安全先于效率，红线先于商业。

本指南依医疗人工智能产品从数据、研发、准入到运营、出海的生命周期编排，共九篇正文与四则附录。九篇贯通伦理底盘、数据合规、伦理审查、准入、辅助边界、责任归属、知识产权与出海合规八个环节；附录提供全周期速查矩阵、三线监管索引、中外对照与伦理责任落点表，便于检索。

所引法律、法规、规章及指导文件均以现行有效版本为准，标注文号与施行日期。法律时效敏感事项另在各篇文末"现状与时效附注"标注，宜定期复核。

本指南为戎朝律师团队"新经济系列"合规报告之医疗专项，与《中国法域人工智能法律与合规指南》同体例、可互参。本专项聚焦医疗场景下AI产品的特殊合规要求，通用AI合规规则详见前书。

本篇导读

做医疗AI合规，第一步不是看技术多强，是校准一套坐标——安全先于效率，红线先于商业。

这个顺序不能颠倒。本篇要讲清楚两件事：为什么医疗AI天生比一般AI更要把安全摆在前面；以及一个反直觉的结论——AI越准，这条坐标反而越不能松。把总纲立住了，后面各篇的规则才有共同的定盘星。

一、第一性原理：医疗AI难在哪

医疗AI的特殊，是两个特征叠在一起。

一是信息不对称，而且是双层的：患者看不懂医学，医师看不透算法的黑箱。患者拿着AI给的"诊断"走进诊室质疑医师，医患之间又多了一层由AI制造的认知差。

二是损害不可逆。误诊的后果是健康乃至生命，事后赔偿能补偿损失，却换不回一个已经发生的伤害。算法本身不辨对错——它给出的是统计上最可能的答案，不为后果负责；负责的，永远是用它的人。

这两点叠加，决定了医疗AI不是普通软件：错一次的代价，可能无法挽回。这就是"安全优先"的第一性根据。

一个被忽视的现实印证了这层难度：已有研究显示，AI读取标准化病历时准确率可达九成以上，可一旦换成真实患者自己描述，准确率会骤降到三成多。原因不复杂——真实患者的叙述往往残缺，而医师会追问，模型不会。理想输入下的高分，掩盖了真实场景里的脆弱。安全优先，正是冲着这种脆弱去的。

二、AI越准，越要守安全

这是总纲里最反直觉、也最要紧的一层。

把医师"该不该听AI"看成一场博弈，结果取决于一个变量——医师心里对AI准确率的信任。信任太低，AI形同虚设；信任适中，医师部分采纳又保持判断，这是健康的协作；而当AI在医师心里"几乎不会错"，最省力、最不易被追责的选择，就是照AI说的来，独立判断反而成了多余甚至吃亏的动作。人，于是悄悄退场。

要命的是方向：AI的能力一直在涨，整个产业都在把它往"接近完美"推。人机关系天然有一股从协作滑向盲从的下坠力，AI越强，这股力越强。 而医疗场景里，人一旦退场，代价就是不可逆的误诊，且追责困难（详见第7篇）。

所以"安全优先"不是一句道德口号，是对抗这股下坠力的制度坐标。它比"生命无价"有力——"生命无价"只讲了结果的重，没讲清为什么AI越先进、规则反而要越严。答案就在这里：能力越强，把人挤出回路的力越大，越需要一条不动摇的坐标把人摁住。这条坐标，就是安全先于效率。

三、监管的定调：促进与规范并行

国家的态度，与这条第一性原理是一致的。

国务院《关于深入实施"人工智能+"行动的意见》（国发〔2025〕11号）把AI应用作为国家战略推进；落到医疗，五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（2025年11月）的标题就点明了基调——"促进"和"规范"并行的双轮。

双轮的分寸在临床侧看得最清楚：政策鼓励AI广泛应用，但临床诊疗只授"辅助诊疗""辅助诊断""提供治疗方案建议"，没有一处授权AI独立诊断。鼓励归鼓励，安全的红线寸步不让。监管的价值排序，与第一性原理同向——临床之上，安全先于效率。

四、王小川与张文宏：一场话语权之辩

这场坐标之争，在产业与临床之间有一对鲜明的代表。

一端是技术的乐观推进。2026年5月，王小川发布医疗大模型Baichuan-M4，在三大权威医疗榜单同时位列世界第一，幻觉率降至3.3%，并推出AI家庭医生"百小医"。他要走"造医生"这条路，认为AI能为中国医疗创造新供给。

另一端是临床的审慎。以张文宏为代表的医生明确反对把AI引入病历系统，主张AI只能当助手，医生才是诊疗的主导者和校验者，理由是年轻医生若过度依赖AI，会丧失独立的鉴别能力。

两端看似针锋相对，细看却是各执一隅。王小川自陈主战场在院外的患者服务，张文宏担心的是院内的病历与诊疗系统——争的并非同一块地。更值得注意的是：连主张"造医生"的一方，也明确把产品定位在辅助决策，规避诊断权与处方权。"AI辅助、不替代医师"，反倒是看似对立的双方共同承认的底线。

这恰恰说明，"AI突破医生话语权"是个伪命题。能力确实在涨——M4三榜第一是事实；但话语权易主与否，不看能力，看责任。现行法下，责任仍锁在医师和医疗机构身上（详见第7篇）。责任链一日不松，话语权就一日不会真正易主。产业再激进，也得在这条责任链划定的范围里施展。

总结

医疗AI合规的坐标，一句话——安全先于效率，红线先于商业。

这个顺序的根据不在道德，在结构：医疗AI的损害不可逆，而AI越强，把人挤出回路的下坠力越大。安全优先，是对抗这股下坠力、把人留在判断里的制度坐标。能力可以一路狂奔，坐标必须纹丝不动——这不是给技术泼冷水，是让它跑在不会翻车的轨道上。

