從分散工具走向統(tǒng)一底座，醫(yī)院 AI 正在換一條更長期的路

讓 AI 跑在一個共同的底座上。

文丨林見瀾

2026 年，國內(nèi)醫(yī)院上線 AI 項目數(shù)量快速增長，從 AI 輔助診斷、智能影像，到慢病管理、病歷自動化等場景在三甲醫(yī)院快速鋪開，政策推動與技術(shù)成熟讓醫(yī)療 AI 從試點走向規(guī)模化應(yīng)用的趨勢愈發(fā)明確。

但行業(yè)也正陷入一種矛盾狀態(tài)：醫(yī)院愿意投入、廠商愿意供給、臨床愿意使用，可是真正用得順、推得開、能持續(xù)進化的 AI 系統(tǒng)依然稀少。

過去幾年，絕大多數(shù)醫(yī)院如果用 AI，普遍采取 “科室各自采購” 模式——影像科買一套肺結(jié)節(jié)識別，病理科上一套細胞篩查，體檢中心用一套報告審核，腎內(nèi)科、感染科再各自建獨立模型。廠商比拼的是誰在單一病種上準確率更高、響應(yīng)更快，醫(yī)院則在不同系統(tǒng)間反復(fù)對接、重復(fù)投入。

數(shù)據(jù)難以打通形成孤島，算力各自獨占造成的浪費，模型無法協(xié)同、難以復(fù)用，醫(yī)生要在多個系統(tǒng)間切換，基層醫(yī)院更是無力承擔(dān)分散建設(shè)的成本與門檻。單個 AI 可以解決一個個小問題，卻解決不了醫(yī)院智能化轉(zhuǎn)型的真問題；單點模型可以提升局部效率，改變不了的是醫(yī)療 AI“零散建設(shè)、重復(fù)投入、難以互通” 的現(xiàn)狀。“買了很多 AI，卻沒有一套能用好、用透、用得久。” 成了不少醫(yī)院信息科與臨床科室的共同感受。

改變這一切，不需要再多一個單點模型，醫(yī)院需要從底層統(tǒng)一算力、統(tǒng)一數(shù)據(jù)、統(tǒng)一模型和統(tǒng)一應(yīng)用，讓散落的 AI 能力在院內(nèi)共享，并能隨著使用自我迭代。但這涉及底層架構(gòu)改造、多系統(tǒng)對接、臨床流程適配，投入大、周期長、協(xié)調(diào)復(fù)雜。在追求快速落地的市場里，這類項目難做，回本也慢。

當行業(yè)從比誰上線的 AI 功能多，到比誰的 AI 能覆蓋全院，有沒有一條路徑，能讓醫(yī)院不用在零散工具和底層平臺之間二選一，既能提升具體科室的效率，又能讓全院 AI 數(shù)據(jù)共享？

醫(yī)院不缺模型，但還是用不起來 AI

以往煙囪式 AI 智能體，讓醫(yī)院、臨床科室、AI 廠商三方，正在陷入一個低效循環(huán)。

煙囪式 AI 是指：AI 像樓頂上一根根獨立的煙囪——每根煙囪只管自己排煙，不和旁邊煙囪互通。各干各的、互不連通。

醫(yī)院買入一堆單點模型，發(fā)現(xiàn)用不起來。影像科買入的肺結(jié)節(jié)識別系統(tǒng)準確率很高，但和病理科的細胞篩查系統(tǒng)數(shù)據(jù)不通；體檢中心的超聲報告 AI 審核得很快，但和臨床科室的病歷系統(tǒng)對接不上。醫(yī)院覺得錢白花了，信息科被臨床科室反復(fù)追問 “這東西到底能不能用”。

科室各自建 AI，數(shù)據(jù)不互通，重復(fù)投入嚴重。腎內(nèi)科建一套慢性腎病管理模型，感染科建了一套肝病篩查模型，兩套模型各自獨立，配置各自算力和數(shù)據(jù)標注團隊。

更關(guān)鍵的是，這些模型訓(xùn)練用的數(shù)據(jù)都來自同一批患者，卻因為系統(tǒng)隔離而無法共享。

一家 AI 公司給病理科做了宮頸細胞學(xué)篩查系統(tǒng)，但醫(yī)院希望這套系統(tǒng)能和體檢中心的超聲報告聯(lián)動，廠商只能不斷改接口、做補丁，項目周期越拖越長，維護成本越來越高。每增加或更換一個系統(tǒng)，接口都可能沖擊醫(yī)院現(xiàn)有 IT 系統(tǒng)，醫(yī)院每年只能花高價讓供應(yīng)商反復(fù)修改適配。

