类似思路可以迁移到影像、超声、病理、监护、手术视频、呼吸机、康复设备、睡眠监测和院内运维。
3、第二步：把研发体系改造成受监管的软件工厂
McKinsey 这篇文章真正值得传统设备企业反复看的地方，是它没有把 SaMD 当成一次性软件项目，而是把它放进一个持续交付体系里。
这对传统设备公司非常关键。
硬件研发通常是长周期、阶段式、重验证、重供应链、重制造导入。软件和 AI 则天然需要持续迭代、快速反馈、版本管理、数据监测和线上问题响应。两套节奏如果不重构，最后就会出现一个很典型的问题：
AI 团队做 demo 很快，但一进注册、质量、临床验证、网络安全、上市后监测，速度立刻掉下来。
所以第二步是建立“受监管的软件工厂”。
这里的软件工厂不是互联网公司的随意发布，也不是传统设备公司的慢速瀑布。它至少要有 8 个环节：
第一，需求和临床意图。 AI 功能到底要辅助谁、在哪个场景、改变哪个动作、不能越过什么责任边界。
第二，风险分级。 这个软件是低风险效率工具，还是影响诊断治疗的功能？不同风险决定不同证据、测试和监管路径。
第三，数据与模型治理。 数据来源、标注质量、训练验证集、偏倚、泛化、漂移和缺失场景都要有记录。
第四，软件开发。 代码、接口、权限、日志、异常处理、可回滚策略和设备集成要工程化。
第五，V&V 验证。 不只是模型指标，还包括软件验证、系统验证、临床验证、性能边界、极端场景和人为因素。
第六，监管提交。 需要能把设计输入、风险控制、测试结果、版本差异和预期用途组织成证据包。
第七，上线监测。 AI 上线后不是结束，而是开始监测性能、漂移、安全事件、用户反馈和真实世界表现。
第八，变更控制。 模型更新、数据变化、工作流变化、适应症变化和安全补丁，都要进入受控变更流程。
FDA 近几年持续公开 AI-enabled medical devices 清单，并发布 AI 设备软件变更计划相关指导。这个监管趋势给传统设备企业一个很明确的信号：
AI 医疗器械的竞争，不只是模型精度竞争，而是“能不能持续、安全、可审计地更新”的体系竞争。
生成式 AI 在这里可以发挥作用，但它不能替代质量责任。它适合做代码助手、测试生成、文档草稿、风险检查清单、缺陷归纳、监控摘要和提交材料预整理。
真正的边界是：AI 可以加速证据生产，但不能伪造证据；AI 可以辅助质量工程师，但不能替代设计控制和责任人签核。
4、第三步：从单点算法升级成 AI 产品栈
传统设备企业过去讲 AI，常常停在“算法准确率”。
但在医疗设备行业，算法只是产品栈的一层。真正能卖、能交付、能留存的，是完整产品栈。
我建议把传统设备企业的 AI 产品栈分成 5 层。
第一层，设备入口。
这是传统设备公司的优势。影像、内镜、监护、手术机器人、可穿戴、呼吸设备、检验设备和康复设备，天然掌握临床场景和数据入口。很多互联网公司想进医院，第一步就卡在这里。
第二层，数据层。
不同设备产生不同数据：DICOM 图像、内镜视频、生命体征波形、设备日志、操作记录、检查报告、EHR 摘要。AI 转型要先解决这些数据能不能合法使用、能不能结构化、能不能跨版本追踪、能不能回到临床质量指标。
第三层，模型层。
这里不只有传统检测、分割、分类和预测模型，也会出现生成式报告、多模态模型和 Agent 工具调用。比如从影像和病历摘要生成报告草稿，从手术视频提取关键步骤，从设备日志归纳故障原因，从临床路径调用不同工具完成质控。
第四层，工作流层。
这是最容易被低估的一层。AI 如果只停在模型界面，医生不会长期用。它必须进入读片、检查、手术、质控、报告、随访、收费、维修和运营流程。
第五层，治理层。
权限、审计、网络安全、漂移监测、临床责任、版本控制、告警闭环都在这一层。没有治理层，AI 产品越多，风险越大。
这 5 层拼起来，才是传统设备企业的 AI 产品方向。