而那场热闹的话语权之辩，真正的答案也不在"AI能不能当医生"，在"责任归谁"。能力归机器，责任归人，这条链一旦认清，话语权之争就有了定盘星，后面所有规则都是它的展开。

救人之器，首在不误；效率虽贵，不得僭于安全之上。
基不固而求远，未有不颠者。

本篇导读

谈医疗AI伦理，最容易滑进"科技向善""以人为本"这类正确却用不上的口号。本篇要做的，是把伦理从口号变成工具——拆成一张可以逐格对照、逐格自测的矩阵。

矩阵的两条轴，来自两套成熟框架：一条是医学伦理沉淀几十年的四原则，管的是"医"；一条是AI伦理这些年立起来的五维度，管的是"智"。两轴一交叉，医疗AI的伦理风险就不再抽象，而是落进一个个具体的格子里。

一、纵轴：医学伦理四原则

医学伦理学有一套公认的四原则（Beauchamp 与 Childress 的经典框架），管的是医疗行为本身：

• 尊重自主：尊重患者对自己身体和治疗的自主决定，前提是充分知情。
• 不伤害：首先不要造成伤害——这是医学最古老的底线。
• 有利：积极为患者的利益行事。
• 公正：医疗资源与对待的公平，不因身份而有别。

这四条，是任何医疗行为都要过的关，AI辅助的医疗也不例外。

二、横轴：AI伦理五维度

AI带来的是一组新风险，医学四原则没有现成的答案。提炼自世界卫生组织《卫生领域人工智能的伦理和治理》（2021年发布）的指导原则，可以归出五个维度：

• 透明可解释：算法为什么给出这个判断，能不能说清。
• 公平无偏：模型会不会因训练数据的偏倚，对某些人群系统性出错。
• 问责：出了事，由谁负责、向谁追责。
• 隐私：健康数据如何收集、使用、保护。
• 人的能动性：人是否始终掌控决策，而不是被算法接管。

这五条，管的是"智"——算法这个新变量带进医疗的新麻烦。

三、4×5 矩阵：风险落在交叉格里

把四原则作行、五维度作列，交叉出一张矩阵。每个格子，就是一类具体的伦理风险。不必把二十格填满，抓住几个最尖锐的：

几个格子尤其要盯：

自主 × 透明可解释——算法是黑箱，医师说不清AI为何这么判，患者更无从理解。知情同意要求患者"充分知情"，可连医师都解释不了的判断，这个"同意"就落了空。

不伤害 × 公平无偏——训练数据若以某类人群为主，模型对数据稀少的人群（某些族裔、性别、罕见病）就更易出错。看不见的偏倚，落到具体患者身上就是实打实的伤害。

有利 × 人的能动性——AI替医师把活干了，短期看省时、看着"有利"；但医师长期不亲自判断，鉴别力会退化。今天的便利，可能透支明天的医疗水平。这正是临床一线最深的担忧。

问责这一列，贯穿每一格——上面任何一个风险变成现实，最后都要回答"谁负责"。这条线一直牵到责任归属（详见第7篇）。

总结

所有这些风险，有一个总源头。世界卫生组织在2024年1月发布的多模态大模型指南里点出一个关键特征——大模型能模拟人类的交流。它像医生那样对话、那样给建议，却不是医生：没有医师的资格，没有真正的理解，更不承担医师的责任。"像医生而不是医生"，就是全部医疗AI伦理风险的根。

五个维度里，"人的能动性"是脊柱。守住人在AI之上、不被算法接管，是伦理层面对"人退场"那股下坠力的正面回应——它和后面辅助边界要守的，是同一件事。

要强调的是，伦理在这里不是可有可无的软约束。世界卫生组织已就大模型给出四十多项建议，把伦理与人权摆到设计、部署、使用的核心；中国更把伦理审查立为法定前置程序（详见第4篇），把伦理风险一条条焊成可追责的法律义务（详见附录）。伦理正在长出法律的牙齿。

四原则管医，五维度管智；医智交汇之处，即风险所在。

本篇导读

数据，是医疗AI落地要过的第一道坎。训练语料的来源合法性，最容易被忽视，却最致命。

致命，是因为它不出问题则已，一出就是全链条受牵连——不是某一条数据违规那么简单，而是用违规数据训出来的模型，其合法性、可用性乃至已落地的产品，都会被一起带下水。本篇把"训练语料合法吗"这个问题，拆成三道必须逐一过的关。

总纲先立一句：训练数据要有合法来源，这是《生成式人工智能服务管理暂行办法》（2023年8月15日施行）的明确要求。但"合法来源"四个字，在医疗场景要拆成三关来过。

一、第一关：敏感个人信息——病历与影像

医疗AI的主食是真实病历和医学影像，而这些恰恰是法律盯得最紧的数据。

《中华人民共和国个人信息保护法》（2021年11月1日施行）第28条把医疗健康信息明确列为敏感个人信息——一旦泄露或滥用，足以危害人格尊严与人身财产安全。处理它，门槛比一般个人信息高出一截：

• 第29条：必须取得个人的单独同意，不能混在一揽子的用户协议里打包带过。
• 第55条：处理前必须做个人信息保护影响评估（PIA），并留存记录。

这里有一个最容易踩的陷阱——授权链能不能覆盖"训练"这一用途。 患者当初在医院就诊时签的知情同意，是为了诊疗，未必包含"把我的病历拿去训练一个商业AI模型"。原始授权没有延伸到训练用途，再多的数据也是无源之水。

第二个陷阱是脱敏的迷思。很多公司以为"脱敏了就没事"，但个保法第73条把两件事分得很清：去标识化，是不借助额外信息无法识别，可一旦比对额外信息仍能复原；匿名化，才是无法识别且不能复原。只有真正匿名化的数据，才彻底脱离个保法的管辖。医疗数据维度丰富，所谓"脱敏"若能被反向重新识别，它在法律上仍是个人信息，照样受全套约束。

