AI诊断按Token计价：医疗AI商业闭环的技术拆解

一、问题的提出：AI看病，技术可用之后账怎么算

医疗AI辅助诊断的能力边界在过去几年已被反复验证。以病理筛查为例，人工阅片模式下，一位病理医生单日完成的检测量存在明显上限；而引入经过大规模高质量数据集训练的辅助诊断模型后，单日检测吞吐量可以提升一个数量级以上。效率提升带来的直接价值是缓解基层病理资源的结构性缺口——不是替代医生，而是把医生的单位时间产出放大，让筛查样本不必长时间排队。

但技术可用并不等于商业可行。当AI诊断服务以云服务形态交付时，一个现实问题浮出水面：看不见的推理资源投入，如何转化为可计量、可计价、可结算、可入账的价值单元？

传统的按次收费模式在这里遇到两个障碍。其一，不同病例的推理复杂度差异巨大——一张清晰的小视野切片与一例需要多轮质控复核的复杂样本，消耗的算力可能相差数倍，统一单价要么导致服务方亏损，要么导致需求方为简单病例支付溢价。其二，医疗与税务合规要求费用有明确的计量依据，而“一次诊断”作为计量单位颗粒度过粗，无法反映真实资源消耗。

近期行业内出现的一个实践方向是：以Token作为AI推理的计量单位，完成医疗AI诊断服务的计价闭环。这一做法的核心思路值得从技术角度深入拆解。

二、Token作为AI推理的“计步器”：概念澄清

在生成式AI与推理服务的语境中，Token通常指模型处理信息的基本单位。需要明确的是，此处的Token不是虚拟货币，也不是区块链语境下的通证，而是AI完成一次推理时所处理信息量的计量单位。它可以理解为AI工作时的“计步器”：输入被切分为若干Token，模型逐Token进行编码、推理与解码，输出同样以Token计量。

将Token引入医疗AI诊断计价，本质上是把一次诊断拆解为可归因的资源消耗步骤。以一个病理图像诊断流程为例，其推理链路大致可分解为：

样本输入 → 图像预处理（切分、增强） → 图像检测/分割 → 诊断推理 → 质控复核 → 报告生成

每个环节都对应一定量的Token消耗：图像检测阶段消耗视觉编码Token，诊断推理阶段消耗语言与多模态融合Token，质控与报告生成阶段消耗文本生成Token。将这些环节的Token消耗累加，即得到单例检测的总计量值。

行业实践中披露的一个参考量级是：单例检测样本平均消耗约百万级Token（有案例显示约120万Token/例）。这个数字的意义不在于绝对值，而在于它提供了一个稳定、可审计、可与算力成本挂钩的计量基准。

三、计价闭环的三个技术要件

要让Token从技术概念变成可入账的计费单元，需要三个层面的工程支撑。

3.1 计量层：推理消耗的精确归集

计量层要解决的是“每一例诊断到底用了多少Token”的问题。这要求推理服务在架构上具备请求级的资源归集能力。常见做法是在网关层为每个诊断任务分配唯一任务标识，推理过程中各环节的Token消耗通过统一的计量埋点上报，最终按任务标识聚合。

伪代码示意：

# 任务级Token计量示意
def diagnose_sample(sample_id, image_batch):
    task = create_task(sample_id)
    with task.measure() as m:
        regions = preprocess(image_batch)          # 预处理Token
        findings = detect(regions)                 # 检测Token
        diagnosis = infer_diagnosis(findings)      # 诊断推理Token
        qc = quality_check(diagnosis)              # 质控Token
        report = generate_report(diagnosis, qc)    # 报告生成Token
    return task.token_total  # 聚合后写入计量记录

关键工程要求是计量埋点不可绕过、不可篡改，且与业务日志分离，以满足后续审计需求。

3.2 计价层：Token单价与成本模型的映射

计量得到Token总量后，需要一套单价体系将其映射为金额。单价设计通常考虑三个因素：算力成本（GPU/加速卡的单位时间成本折算到Token）、模型复杂度（不同模型每Token的算力消耗不同）、服务等级（是否含质控复核、是否加急）。

计价层的技术难点在于单价的可解释性。医疗与财务审核方需要理解“为什么是这个单价”，因此计价模型应能输出成本构成拆解，而非单一总价。这与云服务中常见的按量计费账单逻辑一致：账单需列明计量项、用量、单价与金额。

3.3 结算层：与财务票据体系的对接

结算层是将计价结果转化为可入账凭证的环节。其技术要点包括：计量记录与计价结果的持久化存储、与财务/票据系统的数据对接、以及满足合规要求的凭证要素（服务内容、计量单位、数量、单价、金额）。

值得注意的是，计量单位在此处直接体现为“Token服务费”这类表述，使票据上的计量依据与底层技术计量保持一致。这正是“AI的思考能开发票”的技术含义：推理消耗被翻译成了财务语言。

四、对开发者的参考价值

这一实践对构建AI服务计费系统的开发者有几点普遍性启示。

第一，计量粒度决定商业模式的上限。 按次收费适合标准化程度高的服务，但当服务内部的资源消耗方差较大时，更细的计量粒度（Token、调用次数、推理时长）能同时提升公平性与成本覆盖能力。设计AI服务时，应在架构早期就规划计量埋点，而非事后补建。

第二，计量、计价、结算应分层解耦。 三层各自独立演进：计量层关注准确性，计价层关注成本模型与商业策略，结算层关注合规与财务对接。解耦后，单价调整不影响计量记录，票据格式变更不影响计价逻辑。

第三，可审计性是行业落地的硬门槛。 在医疗、金融等强监管场景，计费系统不仅要算得准，还要能被第三方复核。这意味着计量数据需要具备完整的溯源链路：从任务标识到各环节消耗，再到聚合结果，每一步都可追溯。

第四，Token计量需与业务语义对齐。 单纯统计模型调用Token对客户缺乏说服力，应将Token消耗映射到业务环节（检测、诊断、质控、报告），使账单可读、可解释。这与云服务账单按产品类目分项列示的思路一致。

五、结语

AI辅助诊断从“技术可用”走向“商业可行”，中间隔着的确实不只是一套算法，还有一套能被医疗、税务、合规共同认可的计价语言。以Token为计量单位的计价实践，本质上是在为AI推理资源建立一套通用的“度量衡”：让每一次推理可计量、可定价、可结算、可入账。

对开发者而言，这一方向的价值超出医疗单一场景。任何以云服务形态交付的AI推理能力，都面临同样的计量与计价问题。尽早把计量埋点、分层计价与可审计结算纳入系统设计，是AI服务从项目制走向规模化商业闭环的必要工程准备。