業(yè)內(nèi)人士觀察稱，“以煙囪式建設(shè)人工智能，只聚焦某個專科，某個方向進行模型訓(xùn)練、推理，耗費大量人力物力精力，最后發(fā)現(xiàn)這個模型未來很難跨科室、跨院甚至在整個行業(yè)進行復(fù)制和使用。”

2025 年下半年，華為派出一支團隊進駐南方醫(yī)科大學(xué)南方醫(yī)院（下稱 “南方醫(yī)院”），對 24 個科室蹲點調(diào)研，累計訪談了 284 人次，歸納總結(jié)超 100 項 AI 需求，做出了 21 份專項訪談報告。調(diào)研場景覆蓋 AI+ 醫(yī)療、教學(xué)、科研、管理四大領(lǐng)域。

事后，調(diào)研團隊發(fā)現(xiàn)，臨床醫(yī)生的需求遠比想象中細碎和具體。

麻醉科需要實時監(jiān)測生命體征并預(yù)警低血壓、缺氧、心律失常；腎內(nèi)科需要管理超過 1.2 億慢性腎病患者的長期隨訪；病理科需要在一張宮頸液基細胞學(xué)玻片上的幾萬個細胞中快速定位可疑病變；體檢中心每天出具約 1500 份超聲報告，其中一半以上異常，人工三級檢審負擔(dān)極重。

這些需求有一個共性：都無法靠單一模型實現(xiàn)，必須打通不同系統(tǒng)、不同科室之間的數(shù)據(jù)，讓文本病歷、CT 影像、病理切片能一起參與分析。

有親身經(jīng)歷了多年的醫(yī)療技術(shù)升級的從業(yè)者認為：“醫(yī)院需要統(tǒng)一的存儲、算力和網(wǎng)絡(luò)。與其各科室重復(fù)投入，不如醫(yī)院整體建一個統(tǒng)一平臺。不同科室的 AI 工具都在這個平臺運行、互通。先修好路，車才能跑起來。”

醫(yī)院推進 AI，需要能統(tǒng)一調(diào)度資源的底層系統(tǒng)。HAIP（Hospital AI Platform）就是這樣一個平臺。它不是某個科室的 AI 診斷模型，而是面向全院的 AI 調(diào)度系統(tǒng)——統(tǒng)一管理算力、數(shù)據(jù)、模型和應(yīng)用。

放棄應(yīng)用層，讓所有 AI 跑在同一個系統(tǒng)上

HAIP 這套醫(yī)院的 AI 底層系統(tǒng)，像修一條高速公路，統(tǒng)一調(diào)度算力、統(tǒng)一治理數(shù)據(jù)、統(tǒng)一管理模型、統(tǒng)一支撐全科室應(yīng)用，目的是讓 AI 在醫(yī)院像用電一樣方便。

在南方醫(yī)院，HAIP 已經(jīng)上線運行。HAIP 構(gòu)建了一套自主創(chuàng)新的 AIDC 算力底座，通過 “晝推夜訓(xùn)” 的潮汐調(diào)度機制，白天優(yōu)先保障門診、急診的實時推理需求，夜間自動切換到模型訓(xùn)練。這一機制讓整體算力利用率提升了 30%。

數(shù)據(jù)層面，HAIP 通過全模態(tài)數(shù)據(jù)融合平臺，把文本病歷、CT 影像、病理切片、心電圖紙等各種數(shù)據(jù)統(tǒng)一管理起來。過去，病理醫(yī)生標注一張切片要花很長時間，現(xiàn)在 AI 可以預(yù)先標出可疑區(qū)域，醫(yī)生只需復(fù)核。病理標注效率從每人每天 50 張?zhí)嵘?300 張，翻了 6 倍；智能標注的準確率可以達到 85% 以上。

