一、模型很漂亮，然后呢
我听过很多次医生看完口扫模型后问：这个能直接做吗？
模型好看，不等于能戴。中间隔着备牙、边缘、倒凹、咬合、技工所和复诊。我这几年做的事，大多在这条缝里。
早几年，口扫的竞争集中在参数：精度、速度、体积、颜色。现在这些差距在缩小。诊所的抱怨变得更具体：扫完还要不要补？这个病例技工所会不会退？复诊能不能看出变化？这些问题不在参数表里。
以 Medit 和 3Shape 为代表的产品，路线不同，但方向相似：把扫描仪变成入口，把软件、AI 和云变成后面的工作流。这个判断后来一直影响我做产品。现在能扫出可用模型的产品越来越多，差别更多在后面的软件。
二、我每天在取舍什么
我负责公司口扫软件与云平台的产品和研发。日常大部分时间，都在处理很具体的问题：架构怎么划、AI 先做哪一块、诊所和技工所的数据怎么对上。
产品架构决定设备、电脑或平板、云端、诊所与技工所的应用各自该做什么，边界在哪里。AI 落地更麻烦：哪些临床痛点适合用 AI 解，哪些不适合；模型出来以后，怎么变成医生敢用的功能。协同则是把诊所、技工所、设计软件、正畸和种植伙伴放进同一套订单和版本里。
这些问题经常打架。AI 团队想上云，临床要求本地实时。技工所想多拿数据，诊所担心隐私。销售希望功能多，研发知道维护成本。我的工作很多时候是在做取舍：功能加上去容易，后面维护和培训的成本会留下来。
有时候也要说不：这个 AI 现在不能上，这个功能对临床没价值，这个接口会留下长期维护成本。做产品的人如果只会加法，到头来会得到一个很臃肿、但没人愿意用的系统。
三、把端、边、云接起来
我们把系统拆成四层：
| 层级 | 做什么 | 为什么 |
|---|---|---|
| 端 | 手柄、固件、采集和传输 | 先把牙齿看清楚 |
| 边 | 电脑或平板上的实时重建、质检和交互 | 医生不能等 |
| 云 | 存储、协作、重算和 AI 设计 | 多人、多地、大算力 |
| 应用 | 诊所和技工所的病例、订单、设计、审核 | 把数据变成动作 |
架构图画完只是开始，一条扫描数据从手柄到云端，会经过多少个版本、多少个角色、多少个权限？如果一开始没想清楚，后面每加一个端，就多一套补丁。
我们后来把病例、扫描、设计、订单、AI 结果、权限和版本放进同一个数据模型。这个决定不显眼，但它决定了多端协同会不会乱。很多产品后来的问题，都出在第一天数据模型没搭对，功能本身反而没少做。
四、软件在哪些地方干活
临床端：把返工挡在椅位旁
过去医生扫完、送技工所，几天后才知道倒凹太大、边缘不清、咬合空间不够。患者二次返院，医生重备牙、重扫，技工所返工，所有人都多花时间。
我们把一部分检查前移到扫描过程中。软件会看备牙量、倒凹、邻牙和对颌距离、边缘、扫描覆盖和咬合接触。发现问题就用颜色和提示告诉医生，让他当场补扫或修整。
一颗后牙冠，边缘在龈下，扫描角度不好，软件提示边缘不清。医生换个角度补扫，通常几分钟。要是等模型送到技工所再发现，患者得再约一次，医生重新备牙、重扫，技工所也要重做。
复诊监测也是这个思路。初诊扫一次做基线，复诊再扫一次，软件把两次模型对齐，比较磨损、牙龈退缩、菌斑和龋齿变化。
对齐比扫描难：两次扫描的角度、牙龈状态、修复体都可能变，软件要找到相对稳定的参考区域，才能把真实变化和扫描误差分开。颜色变化是给患者看的；医生要看的是磨损、退缩和菌斑有没有变。我们不敢把它说成诊断，它更像一个提醒。
沟通端：把结果提前给患者看
美学修复和正畸是另一类问题。技术往往不是最大的障碍；患者下不了决心，更常见。医生讲“空间、咬合、中线”，患者很难在脑子里把它翻译成自己笑起来的样子。
软件先得让人看见：医生用口扫拿到三维牙列，再拍一张正面微笑照，软件把两张图对齐：用瞳孔连线、面中线、唇线和微笑弧做参考，把模型放进照片的透视里。接下来，医生可以从牙齿模板里选一个接近的形态，调整每颗牙的长短、宽窄、轴向和颜色。患者看到的是自己脸上的术前术后对比，讨论起来容易得多。设计做完可以保存成图片，也可以分享给患者和家属，复诊时再调出来对照。