未来的竞争不是“谁有一个 AI 功能”，而是谁能把 AI 功能稳定嵌进设备、数据、工作流和质量体系。
5、设备场景案例：不同设备怎么各自 AI 转型
上面讲的是方法论。真正落到医疗设备行业，还要按具体设备和方法学逐类拆：同样叫 AI 转型，CT、X 光、超声、内镜、检验、病理、监护和手术设备的落点并不一样。
先看一张总图。
这张图的核心意思是：每个设备场景的 AI 转型都不一样，但底层路径很像：先利用设备入口拿到临床数据，再把 AI 变成 SaMD 或软件服务，最后嵌进工作流形成持续价值。
5.1 CT：GE HealthCare TrueFidelity，把重建算法变成扫描体验
图注：GE HealthCare TrueFidelity CT 官网截图，访问时间 2026-08-08。
CT 是最典型的“硬件成熟、软件增值空间变大”的设备。
传统 CT 竞争看球管、探测器、转速、排数、剂量控制和图像质量。但当这些硬件指标进入平台期后，AI 转型的切口就变成图像重建和扫描工作流。
GE HealthCare TrueFidelity 的方向，是把深度学习用于 CT 图像重建。对设备企业来说，这类案例的启发不是“多了一个 AI 模块”，而是：
• AI 能把硬件采集到的原始信号，转化成更好的图像体验。
• 如果能在低剂量、低噪声、稳定画质上形成临床价值，就有机会变成软件功能包。
• 后续可以继续围绕扫描协议推荐、图像质控、报告辅助和远程运维扩展。
所以 CT 企业的 AI 转型方向，可以从“卖一台更强 CT”升级成“卖一套低剂量、高画质、可持续升级的成像能力”。
5.2 X 光 / DR：GE Critical Care Suite，把床旁片变成急危重症分诊入口
图注：GE HealthCare Critical Care Suite on-device AI 官网截图，访问时间 2026-08-08。
X 光设备尤其是移动 DR，在 ICU、急诊、床旁检查里非常常见。传统价值是拍得快、清晰、稳定、便携。
AI 之后，它可以变成急危重症分诊入口。
GE Critical Care Suite 的典型方向，是在设备侧识别关键征象并优先提醒，比如床旁胸片里的气胸风险。这类场景很适合传统设备公司，因为数据入口就在设备上，临床痛点也明确：急诊和 ICU 不缺片子，缺的是关键异常不要被淹没。
这里的转型重点有三个。
第一，AI 不一定要替代诊断，它可以先做优先级排序。
急危重症场景里，早 10 分钟看到高风险提示，比写一段完整诊断报告更有价值。
第二，AI 可以做在设备端。
床旁环境不一定有完美网络，on-device AI 可以把部分能力前置到设备里，形成硬件差异化。
第三，商业价值来自流程改善。
医院愿意为更快发现风险、更少漏看、更清晰的质控闭环付费，而不是只为“模型准确率”付费。
5.3 B 超：GE SonoLyst，把操作者依赖变成标准化扫查
图注：GE HealthCare SonoLyst 官网截图，访问时间 2026-08-08。
B 超的核心问题，不只是图像质量，还有操作者依赖。不同医生、不同技师、不同经验水平，采集切面和标注质量会明显不同。
GE SonoLyst 的方向，是在产科超声场景中自动识别胎儿解剖结构，帮助提升扫查一致性和效率。
这给超声企业一个很清楚的 AI 转型方向：
• 不要只做“识别某个病灶”的单点算法。
• 更重要的是把 AI 嵌进采集、识别、测量、质控和报告流程。
• 对基层、民营、体检、妇幼等场景，标准化能力本身就是商业价值。
对中国超声企业来说，AI 最现实的切口可能不是一开始就挑战复杂诊断，而是从标准切面识别、自动测量、报告草稿、扫查质控、远程带教开始。这样既靠近现有设备，也更容易被医院接受。
5.4 MRI：GE AIR Recon DL，把扫描时间和图像质量变成软件能力