模型層面，HAIP 先用醫(yī)學(xué)書籍和指南訓(xùn)練調(diào)優(yōu)通用模型，再通過醫(yī)生日常使用中的反饋數(shù)據(jù)，讓模型具備看 “亞種” 的能力。按照以往，“很多 AI 系統(tǒng)安裝好后基本定型，不會自己進步。” 但 HAIP 不同——醫(yī)生在使用過程中如果對 AI 的結(jié)果不滿意，可以給出反饋，系統(tǒng)記錄這些反饋，積累到一定數(shù)量后自動啟動新一輪訓(xùn)練，更新模型。隨著使用時間增長，交互增加，模型準確率可從最初的 80% 逐步提升到 95% 以上。

更重要的功能，體現(xiàn)在 HAIP 的應(yīng)用上——醫(yī)生不需要寫代碼，用自然語言描述需求，平臺就能自動生成 AI 助手。

一位醫(yī)生只需要說：“幫我做一個助手，專門整理肺結(jié)節(jié)患者的隨訪記錄，到了復(fù)查時間自動提醒我。” 平臺就能自動理解這個需求，生成一個 AI 助手并部署好。整個過程只需幾分鐘，AI 助手上線周期因此縮短了 70%。

華為嘗試用標準化能力，解決醫(yī)院最累的 30% 底層工作，讓醫(yī)護從繁雜工作中脫離出來，過去需要每個科室重復(fù)建設(shè)、重復(fù)投入的基礎(chǔ)設(shè)施，現(xiàn)在被統(tǒng)一封裝在 HAIP 平臺里，醫(yī)院不用再做重復(fù)工作。

事實證明，效果是可被量化的。目前南方醫(yī)院的病理標注效率提升了 6 倍，算力利用率提升 30%，AI 助手從需求到上線的周期縮短 70%。

平臺化的運行效率，明顯優(yōu)于過去分散部署的單點模式。當全院 AI 被納入同一套體系，數(shù)據(jù)可以打通，算力能夠共享，模型也持續(xù)迭代，臨床與科研的創(chuàng)新空間，也在隨之打開。

4 月 10 日，華為聯(lián)合南方醫(yī)院等頭部機構(gòu)發(fā)布《醫(yī)院通用人工智能平臺技術(shù)白皮書》、共建 AI 全場景智慧醫(yī)院聯(lián)合創(chuàng)新實驗室。這份白皮書是國內(nèi)首份系統(tǒng)提出醫(yī)院 “AI 操作系統(tǒng)” 的技術(shù)標準。最重要的是，它定義了醫(yī)療 AI 平臺的架構(gòu)，要求不同廠商的 AI 接入醫(yī)院時，必須遵守統(tǒng)一接口標準，避免醫(yī)院數(shù)據(jù)被單一廠商綁定。

相關(guān)醫(yī)院從業(yè)者說，“白皮書提出要定一個規(guī)則。這個規(guī)則就是軟件，不同廠商 AI 可以各自開發(fā)，但你要接入醫(yī)院就要統(tǒng)一接口標準，實現(xiàn)互通共享，避免將來數(shù)據(jù)或者系統(tǒng)被單一廠商綁定。”

未來，基礎(chǔ)底座的建成，可能終結(jié)醫(yī)院被一家廠商綁定的時代。HAIP 所代表的平臺思路，核心就在于開放，而非排他。

當行業(yè)一部分公司還在追逐一個個單點場景的落地速度時，華為與南方醫(yī)院用 HAIP 走出了另一條路：做夯實長期價值的底座，建立可進化、可復(fù)用、可普惠的 AI 操作系統(tǒng)。

如果這條路走通，醫(yī)院未來建 AI，將從過去科室各自采購獨立設(shè)備，轉(zhuǎn)向全院統(tǒng)一規(guī)劃、接入和調(diào)度。醫(yī)生可以少做重復(fù)工作，基層醫(yī)院也能用上和三甲一樣的 AI。真正做到這一步，需要的不只是技術(shù)。底座把底層能力開放給全行業(yè)，對醫(yī)院而言，意味著未來不再被單一廠商鎖定。

但這套體系仍需要在更廣泛的醫(yī)療場景中接受長期驗證。可預(yù)見的是，這條路投入更大、周期更長、協(xié)調(diào)難度更高。可一旦走通，它改變的將不只是某一家醫(yī)院的某一項業(yè)務(wù)，而是整個醫(yī)療 AI 行業(yè)的建設(shè)方式。

題圖來源：《手術(shù)兩百年》