二、第二关：人类遗传资源——基因数据

如果训练数据里含有基因、基因组数据，那就不止个保法的事了，还要叠加一层更硬的管制。

《中华人民共和国人类遗传资源管理条例》（2019年7月1日施行）与《人类遗传资源管理条例实施细则》（科学技术部令第21号，2023年7月1日施行），对人类遗传资源的采集、保藏、利用、对外提供设了审批与备案的门槛。

两个要点务必记牢：

其一，范围有明确边界。实施细则把"人类遗传资源信息"限定为人类基因、基因组数据等，明确不包括临床数据、影像数据、蛋白质数据和代谢数据。这就分出一条清晰路径：纯病历、纯影像（不含基因）走个保法那一关即可，不落入人遗管制；一旦含基因、基因组数据，则人遗条例与个保法双重管制叠加。

其二，外方单位是硬约束。外方单位不得采集、保藏我国人类遗传资源；利用人遗资源开展研究，必须与中方单位合作。对有外资背景、合资架构或境外股东的医疗AI公司，这一条可能直接决定数据能不能用、项目能不能做，须在架构搭建阶段就核清楚自己是不是"外方单位"。

三、第三关：数据出境与重要数据

数据要跨境——境外训练、境外云服务、跨境合作——又是一道独立的关。

《中华人民共和国数据安全法》（2021年9月1日施行）确立数据分类分级保护，医疗健康领域的重要数据受更严格管理。而个人信息与重要数据出境，须走三条法定路径之一：数据出境安全评估、个人信息出境标准合同、个人信息保护认证。走哪条，按数据类型与数量分档——出境重要数据，或累计出境达到较高人数门槛的个人信息（尤其敏感个人信息门槛更低），须申报安全评估；数量较小的，可走标准合同或认证（《促进和规范数据跨境流动规定》2024年已对门槛作出调整）。

健康医疗数据在这里几乎踩满雷区：它既是敏感个人信息，可能构成重要数据，含基因时还涉人遗资源。任何把训练或推理放到境外的安排，都要在动手之前先过出境评估这一关。

总结

把三关连起来看，用真实病历、影像、基因训练一个医疗AI，要同时回答三个问题：授权链是否覆盖"训练"这一用途、所谓脱敏能否被反向识别、医院与厂商之间的数据权属是否切得清。三个问题里任何一个穿帮，麻烦都不是单点的——它会顺着数据链往上爬，牵连到用这批数据训出的整个模型。

尤其要提一句数据权属。医院手里握着数据，厂商拿来训练，谁拥有、授权到什么范围、出事如何追偿，必须在合作协议里白纸黑字切清楚，不能含糊（与第7篇的责任切分、第8篇的数据资产一脉相连）。

数据者，医疗AI之命脉也，亦其最长之责任尾。
喂得进，更要喂得干净——脏数据训出的模型，迟早要在某个环节连本带利地还。

本篇导读

伦理原则立起来之后，要落成程序。在中国，伦理审查不是企业自愿的道德动作，是法定强制的前置关——研究上不了临床，得先过这一关。

而医疗AI还有个容易被低估的地方：它可能比一般医学研究多过一道关。本篇讲清楚，这一关由哪两部办法把守、医疗AI为什么常常要多一道"专家复核"、以及怎么走能少走弯路。

一、两部办法，一个都躲不开

把守伦理审查的，是两部并行的办法。

一部管"医"：《涉及人的生命科学和医学研究伦理审查办法》（国卫科教发〔2023〕4号，2023年发布施行）。涉及人的医学研究，须经伦理审查方可开展。

一部管"科技"：《科技伦理审查办法（试行）》（2023年12月1日施行）。它要求从事生命科学、医学、人工智能等科技活动、涉及伦理敏感领域的单位，设立科技伦理（审查）委员会。

医疗AI的尴尬在于，它同时踩在"医学研究"和"人工智能"两条线上——两部办法都管得着。伦理审查对它不是选择题。

这种双重适用不是推论，而有明文。生命科学医学研究伦理审查办法第53条写明：一项研究若既属于涉及人的生命科学和医学研究、又被列入科技伦理高风险科技活动清单，须同时遵守本办法和高风险科技活动伦理审查的要求。两条线就此咬合在一起。

二、医疗AI常要多过一道：专家复核

一般的伦理审查，由本单位的伦理委员会做。但医疗AI往往还要再经一道。

科技伦理审查办法第25条建立了"需专家复核的科技活动清单"制度——风险较大的新兴科技活动实行清单管理，单位审查通过后，还要再经地方或国家层面的专家复核。

附件那份清单一共七项，其中两项几乎是为医疗AI量身写的：

• 第5项：对人类主观行为、心理情绪和生命健康等具有较强影响的人机融合系统的研发。
• 第7项：面向存在安全、人身健康风险等场景的具有高度自主能力的自动化决策系统的研发。

辅助诊疗系统、自主度较高的诊断系统，落进这两项的可能性很大。一旦落入，意味着单位伦理审查通过还不够，要再过专家复核这一关——比一般研究多一道、多一段时间。

三、怎么走，决定要不要多过这关

这道专家复核，并非无解。办法留了一个衔接的缓冲：如果国家对清单内的活动已经实行行政审批，并把伦理要求作为审批条件，就无需另行专家复核。

落到医疗AI上，这条缓冲很实用：走药监注册审批的产品，申请时本就要提交伦理批件，这道注册审批已内含了伦理把关，可以免去额外的专家复核。但非注册性的临床研究——研究者发起的临床研究、产品上市后的研究——落入清单的，仍要老老实实做专家复核。

换句话说，审批路径怎么选，直接决定伦理审查的负担轻重。 这是项目规划阶段就该算清的一笔账：能并进注册审批的伦理把关，就不必单拎出来再走一遍复核。

四、AI辅助下的知情同意

还有一处要随AI调整——知情同意。

当AI参与到研究或诊疗中，知情同意的内容要跟着适配：告知患者AI参与了什么、起多大作用、有什么局限。让患者在了解"有AI介入"的前提下作决定，这既是尊重自主原则的要求，也与辅助边界守的是同一件事（详见第2篇、第6篇）。