图注：GE HealthCare AIR Recon DL 官网截图，访问时间 2026-08-08。
MRI 的痛点和 CT 不完全一样。
MRI 检查时间长、患者配合要求高、排队压力大、图像噪声和运动伪影影响大。设备厂商过去主要靠磁体、梯度、线圈和序列能力竞争。
AI 进入后，一个重要方向是深度学习重建和扫描加速。GE AIR Recon DL 就属于这条路线。
这类案例对传统 MRI 企业的启发是：AI 不是外挂功能，而是可以进入扫描链路本身。
如果 AI 能缩短扫描时间、提升信噪比、改善图像稳定性，设备企业就可以把“硬件能力”重新包装成“扫描效率 + 图像质量 + 科室吞吐”的软件价值。
商业上，这不只是卖算法授权。它可以进一步变成：
• 高级成像功能包。
• 按设备/科室订阅的扫描效率包。
• 面向大型医院影像中心的吞吐提升方案。
• 面向基层设备的图像质量增强升级包。
5.5 胃肠镜：Medtronic GI Genius / Olympus ENDO-AID，把内镜变成实时视觉 AI 平台
图注：Medtronic GI Genius 官网截图，访问时间 2026-08-08。
Medtronic GI Genius 的案例重点，是把结直肠镜检查中的实时视频流接入 AI 辅助检测，让系统在医生检查过程中提示可疑息肉区域。它不是把内镜医生从流程里拿掉，而是把“容易一闪而过的小目标”变成实时提醒。
对设备企业来说，这个案例最值得学的是：AI 可以直接贴在主机、显示器和检查流程上，成为内镜系统的一部分。只要提示发生在医生还在操作的那一刻，它就从“事后质控工具”变成了“实时临床辅助工具”。
图注：Olympus ENDO-AID CADe 官网截图，访问时间 2026-08-08。
Olympus ENDO-AID 的案例重点，是把 CADe 能力放进 Olympus 自己的内镜生态里。它的价值不只是一段算法，而是跟内镜主机、显示链路、医生视觉习惯和科室质控要求绑定在一起。
这说明传统内镜企业做 AI，最自然的入口不是单独卖一个外置算法盒子，而是把 AI 做成内镜平台的升级能力：今天做息肉提示，明天可以继续做盲区提醒、退镜时间质控、病灶结构化记录和报告草稿。
胃肠镜是 AI 医疗设备转型里最直观的一类：原来医生看实时视频，AI 之后可以在视频流上做息肉提示、病灶识别、盲区提醒和质控记录。
Medtronic GI Genius 和 Olympus ENDO-AID 都指向同一个趋势：内镜系统不再只是光学、镜体、主机和显示器，而是实时视觉 AI 平台。
这类设备的 AI 转型价值很明确：
• 对医生：降低漏检，尤其是小息肉、扁平病灶、快速闪过画面。
• 对科室：把检查质量变成可监测、可培训、可追踪的指标。
• 对企业：从单台设备销售扩展到 AI 模块、质控软件、培训服务和数据闭环。
胃肠镜企业下一步还可以继续往三个方向做：一是更多病种和部位识别，二是检查过程质控，三是自动生成结构化报告和随访建议。
5.6 检验科：Abbott AlinIQ，把检验设备升级成实验室运营系统
检验科不能只理解成“某一台仪器”。它本质上是方法学设备、流水线、试剂、质控、LIS、TAT、报告解释和科室运营的组合。
所以检验科 AI 转型，要分三类看。
第一类，是生化、免疫、凝血、分子等大样本量设备和流水线。
图注：Abbott AlinIQ Always On 官网截图，访问时间 2026-08-08。
Abbott AlinIQ Always On 这种方向，核心不是替代检验医生，而是把设备运行、远程诊断、停机风险和服务响应数字化。
对传统检验设备企业来说，这意味着 AI 转型可以先从“设备健康管理”和“实验室运营”切入：
• 预测设备异常，减少停机。
• 监控试剂、质控、样本周转和 TAT。
• 给工程师和售后提供故障知识库。
