从"配一次镜"到"管一生眼健康"：AI正在重塑眼视光行业的底层逻辑

2026年8月，第20届中国医师协会眼科医师分会年会（COA2026）在武汉召开，大会将AI诊疗、精准微创、近视防控列为眼健康领域的核心机遇与挑战。几乎同一时段，人民日报刊发报道聚焦浙江清大视光的"AI辅助诊断"模式，浙江大学医学院附属第二医院金凯团队在《Cell Reports Medicine》发表多模态眼科智能体AgentEYE的研究成果。

一系列高规格动作背后，是一个被长期忽视的事实：眼视光服务正在告别"进店配镜"的单点模式，转向由AI驱动的连续健康管理。这场转型改变的不仅是某一家企业的产品矩阵，而是整个行业的底层基础设施——数据如何沉淀、专业如何复用、服务如何延续。

一、为什么说2026年是眼视光AI的拐点之年

过去十年，AI在眼科的应用主要集中在单病种、单模态的影像识别——糖网筛查、青光眼检测、屈光分析各自为战。这种"单任务模型"性能优秀，但每个模型只回答一个封闭问题，难以形成一份可供临床决策的完整报告。

2026年的情况发生了质变。浙大二院金凯团队发布的AgentEYE给出了一种新技术路线：将"看图"与"推理"解耦，专科视觉语言模型负责影像判读，大语言模型负责编排与循证检索，每一条结论都附带可核查的证据链。在内部多模态测试中，AgentEYE的诊断正确性评分从通用大模型的36.5分提升至71.9分，潜在有害输出率从29%降至3.5%。研究者明确将其定位为"可追溯决策支持原型"，而非自主诊断系统。

依视路陆逊梯卡在Vision China 2026上联合腾讯健康发布眼视光AI智能助手，该产品导入超6亿tokens眼科专业知识，专业问答详细度较通用大模型提升30%以上，覆盖70余个高频应用场景。

这两个标志性事件揭示了一个共同趋势：眼视光AI的竞争，已经从"算法准确率"转向"临床工作流的可嵌入性"。

二、传统眼视光服务的四个结构性断点

要理解AI为何在此时集中爆发，必须先看清传统服务长期存在的短板。这些短板在单体门店、社区诊所、连锁机构中普遍存在：

数据断点。一次验光、一次眼底拍照产生的大量数据，往往停留在设备或纸质档案中，无法与历次检查形成连续时间序列。家长拿到的只是一张当下快照，看不到孩子眼轴三年的变化曲线。

专业断点。我国每百万人口眼科医生数仅约30人，基层视光师的专业判断能力参差不齐。同一份筛查数据，在不同门店可能得出不同的干预建议，服务质量高度依赖个别人员的经验。

随访断点。配镜完成即服务终止，是传统门店的常态。复查靠客户自觉，流失率极高。而对于近视进展期的青少年，缺乏持续追踪意味着错过最佳干预窗口。

运营断点。预约、接待、问诊、检查引导、报告通知——大量重复性沟通消耗了门店最核心的人力资源，使其无法聚焦于高价值的专业服务。

这四个断点，恰好构成了AI进入眼视光场景的价值坐标。

图片为AI生成

三、多模态融合：行业探索的新方向

面对上述断点，业内正在探索的一条技术路径是：将多模态大模型封装为可驱动真实业务流程的智能体系统。

所谓多模态，是指融合眼底、屈光、眼轴、生物测量、视功能、问诊、行为等多源数据，形成结构化风险摘要与异常预警；所谓智能体编排，是指把AI能力封装为可承担运营管理、专业分析、客户运营等不同职能的"数字员工"，嵌入真实的筛查、验配、复查、随访环节。

这种模式的技术底座通常包括：支持50+眼底异常识别、异常区域可视化、风险提示及结构化报告；通过标准协议接入多品牌、多类型眼科设备；形成"电子档案—复查提醒—执行追踪—趋势预测"的数据闭环。