总结

伦理审查最容易被当成"走个流程"，但它其实有双重身份——既是事前的合规义务，也是事后的诉讼证据。

审查记录、影响评估的留痕，一旦将来发生致害纠纷，就是认定医疗机构和企业"是否尽到注意义务"的关键证据（与第7篇的过错认定、病历举证直接相连）。一份做扎实、留好痕的伦理审查，事前是合规凭证，事后是免责弹药；反过来，缺失或敷衍的审查记录，会在诉讼里变成对自己不利的窟窿。

所以这一关的意义，不止于"准予开工"。它是第2篇那些伦理原则的程序化身，是把抽象伦理拧成可追责义务的那个关节（详见附录）。

审之于先，方能行之无虞；先过伦理关，再上诊疗台。

本篇导读

医疗AI的门槛，不在某一张证，在三张证一起要。一款会"提建议"的AI，要同时过药监、网信、卫健三关——少一关，就上不了临床。

三关各筛一种风险，互不替代。本篇把三关讲清，再点出一处眼下最值得抢的窗口：医用大模型的分类规则，正在成形。

一、药监线：先定类，再决定要不要临床试验

第一关也是最硬的一关，在药监。

《医疗器械监督管理条例》（2021年修订，2021年6月1日施行）对二类、三类医疗器械实行注册管理。AI软件归哪一类，看核心功能——这是《人工智能医用软件产品分类界定指导原则》（2021年7月1日施行）定的规矩：辅助诊断、治疗方案推荐这类直接为临床决策提供依据的，按第三类管，是监管最严、风险最高的一档，必须做临床试验；只做数据处理、流程辅助的，按第二类管。

类别一定，成本和周期就定了。三类要走临床试验、要过医疗器械技术审评中心（CMDE）的技术审评，是最长的一条路。而且拿到证不是终点——三类AI医疗器械上市后还要持续做算法泛化能力研究，算法更新一旦影响到安全性、有效性，就得申请变更注册。

所以真正的第一步，是分类界定：先想清楚产品的核心功能到底是什么、落在哪一类。这一步错了，后面整条注册路径都是错的。

二、网信线：生成式功能要算法备案

第二关在网信。

只要产品用了大模型、生成式AI，并以SaaS平台或API接口的形式向医疗机构、医生提供服务，就要按《生成式人工智能服务管理暂行办法》（2023年8月15日施行）完成算法备案。

这里要建立一个清楚的认识——两条线是双重合规，不是二选一。 医疗器械注册解决的是"产品能不能上市"，生成式AI备案解决的是"服务能不能运营"，一个是上市前提，一个是运营许可，缺一不可、并行不悖。一个医用大模型，既是医疗器械，又是生成式AI服务，药监和网信两条线都得走完。

三、卫健线：落地要挂靠合规诊疗主体

第三关在卫健，也最容易被产品方漏掉。

AI不能自己行医（详见第6篇）。产品要真正落到诊疗场景，必须挂靠有执业资质的医疗机构和医师——由合规的诊疗主体来承接和使用。涉及互联网诊疗的，还要补互联网诊疗或互联网医院的相应资质。

不少公司拿了器械证、备了案，却卡在这一关：没有合规的诊疗主体承接，产品照样落不了地。三关是连环的，前两关再顺，缺了第三关一样上不了临床。

四、变更点：医用大模型的规则正在成形

三关之外，还有一个眼下最值得关注的动向。

国家药监局2025年第63号公告（2025年7月3日）提出，开展医用大模型、人工智能医疗器械的分类研究。这句话的分量在于：医用大模型该怎么分类、怎么审评，规则尚未定型，正在成形之中。2025年监管侧已公开数百个典型产品的分类界定结果，并在多省推进人工智能辅助第二类医疗器械注册审评的创新项目——规则在加速明朗。

规则未定，是双刃的。一面是抢身位的窗口：早布局、早与监管沟通、紧跟规则演进的，能占先机；另一面是不确定性：押错了路径，可能要返工重来。

而有一条红线已经写定，不在成形之列——不少三类证的适用范围明确写着"供经培训合格的医师使用，不能单独作为临床诊疗决策的依据"。拿证那一刻，"辅助"二字就印进了产品的法定说明书（详见第6篇）。

总结

三关不是叠床架屋的官僚关卡，而是把"不可逆损害"这把筛子，前置到上市之前：药监筛器械的安全与有效，网信筛算法的内容合规，卫健筛诊疗的资质主体。一关筛一种风险，谁也替不了谁。

三关交织，正是医疗AI准入区别于普通软件的地方——单过一关远远不够，三条线咬合，缺一不可（三线规范的分项索引见附录）。把准入想成"一张证"的公司，往往是在某一关上栽跟头才明白：它从来是三张证一起要。

三证非冗，乃前置之筛；损害既不可逆，关口自当前移。
与其上市后补救，不如准入时筛清。

本篇导读

AI能读片、能提方案、能拟病历，但有三件事它碰不得：不能替医师接诊，不能自动开处方，不能做最终的诊断决策。

这条边界，不是技术能力不够画出来的，是法律划的线。它决定了一件对产品至关重要的事——功能的天花板。一款医疗AI能做到哪一步、不能越过哪一步，先看这条线在哪。更要紧的是，划线容易守线难：法律要医师当最后的把关人，可人一旦习惯了听AI的，把关就容易变成走过场。本篇讲两件事——边界划在哪，以及怎么让边界在真实诊疗里站得住。