• 帮助大型实验室做仪器群运营。
第二类，是结果解释和临床决策支持。
图注：Abbott AlinIQ CDS 官网截图，访问时间 2026-08-08。
Abbott AlinIQ CDS 强调 clinical decision support。这个方向的价值在于：检验报告不是终点，报告解释、规则引擎、异常组合、复查建议、危急值路径和临床沟通才是更高价值环节。
它对应的是检验科 AI 转型里的第二条路：不一定直接改造某一台分析仪，而是把多项检验结果、临床规则、患者背景和院内路径连接起来。设备企业如果已经掌握仪器、试剂、质控和 LIS 连接能力，就可以进一步向“报告解释层”和“临床沟通层”延伸。
第三类，是具体方法学的 AI 判读。
血液形态学、微生物培养、尿沉渣、精液分析、流式、质谱和分子检测，都有从“设备读数”走向“图像/曲线/模式自动解释”的空间。
5.7 血液形态学和微生物：CellaVision / PhenoMATRIX，把显微镜和培养皿数字化
图注：CellaVision 外周血数字形态学软件官网截图，访问时间 2026-08-08。
血液形态学过去高度依赖人工显微镜阅片。AI 转型之后，设备企业可以把血涂片扫描、细胞预分类、异常提示、远程复核和质控培训做成一个数字工作流。
这类场景的商业价值不是“机器替人看所有片子”，而是：
• 先把大量正常或常见形态学任务标准化。
• 把疑难或异常样本交给专家复核。
• 让基层医院和大型中心之间形成远程协作。
微生物也类似。
图注：bioMérieux WASPLab 与 PhenoMATRIX 官网截图，访问时间 2026-08-08。
bioMérieux WASPLab / PhenoMATRIX 的案例重点，是把微生物实验室里的培养皿处理、成像、判读和后续工作列表做成自动化流程。这里的 AI 不只是识别一张图片，而是参与“样本到了哪里、平板是否生长、哪些需要人工复核、哪些可以进入下一步”的流程编排。
对传统微生物设备企业来说，这代表一种更高层的产品定义：从单台培养、接种、鉴定设备，升级为覆盖前处理、培养、图像判读、结果分流和实验室效率的系统。
图注：COPAN PhenoMATRIX 官网截图，访问时间 2026-08-08。
COPAN PhenoMATRIX 的案例重点，同样是把平板图像、菌落模式和工作流规则结合起来，但它更强调在实验室自动化生态里的软件智能。AI 在这里承担的是“预筛 + 排序 + 分流”的角色，让微生物人员把注意力放到真正需要判断的样本上。
微生物培养过去依赖人工观察培养皿、生长状态、菌落形态和后续操作。AI 之后，平板成像、阴性筛查、菌落识别、工作列表排序和自动化挑菌可以进入流程。
这说明检验科设备企业的 AI 转型不是只卖“更快的仪器”，而是把样本从进入实验室到报告发出的全过程变成可监控、可优化、可远程协作的软件系统。
5.8 数字病理：Paige，把切片扫描仪后面的诊断流程软件化
图注：Paige 数字病理 AI 官网截图，访问时间 2026-08-08。
数字病理和影像很像，但也有自己的特殊性。
切片扫描仪先把玻片变成高分辨率数字图像，AI 再在数字切片上做癌症检测、区域提示、分级辅助和工作列表排序。Paige 这类公司代表了一个趋势：病理设备的价值正在从扫描硬件，延伸到数字切片管理、AI 辅助诊断、远程会诊和质量控制。
对传统病理设备企业来说，转型方向包括：
• 扫描仪 + 切片管理系统。
• AI 检测和预筛。
• 远程病理和多院区协作。
• 病理报告结构化和质控。
• 与肿瘤多学科诊疗和药物伴随诊断连接。
5.9 监护设备：Philips IntelliVue Guardian，把连续数据变成早期预警
图注：Philips IntelliVue Guardian Solution 官网截图，访问时间 2026-08-08。