正畸模拟更复杂一些。软件先把每颗牙从牙列里分出来，排到一条目标牙弓上，再检查相邻牙会不会碰撞，最后把整个过程拆成一段一段的移动动画。患者能直观看到“先排齐、再收缝、最后调咬合”大概是什么样。医生也可以在现场改：这颗牙少移动一点，那颗牙多留一点空间。医生改完，动画会跟着更新。
AI 在这里做的事，主要是把重复操作变快：找面部标志点、分割牙齿、匹配模板、生成初版动画。但治疗决策还是得医生来做。软件要让人能改，也要让人知道这是模拟，不是承诺。我们会在界面和沟通话术里反复强调这一点：模拟用于讨论方案，最终效果受牙体条件、软组织和患者配合影响。
一个常见场景是前牙美学修复。患者觉得门牙短、笑起来露龈，医生先拍照片、扫模型，做三版不同长度的设计，让患者选。选完之后，这版设计还可以作为诊断蜡型、临时修复和最终修复的参考。沟通有了一个具体的版本可以讨论：“我们就按这一版做。”
这块的难点很具体：照片角度和光线要稳定，模型和照片要对得准，牙齿模板要符合患者的牙弓和咬合，颜色要能落到材料上，医生改完要能保存成版本，患者同意要留痕。任何一步粗糙，模拟就会变成一张好看但不敢用的图。
我后来更愿意把这类功能叫“沟通工具”，而不是“设计工具”。它帮医生把方案讲清楚，帮患者把决定做下来。但它不能替医生承诺疗效，也不能把一张效果图直接当成生产文件。这个边界，产品要在第一次使用时就讲明白。
生产端：把重复劳动交给机器，把判断留给人
CAD/CAM 和技工所是 AI 最能产生效率的地方。
传统设计里，技师要花很多时间在找边缘、调就位道、避倒凹、控厚度、调咬合和邻接上。AI 可以先出一版，技师再审核和修改。软件还要负责模型加底座、抽壳、排液孔，检查可打印性，再把设计文件、边缘线、咬合、比色和订单信息一起交给技工所。
我跟技工所聊的时候，他们最常抱怨的往往不是设计难。找文件、对版本、等确认，更耗时间。很多时间花在沟通上，手艺反而没占多少。
所以我们把订单状态、版本、权限、审核做成系统的一部分，而不是靠聊天群和邮件。云平台如果只用来存文件，价值很有限；它要管的是病例走到哪一步、谁能改、哪一版算数、什么时候交货。
五、AI 在医疗软件里，难点不在模型
扫描时，AI 像个安检员。去舌头、手指、口镜，去伪影，提示补扫，检查备牙和咬合。它必须快，而且错了医生要能马上改。一个误报太多的安检员，医生两次就会关掉。
扫描结束，它换个角色，像个助手。把牙齿分开、找边缘线、识别龋齿、磨损、牙龈和菌斑，做时间上的对比。它必须准，还要告诉医生为什么这么判断。只给一个分数，医生很难判断该不该信。
到了设计端，它更像个初级技师。先出一版牙冠、嵌合度、咬合和形态，再由技师审核。它得能用，也得能加工；厚度不够、边缘不密合、切削不出来，再漂亮也没用。
真实产品里，这三件事经常缠在一起，边界没那么干净。
模型只是其中一块；项目卡住，通常卡在别的地方：比如模型分数高，医生用两次就关掉，这种情况不少见。原因通常很具体：误报太多、改起来太麻烦，或者它给不出理由。医疗场景里，错误分两种：漏掉问题，和误报问题。误报太多，医生会直接关掉 AI；漏报太多，医生不敢用。产品要做的，是找到临床可接受的平衡点，并让医生能快速确认或修正，而不只是把分数再提高一点。
数据也会变：拥挤牙列、托槽、缺牙、不同修复材料，都会让模型表现不一样。这些情况在测试集里不一定多，诊室里天天有。实验室数据上好看，不代表在真实病例里好用。我们后来更看重跨设备、跨医生、跨病例的验证，而不是只看一个测试集。
责任边界也得划清：医疗 AI 只能做辅助，最后还是要医生判断。产品要明确哪些是提示，哪些是结论；置信度是多少；什么情况下必须人工复核；出问题谁负责；模型更新后怎么验证。这些事情不写进产品，AI 就走不进临床。
验收指标也要提前定：我们盯的是重扫率、备牙返工率、技工所拒收率、设计一次通过率、交期和病例接受率。如果模型分数涨了，这些没变，我不会认为它成功。
AI 给建议，最后的决定还是人来做。界面上要让人一眼看出问题在哪、为什么、能不能改。改完以后，得看指标有没有变好。每一次接受、拒绝、修改，都是下一次模型的训练信号。但前提是数据能被信任：脱敏、权限、区域存储、可审计。否则这个循环转不起来。