一、边界是法律划的，不是技术划的

四条法源，从三个方向合围出同一条线。

网信线——AI不得替代医师。 《互联网诊疗监管细则（试行）》（2022年施行）第13条规定：医师接诊前需进行实名认证，确保由本人提供诊疗服务，其他人员、人工智能软件等不得冒用、替代医师本人提供诊疗服务；处方应由接诊医师本人开具，严禁使用人工智能等自动生成处方。这是最直接的一条——AI不能接诊，不能自动开方。

主体资格线——诊疗是医师的法定职责。 《中华人民共和国医师法》（2022年3月1日施行）第13条规定，未注册取得医师执业证书不得从事医师执业活动；诊疗由具备资格、完成注册的医师实施。AI没有、也不可能取得医师资格。该法第56条还把"未经亲自诊查，签署诊断、治疗证明文件"列为违法行为——这一条对AI场景尤其要紧：医师不能把AI的输出当成自己的"亲自诊查"，照单签字。

卫健线——政策只授"辅助"。 五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（2025年11月）在临床诊疗上通篇用"辅助诊疗""辅助诊断""提供治疗方案建议"等表述，没有一处授权AI独立诊断。

药监线——准入文件自己钉死辅助位。 不少AI三类证的适用范围明确写着"供经培训合格的医师使用，不能单独作为临床诊疗决策的依据"。产品拿证那一刻，"辅助"二字就写进了它的法定身份。

四条线指向同一个结论：AI辅助，医师决断。 这不是某一个部门的临时态度，是多条法源合围的硬边界。

二、辅助与替代，界在何处

边界清楚，但"辅助"和"替代"之间那道缝，才是真正要拿捏的地方。

辅助决策：AI提供信息、给出建议，医师独立判断、作出最终决策、并为决策担责。AI是参谋，医师是主官。

自动决策：AI直接给出结论，并据此行动，中间没有人实质介入。

现行法只允许前者。判断落在哪一边，标准不是技术上"AI参与了多少"，而是法律上一个问题——决策权和担责，是否仍实质地握在医师手里。 握着，是辅助；脱手，是替代。

三、AI越准，人越容易退场——辅助边界要对抗的真问题

"人在回路"——回路里必须有一个真实的人作最终决策与校验——是法律对AI辅助的刚性要求。临床一线对此态度鲜明，张文宏一再强调，AI是助手，医生才是主导者和校验者。但守住这条要求，比想象中难，因为它要对抗一股会随AI能力增强而自动变强的力量。

把医师"该不该听AI"看成一场博弈，结果取决于一个变量——医师心里对AI准确率的估计。沿这个估计由低到高，会落进三种状态：

• AI不够准——形同虚设。 医师信不过，干脆不听，AI在与不在差不多。
• AI比医师略好、又没到完美——这是健康状态。 医师部分采纳、但保持自己的判断，AI如实标明几成把握，两边互补，谁都没退场。这正是"辅助"二字本来的样子。
• AI接近完美——人退场。 当AI在医师心里"几乎不会错"，最省力、最不易被追责的选择，就是照AI说的来。独立判断在这种心态下成了多余甚至吃亏的动作，"人在回路"于是退化成"人退出回路"。

要命的地方在于：AI的能力一直在涨，整个产业都在把它往"接近完美"推。也就是说，人机关系天然有一股从"协作"滑向"盲从"的下坠力——AI越准，这股力越强。 自动化偏见（automation bias）是它在个体身上的表现——实证研究反复印证，错误的AI建议会促使本来判断正确的专家推翻自己的结论，而大模型流畅、像专家口吻的叙述，会让这种盲从更重，而非更轻。

看清这股下坠力，"辅助边界"的意义就变了：它不是画完就一劳永逸的静态红线，而是制度对下坠力的反向拉力。法律强制"AI不得替代医师、医师须亲自诊查、关键决策不得直接采纳AI输出"，本质是把人机关系摁在"健康协作"那一段，不让它滑进"人退场"。

同样的道理，在司法场景已被讲得斩钉截铁。《最高人民法院关于规范和加强人工智能司法应用的意见》（2022年12月9日发布）的"辅助审判原则"写明：无论技术发展到何种水平，人工智能都不得代替法官裁判，司法裁判始终由审判人员作出。"无论技术发展到何种水平"这一句尤其要紧——它正是冲着"AI越强、边界越松"的下坠力去的：技术再强，边界不退。医疗与司法，同此一理。

而医疗场景的特殊在于，"人退场"的代价不可逆：误诊酿成事故，而追责格外困难（详见第7篇）。AI越强，越需要这条边界把人摁在回路里——这不是不信任技术，是下坠规律使然。

四、边界对产品设计意味着什么

边界划定了功能的天花板：产品不能被设计成"一键自动诊断""自动开方"。这是底线，但只做到这一步远远不够。

真正要做的，是把"医师的实质审核"做进产品本身——让它成为一个跳不过、删不掉、留得下痕迹的环节。被动地不越界，挡不住自动化偏见；只有把审核做成产品的强制结构，边界才在真实诊疗里站得住。

总结

辅助与替代的边界，表面看是技术问题，骨子里是资格与责任问题：诊疗是法律交给医师的职责，AI没有资格承接，所以只能辅助。这一层，法律说得很清楚。

难的不在划界，在守界——而且要守的，是一条会被持续往后推的界。AI越准，医师越容易从"参考"滑向"照办"，人机关系天然朝"人退场"下坠。所以辅助边界不是一道画完就管用的静态红线，而是制度对这股下坠力的反向拉力；它守护的，是"人保持判断、AI如实辅助"那个健康状态，不让它塌缩成单向服从。

落到合规上，重心要从"画一条线"挪到"让线在诊疗现场顶得住下坠力"——把医师的实质审核做成产品里跑不掉、留得下痕迹的步骤，把AI的把握几成如实标给医师，把关键决策的"不得直接采纳"做成硬约束。这一步做扎实了，既守住本篇的边界，也为下一篇的责任切分备好证据。