监护设备的 AI 转型，不是简单识别某一个波形异常，而是把连续生命体征、床旁设备、护理记录和院内响应流程连起来。
Philips IntelliVue Guardian 这类方案的方向，是早期预警和病情恶化识别。
这类转型很适合传统监护企业，因为它们本来就在 ICU、急诊、病房和手术室里有设备入口。真正的增量价值是把单点监测变成风险预测和护理响应：
• 哪些患者需要更早干预？
• 哪些告警是真正有意义的？
• 护士和医生如何减少无效告警疲劳？
• 科室如何追踪响应时间和不良事件？
所以监护设备企业未来卖的不是“更亮的屏幕”，而是“连续数据 + 风险评分 + 护理工作流 + 质量指标”。
5.10 手术设备：Intuitive Force Feedback，把手术能力数据化
图注：Intuitive da Vinci 5 Force Feedback 官网截图，访问时间 2026-08-08。
手术机器人和内镜、影像不同，它的 AI 转型不是一开始就做诊断，而是先把手术动作、力反馈、视频、器械轨迹、能量使用、操作时序和术中事件数据化。
Intuitive da Vinci 5 的 Force Feedback 不是一个“AI 诊断功能”，但它很能说明手术设备 AI 转型的前置条件：只有当手术操作被更细粒度地感知和记录，后续才可能形成术中导航、技能评估、视频复盘、风险提示和智能培训。
对手术设备企业来说，未来 AI 转型可能分 4 步：
第一步，感知增强。 力反馈、视觉、器械位置、组织交互和手术视频数据化。
第二步，流程理解。 AI 识别手术阶段、关键动作、异常事件和操作习惯。
第三步，实时辅助。 在安全边界内做导航、提醒、避险和标准化质控。
第四步，术后复盘。 形成培训、质量改进、耗材使用和科室管理数据。
这类转型的商业模式不会只靠卖机器人，而会逐渐走向手术数据平台、培训服务、软件功能包和医院手术质量管理。
5.11 这一组案例共同说明什么
如果把这些案例放在一起看，会发现它们表面差异很大：有的是 CT 重建，有的是 X 光分诊，有的是超声标准化，有的是内镜实时提示，有的是检验结果解释，有的是微生物培养皿判读，有的是病理切片，有的是监护预警，有的是手术力反馈。
但底层逻辑高度一致。
第一，传统设备不是被 AI 替代，而是被 AI 重新定义为数据入口。
第二，设备企业的优势不是会训练模型，而是掌握临床场景、设备连接、装机基础和质量体系。
第三，AI 功能如果不能进入工作流，就只能停留在 demo。
第四，AI 转型最后必须回到商业模式：医院为什么持续付费，企业为什么持续服务。
6、第四步：组织不要成立孤岛 AI 团队，要三条线一起改
很多传统企业 AI 转型失败，不是因为模型不够强，而是因为组织方式错了。
最常见的错误是成立一个 AI 创新小组，让它去做 demo、跑 PoC、参加展会、写汇报。这个小组很快会做出很多样板，但它没有产品线资源、没有质量体系话语权、没有销售和服务协同，也没有注册路径。最后就变成“创新很多，上市很少”。
传统设备企业真正要改的是三条主线。
第一条，产品线。
每条产品线都要有自己的 AI 路线图，而不是等总部 AI 部门发项目。超声、内镜、影像、监护、手术、康复、检验等产品线，要各自回答：哪些临床动作最值得被 AI 改造？哪些数据我们已经掌握？哪些功能能形成差异化？哪些功能可以作为 SaMD 或软件服务收费？
第二条，质量监管线。
RA/QA 不能等到产品快完成才介入。它要从需求阶段就参与，帮助产品团队判断预期用途、风险等级、验证路径、网络安全、变更控制和上市后监测。
这不是让质量部门拖慢 AI，而是让 AI 从第一天开始有机会变成产品。
第三条，商业交付线。
传统销售队伍擅长卖设备，但未必擅长卖软件订阅、数据服务和院内效率提升。AI 产品需要新的报价逻辑、试点设计、客户成功、持续培训和效果复盘。
