既然有这么多挑战，为什么还要做病理大模型？对此，张少霆进行了深入分析。

他表示，专有模型也面临两大挑战，首先是之前提到的长尾问题，其次是病理检测属于体外诊断，个别医院尤其是基层医院的制片流程可能不够规范，导致病理图像特征差异巨大，从而对专有模型的泛化性提出更高的挑战。”

而大模型能够有效解决这两个问题。在长尾问题上，大模型至少能提供比“没有解决方案”更好的选择；在泛化性上，大模型可以作为一个编码器（encoder），提取病理图像特征后再针对某个疾病的专项诊断模型进行优化，这种机制让大模型能够更好地总结病理数据的特征，从而具备更广泛的疾病覆盖能力。

不过，需要再次强调的是，病理大模型目前还无法像语言大模型那样全面且直接地解决很多问题，更多是集中在科研领域。

医院是病理大模型等专科模型的直接买方。在张少霆看来，公司去年参与的湖北省“‘小切片’守护大民生”工程，是病理AI模型落地的标志性事件。这场发生在湖北全省医院的智慧化、数字化和AI化转型，覆盖了数百家基层医院。这一事件也预示着，病理大模型落地应用似乎已经达到了突破的临界点。

对于病理AI的落地，有人支持，有人怀疑。根据张少霆的观察，在技术发展的过程中，总有保守派和激进派，国内的决策者目前更倾向于拥抱新技术。对于头部医院，它们不仅希望引入AI，节省医生的时间、提高诊断精度，更希望借助AI赋能其医联体医院的业务。对基层医院而言，这同样是一个节省成本的过程。

然而，医院决策采购的核心考量之一是能否带来增量收入。有时候说服决策层支持采购的难点在于，大多数AI医疗产品的卖点是帮助医生更准确地诊断和节省时间，而不是直接为医院带来新增收入或快速回本，这也是之前AI医疗产品的推广面临困难的原因之一。

各家医院接入DeepSeek或发布自有大模型已经成为趋势，对此，张少霆分析，在不少医院接入DeepSeek平台后，通用大语言模型在医疗领域真正带来的临床效果还有待时间验证。事实上，现在很多头部医院都基于自有的研发团队，或与合作企业一起尝试基于通用模型开发垂类大模型，打造自有品牌。在这种趋势下，曾经的“百模大战”已经逐渐演变为垂直领域的“万模大战”。从底层架构来看，这些模型大多基于开源的通用基座，且这些开源基座占据了主流地位，而在此基础上，医疗知识的注入才是关键。

“在这波AI热中，你觉得AI是不是被神化了？”面对这个焦点问题，张少霆给出了这样的回答——需要具体问题具体分析。例如，早期开发的影像类模型（如肺结节检测）以及刚刚提到的胃肠病理和宫颈TCT（液基薄层细胞学检测）等专有模型，不仅没有被神化，反而可能被低估了。事实上，如今在国内的大部分三甲医院，报告撰写背后都有AI的支持。

但从另一个角度看，通用大模型的医疗价值可能确实被夸大了。这些大模型的通用性能很强，在很多任务上实现了超出预期的效果，但幻觉问题（指大模型生成的内容与现实世界事实或用户输入的指令不一致）也不可忽视。从某种角度来看，幻觉问题在通用领域或许并非坏事，因为模型可以像人一样“编故事”，但在严肃领域，尤其是医疗领域，这可能是致命问题。