AI谦抑，则人为主体；AI僭越，则人成附庸。
边界不写在说明书里，它写在每一次点击"采纳"时——医师是否真的看了，是否真的判断了。

本篇导读

一款AI看错了片子、提错了方案，患者受了损害，责任算谁的？是写算法的公司，是点了"采纳"的医生，还是开门接诊的医院？

很多人第一反应是"现行法没规定，是空白"。本篇要先纠正这个误解：责任不是空白，是接缝。 现行法早已铺好两条责任线——诊疗过错一条、产品缺陷一条；AI恰好落在两条线的接缝处。看不清接缝，才会觉得空白。看清接缝、提前布好证据，才能把不可控的诉讼风险，变成可管理的合规成本。

一、不是空白，是两条现成的责任线

患者受损求偿，现行法给了两条路，AI致害也跑不出这两条。

第一条·诊疗过错线，主体是医疗机构与医师。 《中华人民共和国民法典》（2021年1月1日施行）第1218条立了一般规则：患者在诊疗活动中受到损害，医疗机构或者其医务人员有过错的，由医疗机构承担赔偿责任。这是过错责任——患者要证明医方有过错。配套还有三条：第1221条，医务人员未尽到与当时的医疗水平相应的诊疗义务，机构担责；第1219条，未尽说明义务、未取得患者明确同意，机构担责；第1222条更关键，三种情形直接推定医方有过错——其中第2项"隐匿或者拒绝提供与纠纷有关的病历资料"、第3项"遗失、伪造、篡改或者违法销毁病历资料"，在AI场景里就是人机交互日志。日志没留好，过错就被推定。

第二条·产品缺陷线，主体是厂商与医疗机构。 这条线最容易被忽视，却是把AI厂商直接拉进诉讼的入口。民法典第1223条规定：因医疗器械的缺陷造成患者损害的，患者可以向生产者请求赔偿，也可以向医疗机构请求赔偿；患者向医疗机构请求赔偿的，医疗机构赔偿后，有权向负有责任的生产者追偿。

这条线对医疗AI的意义，要害在一个前提——只要AI软件注册成了医疗器械，它就是"产品"，其缺陷致害就走产品责任。 而按现行准入规则，辅助诊断、治疗方案建议类的AI多被列为第三类医疗器械（详见第5篇）。学理上，候曼曼指出，第1223条是产品责任编第1203条在医疗损害中的细化，医疗机构在此实质上作为产品的销售者，承担的是无过错责任。也就是说，患者不必证明厂商有"过错"，只要证明产品有"缺陷"、缺陷致害，即可索赔。

两条线的归责原则不同：诊疗过错线要证"过错"，产品缺陷线只需证"缺陷"。官司切到哪条线，举证负担天差地别，结果也天差地别。

二、真正的空白，在三个接缝

规则虽现成，AI却在三处把规则的接缝撑开了。

接缝一·主体空白。 AI不是法律主体，自己不担责。出了事，责任只能落到人或机构身上——医疗机构（第一责任人）、医师（审核与监管义务）、厂商（产品缺陷）。学理与实务的共识是：AI诊断错误引发事故，AI又被定位为辅助工具，则首先追医务人员的过失责任；即便是AI自主作出的判断，医师也负有监管义务。换言之，能力外包给了算法，担责却退不出人类这一侧。 责任链不松，话语权就不会真正易主。

接缝二·过错与缺陷的切分。 同一起损害，可能是"医师未尽审核"（诊疗过错，走第1218、1221条），也可能是"算法本身有缺陷"（产品缺陷，走第1223条），还可能两者都有、原因力交织。切到过错线，患者要证医方有过错；切到缺陷线，只需证产品有缺陷。这道切分线划在哪，就是诉讼的第一个战场。

接缝三·黑箱与举证。 算法不可解释，患者无力证明"缺陷"在哪，医师也无力证明自己"已尽审核"。于是举证责任的分配成了胜负手。这里有一条对厂商的硬警示——黑箱"不可解释"通常被法院认定为加重事由（未尽透明义务），而不是减责的借口。指望靠"算法太复杂、说不清"来脱身，方向反了。

三、按自主度分配：辅助型与决策型

责任怎么在三方之间分，学理给了一个被广泛接受的框架——开发者、操作医师、医疗机构三级，按AI的自主度切分：

• 辅助型系统（AI给建议、医师作决策）：由操作医师承担终局责任。这与第6篇"辅助边界"的红线一致——AI是辅助，决策权在医师，担责自然也在医师。
• 决策型系统（AI自主作决策）：强制开发者提供可验证的算法，并承担连带责任。自主度越高，开发者越往责任中心靠。

但要点在于：中国现行法把医疗AI整体钉在"辅助"位（第6篇第13条红线）。所以当下的责任主轴是——医师与机构终局担责；一旦查出产品缺陷，厂商依第1223条连带。 "决策型系统由开发者担责"更多是面向未来的学理预备，不是当下的现行规则。

还有一层必须点破：辅助型系统让医师终局担责，前提是医师真做了实质判断。可AI越准，医师越容易从实质审核滑向对AI输出的形式签字——这股把人推出回路的力，第6篇已经讲过。一旦审核沦为橡皮图章，医师非但不能以"我只是签了个字"免责，反会因未尽审核义务而落入过错，撞上第1222条的过错推定。换句话说，"决策权在医师"不是天然的挡箭牌，要靠每一次真实的审核来兑现。AI越强，这道兑现越难，责任的弦反而要绷得越紧。

四、产品缺陷的三张面孔

厂商真正要防的，是"缺陷"二字。学理把产品缺陷分三类，三类AI厂商都躲不开：

• 制造缺陷：交付的产品与设计不符。
• 设计缺陷：算法本身的设计导致重大误判。
• 警示说明缺陷：误差率、适用人群与边界、禁忌操作没有清楚告知使用者。

对AI厂商，警示说明缺陷最隐蔽也最致命。 没有明确标注模型的误差率、适用边界、禁止单独决策，就可能构成警示缺陷，独立成立产品责任——哪怕算法本身没毛病。把适用边界和误差坦白写清楚，不是示弱，是堵漏。