一个实用的 90 天目标不是“全公司 AI 化”，而是：
• 选 1 个闭环场景。
• 组织 1 个跨职能小队。
• 做 1 套质量证据链。
• 跑 1 个医院付费或准付费试点。
跨职能小队至少包括临床负责人、产品经理、算法/软件工程师、RA/QA、网络安全、销售/服务和客户成功。大家一起干同一件事，而不是各自写材料。
7、第五步：商业模式要从“装机收入”转向“持续合规收入”
传统医疗设备企业的商业模式，通常围绕硬件装机、耗材、维保和升级。AI 会改变这里的收入结构。
最直接的变化是软件订阅。
如果 AI 功能能持续带来诊断效率、质控提升、报告规范、术中安全、设备运维效率或患者管理效果，它就有机会从一次性功能包变成持续服务。
但软件订阅只是表层。真正的商业模式要拆成 6 层。
第一层，设备装机仍然是入口。
传统设备企业不应该轻易放弃硬件优势。CT、MRI、DR、超声、内镜、检验流水线、监护仪和手术设备，本身就是临床数据入口、医生工作入口和医院采购入口。
AI 转型不是不要硬件，而是让硬件成为软件服务的底座。
第二层，SaMD 功能包成为增值模块。
比如 CT 重建、MRI 加速、X 光分诊、内镜息肉提示、超声标准切面、检验解释、病理预筛和监护预警，都可以被包装成功能包。
功能包的关键不是“技术名称”，而是它解决哪个场景、对应哪个风险等级、需要什么证据、如何验收。
第三层，软件订阅形成持续收入。
订阅可以按设备、科室、院区、功能模块、病例量、使用量或软件平台打包。不同医院适合不同收费方式：
• 大三甲适合平台包和多科室协同。
• 专科医院适合高价值单场景功能包。
• 基层医院适合标准化、远程支持和轻量订阅。
• 民营体检适合按量计费和效率提升包。
第四层，数据服务形成管理价值。
设备企业可以围绕真实世界使用数据、设备运行状态、质控指标、科室效率和临床路径，提供更持续的管理能力。当然前提是数据授权、隐私保护、网络安全和合规边界必须先说清。
这里的数据服务不应该做成“卖数据”。更稳妥的方向是卖指标、流程和管理结果：设备健康、扫描效率、检查等待时间、报告周转时间、告警有效率、质控通过率、远程运维响应时间。
第五层，客户成功决定续费。
过去设备卖出去，重点是安装、培训、维修。AI 产品卖出去，重点还包括使用率、准确率、告警有效性、医生接受度、流程节省、质控改善和持续优化。
也就是说，设备企业需要像软件公司一样经营客户生命周期：上线前做场景选择，上线中做培训和流程改造，上线后做月度数据复盘、问题闭环和续费扩科。
第六层，真实世界证据反过来驱动产品迭代。
AI 医疗设备上线后，企业要持续收集性能表现、用户反馈、风险事件、模型漂移、错误案例和版本变更证据。这些不是负担，而是未来产品差异化和监管沟通资产。
这也是为什么“持续合规收入”比“软件订阅收入”更准确。
收入能持续的前提，是价值可量化、证据可审计、服务可续费。
7.1 五种可落地的定价方式
第一种是年费订阅。
适合已经被验证、使用频率高、科室依赖强的功能，比如内镜质控、影像重建、监护预警、检验运营系统。
第二种是按量计费。
适合病例量波动明显、医院不愿一次性付高额费用的场景，比如按检查量、病例量、报告量、扫描量收费。
第三种是软件功能包。
适合和设备一起销售：基础设备 + AI 功能包 + 高级质控包 + 远程运维包。这样销售团队更容易理解，也更容易进入采购预算。
第四种是院内平台包。
适合大型医院、多院区集团和区域医联体，把多个设备、多个科室、多个 AI 功能打包成平台级合同。
第五种是成效共创。
这类模式更难，但潜力更大。比如围绕缩短报告 TAT、降低重复检查、提升质控通过率、减少设备停机、提升手术周转效率，与医院共同定义成效指标。
7.2 商业模式的 5 个护栏
第一，不能模糊数据授权。