六、技工所：AI 和云最实在的落点
技工所是 AI 最能产生效率的地方。产品好不好，在那里也最容易被检验。
| 环节 | AI 和云能做什么 | 对技工所的意义 |
|---|---|---|
| 收件 | 检查扫描完整性、边缘清晰度、咬合数据 | 少拒收、少来回 |
| 设计 | AI 出牙冠或咬合板初稿，自动找边缘线、检查咬合 | 少做重复劳动 |
| 模型和打印 | 自动加底座、抽壳、排液孔，检查可打印性 | 减少打印失败 |
| 审核 | 云端版本、批注、状态和权限 | 改的是同一版，不混乱 |
| 生产 | 急件、标准件、夜间批处理分流 | 产能更灵活，交期更稳 |
| 复盘 | 记录接受、拒绝和返工原因 | 反哺模型和培训 |
AI 先出初稿，云端负责版本、订单和审核，拍板的是人。
技工所每天面对大量真实病例，最知道哪里容易错、哪里最耗时。做 CAD/CAM 和云协同，不能只在办公室里画流程图，要去技工所看他们怎么收件、怎么设计、怎么返工。
订单状态、版本、权限、审核意见，这些事很琐碎，但 AI 设计能不能被用起来，往往卡在这里。医生改的那一版技师看不到，或者审核意见留在聊天记录里，AI 出图再快，也只是多了一个需要人工收拾的环节。
七、项目做完之后，留下了什么
如果只看单个功能，很难说哪一个是我的功劳。这个项目是算法、客户端、云端、临床、技工所和合规一起做出来的。
但有几件事是我推动、并且留到今天的。
比如架构和数据模型：它让设备、平板、电脑和云端不用各做一套；让病例、扫描、设计、订单和 AI 结果能对上；也让后面每加一个端，不用重新造一遍轮子。
AI 的落地标准也是那时候定下来的。模型跑通只是开始，上线前还要明确输入、输出、置信度、失败边界、人工复核和验收指标。算法团队关心模型，产品要关心医生在椅旁能不能用、愿不愿意用。我们盯重扫率、备牙返工率、技工所拒收率、设计一次通过率、交期和病例接受率，而不是只看模型分数。这些指标不一定每次都好看，但它们更接近业务结果。
订单链更琐碎，每天都要用：状态、版本、权限、审核、交期，都在同一套系统里跑。它决定了病例能不能顺利走到生产，也决定了 AI 设计能不能被用起来。它很难用一个功能来演示，但少了它，前面的设计很容易卡在“文件发过去了，然后呢”。
从结果看，诊所少一次重扫、少一次二次就诊；技工所少一次返工、交期更稳；公司从卖硬件之外，也多了一条软件、云和按件 AI 的收入路径。具体客户数据和商业数字受合规要求，我不在公开文章里展开。有些结果已经发生，有些还在积累。
这个项目做出来的，是一套能质检、能设计、能协同、能复诊的口扫软件平台。
八、我还在想的问题
自动化到什么程度，我到现在也没有标准答案。做得太多，医生会觉得失控；做得太少，又看不出价值。椅旁质检、边缘线、牙冠设计，每个场景的平衡点都不一样。我现在的判断是：重复劳动尽量自动，关键判断留给人，中间状态要让人能改。
数据越用越多，隐私又不能让，这个平衡也没有现成答案。诊所和技工所愿意共享数据，前提是信任。脱敏、权限、区域存储、可审计，这些事归合规，也归产品架构。循环转不起来，往往是因为数据不敢用，模型再好也没用。
软件怎么计价，我还在试。订阅、云存储、按件 AI、设计服务，每种模式都对应不同的客户心理。诊所愿意为“少返工”付钱，技工所愿意为“产能和交期”付钱，但需要看到清楚的价值。
技工所会不会被 AI 替代？我不这么看。重复劳动会减少，但审核、复杂病例、材料工艺和客户沟通会更重要。AI 把技师从重复劳动里拉出来，不等于把技师从流程里拿掉。
这些问题我还没有答案。下一版产品会带着它们继续走。
九、结语
手柄还会继续变小，这没什么争议。更难的是扫描之后：质检、诊断、设计、复诊，每一段都还有活可做。
我还在做这些事。
标签：口扫软件、临床 AI、云平台、CAD/CAM、技工所协同
说明：本文基于我在口扫软件与云平台项目中的实践与行业公开资料整理，部分厂商数据为公开口径；具体客户数据与商业数字受合规要求不展开。文章不构成医疗建议。
- 作者：赵聪（ZhaoCong），产品经理与独立开发者。