总结

责任不是空白，是接缝；接缝处的胜负，取决于两件事——损害被切到"过错"线还是"缺陷"线，举证责任落在谁头上。

由此回到分配的根本问题：责任该往哪放？最低成本规避者理论给的标尺是——谁能以最低成本防住这场损害，责任就该落在谁身上。算法缺陷致害，重心在厂商：它最能控制设计、最能通过产品责任保险和定价把风险分散出去；医师未尽审核致害，重心在使用端。这不是预设对谁有利，是按"谁最能防、谁最能扛"客观分配。候曼曼把这层意思讲得透——让生产者等承担连带，正因其开启风险、从中获益，又比医疗机构更有能力把损失社会化分摊。

还有一层不能忽视：第1223条是把双刃剑。它让生产者可能被直接索赔或连带，是压力；但"机构先赔、再向生产者追偿"的设计，也留出一个缓冲带——生产者不必直面患者的第一道索赔。把缓冲用好，靠的是事前那纸厂—医责任分配协议。（此为争议走向的预判，置信度：中。）

损害之责，当归于能以最低成本防其发生者；非苛厂商，亦非纵医院，乃使谨慎者尽责、疏忽者任咎。
能力可以交给机器，责任退不出人类；接缝之争，不在事后争辩，而在事前布证。

本篇导读

医疗AI公司的护城河，多半不在专利。这话听着反常识，却是这个领域的实情。

原因有两层：其一，最核心的诊疗方法，专利法直接划在保护范围之外；其二，真正值钱的东西——模型权重、训练好的医疗知识库、核心数据——恰恰是公开了就贬值、因而也不该去申请专利的。本篇讲清三道护城河各自能守什么、主力该摆在哪。

一、专利：诊疗方法的"除外"陷阱，与绕法

医疗领域的专利，第一道坎是一条除外条款。

《专利法》第25条第1款第3项明确：疾病的诊断和治疗方法，不授予专利权。诊断方法的认定有两个条件，同时满足即落入除外、不予授权——一是以有生命的人体或动物体为对象，二是以获得疾病诊断结果或健康状况为直接目的。一套AI算法若被写成"一种疾病诊断方法"，几乎注定被驳。

但除外条款留了一道绕法：方法不授权，"产品"可以授权。 用于实施该诊断治疗方法的产品权利要求——诊断系统、装置、设备，乃至计算机程序产品、存储介质——属于产品权利要求，可以申请。换句话说，同一套算法，写成"诊断方法"被拒，写成"诊断系统""辅助诊断装置"则可能授权。

这意味着，专利撰写策略，本身就是资产策略。 同样的技术内核，权利要求怎么撰写，直接决定它能不能成为一项受保护的资产。当然，绕法也有边界：与外科手术密不可分、本质以治疗为目的的，即便包装成"方法"也会因其治疗性质被驳——硬绕绕不过去。

二、著作权：能护代码，护不住算法

第二道护城河是著作权，但它能守的范围有限。

训练语料这一头：病历、影像、医学文献往往承载他人的著作权或数据权益，拿来训练，授权链必须清晰（与第3篇的数据合规一脉相连），否则护城河没挖成，先惹上侵权。

软件这一头：代码可以登记计算机软件著作权，但著作权保护的是"表达"，不是"思想"。算法的思路、模型的方法本身，著作权护不住——它只护住代码这层外壳的具体表达。竞争对手用不同的代码实现同样的算法，著作权拦不住。

所以著作权这道河，护得了代码的皮，护不住算法的核。

三、商业秘密：核心资产的真正归宿

第三道，才是医疗AI护城河的主力。

《反不正当竞争法》（2025年修订，主席令第五十号，2025年10月15日施行）第10条规定，商业秘密是不为公众所知悉、具有商业价值、并经权利人采取相应保密措施的技术信息、经营信息等——这就是商业秘密的"三性"。

模型权重、训练好的医疗知识库、核心算法参数——这些一旦公开就贬值的东西，恰恰最适合用商业秘密来守。它和专利是两条相反的逻辑：专利以公开换取二十年独占，到期进入公有领域；商业秘密不公开、理论上没有期限，只要守得住秘密，就一直是资产。对一个核心价值在"训练出来的那套参数"里的公司，后一条路往往更合身。

维权也有牙齿。反法第22条规定，故意侵犯商业秘密、情节严重的，可在实际损失或侵权获利的一倍以上五倍以下确定惩罚性赔偿；损失难以确定的，由法院判给五百万元以下的赔偿。

还有一层数据兜底值得用好。新法第13条把数据抓取纳入规制——即便某批数据还不够"秘密"到构成商业秘密的程度，一旦被非法抓取，仍可依第13条主张救济。这给医疗AI的数据资产，在商业秘密之外又加了一道外围护栏。

四、组合拳：三道河怎么配

三道护城河不是三选一，是分工配置：

• 专利护外围——把能写成装置、系统的部分申请下来，用于公示、防仿制，是看得见的工事。
• 商业秘密守内城——模型权重、知识库、核心参数这些不该公开的命脉，靠保密守住，不设期限。
• 著作权护表层——代码的具体表达。

真正的护城河，是商业秘密做主体、专利做外围、保密措施做地基的组合。专利能授的，是公开的、有期限的；专利不能授、也不该公开的核心，要靠秘密来守。把宝全押在专利上，反而暴露了最不该暴露的东西。

总结

诊疗方法除外条款的边界，是单项专利的胜负手；但放到全局看，更要紧的判断是——医疗AI最值钱的东西，正是专利护不到、也不该公开的那部分。所以护城河的主力不是专利，是商业秘密；专利是外围工事，秘密才是内城。