设备数据、影像、视频、波形、检验结果、病理切片和手术数据，都不是企业可以随意拿走的资产。
第二，不能承诺替代医生。
大多数 AI 设备更适合定位为辅助、提醒、分诊、质控、草稿和运营支持。承诺越过责任边界，商业风险会迅速放大。
第三，不能只卖软件不做客户成功。
AI 功能上线后，如果医生不用、护士不信、工程师不会维护，续费就会失败。
第四，不能把监管变更当成售后问题。
模型更新、适应症变化、数据分布变化和功能扩展，都可能触发质量和监管流程。
第五，不能让销售还停留在硬件参数话术。
销售必须学会讲院内指标、工作流改变、质量证据、使用率和续费逻辑。
这也是为什么 McKinsey 这篇 SaMD 文章对传统设备企业有启发：它提醒我们，软件不是硬件旁边的一个附属模块，而会成为未来 medtech 公司增长、差异化和客户关系的核心。
对中国传统医疗设备公司来说，我会把转型优先级排成这样：
第一优先级：从已有设备装机里找 AI 场景。 不要先做泛平台，先从本公司最强设备、最大装机量、最清楚临床价值的地方找切口。
第二优先级：建立受监管软件交付能力。 包括 eQMS、需求追溯、模型验证、网络安全、上市后监测和变更控制。
第三优先级：让 AI 进入临床工作流。 只做后台报表或炫技 demo 不够，要改变医生、技师、护士、工程师或医院管理者的日常动作。
第四优先级：设计可付费服务包。 把 AI 功能、培训、数据服务、运维和效果复盘打包，而不是只卖一次性授权。
第五优先级：用 Agentic AI 改造内部研发和质量流程。 让代码生成、测试生成、文档整理、风险清单、售后知识库和监管材料准备先提效，再逐步走向产品侧 Agent。
8、人员能力矩阵：谁来做这件事
传统设备企业做 AI 转型，最缺的通常不是“会调模型的人”，而是能把临床价值、AI 工程、质量证据和商业落地连起来的人。
我建议把团队能力拆成 8 类。
第一类，临床负责人。
他不只是顾问，而是定义场景的人。必须说清楚：谁用、什么时候用、改变哪个动作、不能越过什么责任边界、临床价值怎么验证。
第二类，AI 产品经理。
这是最关键的新岗位之一。它要把临床问题翻译成 SaMD 需求，把模型能力翻译成工作流，把商业目标翻译成可验收指标。
一个好的 AI 产品经理要同时懂设备、医生工作流、数据边界、质量体系和商业闭环。
第三类，算法和数据团队。
他们不只是训练模型，还要负责数据治理、标注体系、训练验证集、泛化评估、漂移监测、失败案例分析和模型版本策略。
第四类，软件和平台团队。
AI 医疗设备不是 notebook。它需要设备集成、云边协同、权限管理、日志、监控、MLOps、接口、回滚和可观测性。
第五类，RA/QA。
质量和注册必须从需求阶段进入，而不是产品做完再补材料。他们要负责设计控制、风险管理、证据链、变更控制和上市后监测路径。
第六类，网络安全和隐私。
只要设备联网、数据上传、模型更新、远程运维、跨院区使用，就必须有权限、加密、审计、漏洞响应和数据最小化原则。
第七类，销售和客户成功。
销售负责把设备参数话术升级为院内价值话术；客户成功负责培训、使用率、效果复盘、续费和扩科。
第八类，售后和运维。
传统售后要升级成设备健康管理和远程诊断能力。未来售后知识库、故障归因、远程排障和客户反馈，都会成为 AI 产品迭代数据。
8.1 个人职业规划怎么走
如果一个人想在传统医疗设备企业里抓住 AI 转型机会，我建议走 T 型能力路线。
入门阶段：懂设备 + 懂 AI 基础。
先理解一类设备的临床场景、数据形态、工作流和监管边界。不要只学大模型工具，也不要只背法规条文。
进阶阶段：能做一个闭环场景。
比如把某个超声标准切面识别、某个内镜质控提醒、某个检验结果解释、某个设备远程运维场景，从需求、数据、模型、验证、上线和复盘跑通。
高阶阶段：能打通注册、质量和商业。