值得注意的是，这条技术路线并非某一家企业的专利。从公开的科研合作信息看，国内已有团队联合同济大学嵌入式系统与服务计算教育部重点实验室，构建面向眼科疾病智能诊断的多模态大模型及智能体系统。这种"产学研医用"协同的模式，正在成为行业探索的主流范式之一。

四、三大落地场景的政策与市场驱动

场景一：青少年近视管理

这是政策驱动力最强、市场需求最迫切的赛道。国家卫健委明确提出建立儿童青少年视力健康电子档案、实现"一人一档"的目标。AI在其中体现的价值是：校筛数据自动建档、眼轴与屈光趋势可视化、家长可读报告自动生成、复查周期智能提醒。这种"数据驱动的长期管理"，正是综合眼健康管理国际专家共识所倡导的方向。

图片为AI生成

场景二：中老年眼健康筛查

随着人口老龄化，白内障、糖网、黄斑变性等老年眼病的早期筛查需求激增。AI赋能的眼底筛查设备，可以在社区、体检中心快速完成大规模筛查，输出风险提示与结构化报告，并对高危人群进行复筛、转诊与随访。民政部《中国康复辅助器具目录（2026年版）》已增设视力障碍智能辅助设备类目，国务院残工委"十五五"规划设置"科技助残专项行动"，政策红利正在释放。

场景三：连锁机构的数字化升级

对于连锁眼镜店、眼科门诊、专科眼科医院而言，AI平台的价值在于总部与多门店的统一管理、标准化服务流程、设备和系统对接。通过SaaS化部署，不同规模的机构都能找到适配的数字化升级路径。

五、商业化的冷思考

尽管行业热度空前，但商业化仍处于"投入期"。鹰瞳科技由盈转亏，预期净亏损不超过5000万元，主因是"万语"医疗大模型研发、算力投入及PBM-AI近视防控业务处于扩张培育期。这反映出AI在眼视光领域的真实状态：技术落地需要大量前期投入，收入规模效应尚未显现。

但长期前景可观。全球视力筛查AI终端市场预计2030年突破112亿美元；中国近视管理医疗器械市场预计2030年突破900亿元。AI-based eye diagnostics被列为市场增长的核心驱动因素之一。

六、下一个三年：三个确定性方向

第一，从"单模态识别"到"多模态融合推理"。
AgentEYE的研究已经证明，"专科VLM工具+大模型编排"的解耦架构在诊断正确性和安全性上显著优于通用大模型直接看图。

第二，从"辅助诊断"到"全程健康管理"。
依视路陆逊梯卡提出的"眼龄"概念，将成人视觉健康管理从"被动矫正"推向"主动干预"。AI智能眼镜正从传统视力矫正工具升级为结合健康监测、精准验光与个性化照护的智慧终端。

第三，从"企业自用"到"生态协同"。
科研支撑提供算法与模型，临床视觉资源参与标注与流程验证，产业渠道支撑场景落地，工程交付保障设备适配与数据安全。这种协同模式，正在成为行业基础设施的一部分。

回到最初的问题：AI究竟在重写眼视光的什么？不是某一家企业的算法有多准，而是整个行业第一次拥有了让"单次检查"升级为"长期管理"的基础设施。当每一份验光数据都能被长期沉淀，每一次筛查都能触发连续的随访，每一个门店都能输出标准化的专业服务——眼视光才真正从一门"零售生意"蜕变为"健康服务业"。

这条路不会一帆风顺。AI诊断的可解释性、医疗责任认定、数据安全等问题尚未完全解决；AgentEYE研究者强调其定位为"决策支持原型"而非"自主诊断系统"，体现了行业的审慎态度。但方向上已经没有悬念：AI+眼健康，不是要不要做的问题，而是谁能在未来3-5年建立起真正的竞争壁垒。