而商业秘密的命门，在"三性"里那个唯一能由企业自己掌控的要件——保密措施。秘密性靠它维持，价值性以它为前提。没有扎实的保密措施，再核心的资产，在法律上也不构成商业秘密，出事时连主张的资格都没有。

不授专利之地，秘密即资产；护城河深浅，全看保密之功。

本篇导读

医疗AI出海，要过三道关：数据出境、境外注册、目的地的AI法。

但比三道关更要紧的，是看懂三道关背后的东西——中、美、欧三套监管，各有一套不同的哲学。同一个产品，在三地的合规路径、迭代自由、责任承担可能完全不同。把出海当成"把国内产品翻译一遍推出去"，几乎一定会栽。本篇讲清三道关，更讲清三种哲学的差异——差异既是机会，也是坑。

一、第一关：先过自己的数据出境

出海第一步，往往是数据或模型先出境，那就先要过中国自己的数据出境制度（详见第3篇）。

健康医疗数据敏感、可能构成重要数据、含基因时还涉人类遗传资源。任何把训练、推理或运维放到境外的安排，都要在动手之前完成出境合规——这一关在国门之内，却是出海的真正起点。

二、第二关：美国FDA——重能力

美国走的是"软件即医疗器械"（SaMD）的路子，按风险分级（一类、二类、三类），多数AI产品走510(k)（证明与已上市产品实质等同）或De Novo路径。

最值得留意的是PCCP——预定变更控制计划。FDA在2024年12月发布最终指南，允许厂商在上市申请里预先提交一份算法迭代的"剧本"（修改描述、修改协议、影响评估三部分），获预授权后，符合计划的迭代无需每次重新申报。这给自学习、需频繁迭代的AI松了绑，是美国监管"能力优先"的标志。

但现实有两面。其一，PCCP用的人还很少——到2025年只有约8%的新AI器械带了获授权的PCCP，绝大多数仍是上市后不再学习的"锁定"模型；其二，约6%的AI器械曾被召回，且常发生在上市第一年，多与未经充分临床验证就上市的产品相关。上市快是真，容错后置也是真。

三、第三关：欧盟AI Act——重权利

欧盟的逻辑相反，重在保护个人的基本权利。

《人工智能法案》（Regulation (EU) 2024/1689）2024年8月生效，把作为医疗器械的AI列为高风险。高风险义务是全套的——风险管理体系、数据治理、技术文档、透明度、人类监督、上市后监测，且要与现有的医疗器械法规（MDR）、体外诊断法规（IVDR）双重合规。它与MDR的区别正在于：MDR管的是器械的安全与功能，AI Act还要管对人基本权利的保护。

时间表则透着另一层信息。高风险义务原定分阶段适用（医疗器械类原定2027年8月）。但因配套的协调标准、指南迟迟未齐，欧盟在2025年底提出"数字综合包"（Digital Omnibus），2026年拟将医疗器械类AI的合规期推迟至2028年8月、独立高风险系统推迟至2027年12月（截至2026年仍在立法程序中）。眼下，AI医疗器械实际上仍主要按MDR/IVDR认证，AI Act的高风险义务尚未真正落地。义务最全，却因落地难而一再延后——这是"重权利"的另一面。

四、三种哲学：套利与陷阱

把三地放在一起，三种取向就清楚了：中国重落地（三证严、辅助优先、责任立法相对滞后），美国重能力（PCCP许迭代、上市快，召回率偏高），欧盟重权利（义务最全、落地最慢）。

差异里藏着套利点，也埋着陷阱。

套利点：自学习、需高频迭代的产品，优先布局美国，用PCCP把未来的迭代自由提前锁定——这是别处暂时给不了的灵活度。

陷阱：拿在国内"辅助定位、轻装上阵"的那套经验想当然地推欧盟，很容易正面撞上高风险的全套义务——风险管理、数据治理、人类监督、上市后监测一样不能少，还要与MDR/IVDR双合规。国内的"辅助"叙事，换不来欧盟的豁免。

三地差异，本质是一道路径选择题：先想清主攻哪个市场，按那个市场的逻辑去设计产品和合规，而不是先把产品做完再回头找市场。

总结

出海不是把国内产品翻译一遍推出去，是同时面对三套不同哲学的监管——能力、权利、落地。同一个产品，在三地的合规路径、迭代自由、责任归属都不一样；看不懂这层差异，最容易在"想当然"的地方栽跟头。

但三套哲学之下，有一个共通的内核：人不能退场。 美国要"人类监督"，欧盟把"human oversight"写进高风险义务，中国坚持"辅助不替代"——尺度有宽严，方向却一致。这与本书开篇立的安全坐标、运营层守的辅助边界，是同一回事。无论走到哪个法域，"让人留在判断里"都是医疗AI绕不开的底线。差异在路径，共识在此处。

路径即战略，一步踏错，满盘皆需重来。
出海的合规账，要在出海之前算清。

本部分为查阅工具，配合九篇正文使用。所有规范均标注文号与施行日期，引证以现行有效版本为准。

以下按线索引现行主要规范，每条注明文号或施行日期。

卫健线（医疗服务与研究伦理）

药监线（医疗器械准入）

网信／数据线（数据与算法）

基础性法律（民法典、反不正当竞争法、专利法）贯穿责任与知产，分别见第7、8篇。

下表从准入、算法变更、责任、伦理四个维度对照。

美国上市快、许迭代，但约6%的AI器械曾被召回；欧盟义务最全，却因配套标准不齐，高风险义务适用时间表一再推迟。详见第9篇。

伦理若停在理念，无法落地。下表把每个伦理风险点，对应到它在硬法义务、过错认定与准入许可上的三个具体落点——伦理由此从原则变为可执行、可追责的义务。

此表纵贯第2篇（伦理原则）、第4篇（审查程序）、第5篇（准入）、第7篇（责任），是全书伦理脊柱的落地总成。

伦理由此从原则变为可执行、可追责的义务。
—— 全书终