这时你不只是项目执行者，而是能判断一个 AI 功能能不能上市、能不能收费、能不能续费、风险在哪里。
负责人阶段：能经营一条 SaMD 产品线。
你要能决定产品组合、定价、证据策略、客户成功、版本规划和生态合作。
未来最稀缺的人，不是单点最强算法工程师，也不是只懂硬件的老设备人，而是能把临床价值、AI 工程、质量证据和商业落地连起来的人。
9、给老板的一页行动清单
如果你是传统医疗设备企业老板，或者负责产品、研发、注册、质量、销售，我建议不要把 AI 转型会开成“大家都想想怎么用 AI”。
直接问 10 个问题更有效：
1. 我们哪条产品线最适合先做 SaMD？
看装机量、数据质量、临床痛点、医生接受度和监管风险。
2. 这个 AI 功能到底改变谁的工作？
医生、技师、护士、工程师、患者还是医院管理者？不要回答“提升效率”这种空话。
3. 我们是否拥有合法、稳定、可持续的数据入口？
没有数据入口，AI 转型就是空中楼阁。
4. 这个功能的预期用途和责任边界是什么？
辅助、提醒、草稿、质控、监测、导航、诊断支持，边界不同，风险完全不同。
5. RA/QA 是否从第一天进入项目？
如果质量和注册只在最后进场，AI 项目很容易死在产品化阶段。
6. 我们有没有软件版本、测试、监控、回滚和变更控制能力？
没有这些，就不要轻易承诺持续 AI 更新。
7. 医院为什么愿意付费？
节省多少时间、减少什么漏项、提升什么质控、降低什么风险、改善什么收入或运营指标？
8. 销售队伍会不会卖软件？
如果销售还只会卖设备参数，AI 服务很难卖成。
9. 售后队伍能否转成客户成功队伍？
AI 产品需要持续跟踪使用、反馈、培训和效果，而不是只修机器。
10. 我们内部哪些流程可以先用 AI 提效？
研发文档、测试用例、缺陷归因、知识库、售后问答、监管材料草稿，都是低风险但高价值的切入点。
8、本期一句话
传统医疗设备企业的 AI 转型，不是“把模型装进设备里”，而是用 SaMD 把硬件、数据、软件、质量体系和商业服务重新连成一个可持续交付的闭环。
真正的方向是：从设备公司，变成受监管的 AI 软件与临床工作流公司。
资料与参考
- McKinsey,
The future of delivering software as a medical device, 2026-07-15. - FDA,
Artificial Intelligence-Enabled Medical Devices. - FDA,
Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions. - GE HealthCare,
TrueFidelity CT Images. - GE HealthCare,
Critical Care Suite on-device AI. - GE HealthCare,
SonoLyst. - GE HealthCare,
AIR Recon DL. - Medtronic,
GI Genius intelligent endoscopy moduleofficial materials. - Olympus,
ENDO-AID CADe. - Abbott,
AlinIQ CDSandAlinIQ Always On. - CellaVision,
Peripheral Blood Application. - bioMérieux,
WASPLab / PhenoMATRIX. - COPAN,
PhenoMATRIX. - Paige,
Paige Prostate Detect. - Philips,
IntelliVue Guardian Solution. - Intuitive,
Da Vinci 5 Force Feedback Technology.