从 “智以致用” 到 “临床落地”：医院 AI 应用迎来起点时刻|临床落地|优质医疗资源|医学|医生|医疗中心|智以致用

上周落幕的2026云栖大会，以“智以致用”为核心主旋律，彻底掀开了AI从技术研发走向产业落地的全新篇章。行业聚焦模型迭代、自研芯片、AI云底座等全栈技术突破，论证了AI规模化落地的可行性与产业价值，让大众看到AI赋能千行百业的宏大前景。

如果说云栖大会是展示AI能落地、能规模化、能创造价值的技术底气，那么同期在杭州举行的另一场聚焦医疗领域的专项会——2026医学人工智能学术大会，则是探索AI在医疗领域务实落地新路径的会议。

共识不是终点，而是医疗 AI 落地的新起点

医学 AI 不新鲜。辅助诊断、患者分流、疗效预测、智能随访，早已进入临床路径；头部医院与科技公司的合作一个接一个，能力成熟度肉眼可见地往上走。

在《中国医院》2026 年 7 月刊发的《医院应用医学人工智能专家共识》（以下简称“共识”）中，背景部分点破了另一面：我国医学 AI 管理已从研究控制转向标准化治理，可现有规范多聚焦数据处理或局部部署。

翻译一下就是三句话：局部的规矩有了，全流程没人管；技术指标有了，责任没人管；个别医院在摸索，行业没协同。AI 已经进了医院，规则还站在医院门口。

因此在会议期间，由中国医院协会医学人工智能专委会组织了这场医院应用医学人工智能痛点和需求调研座谈会。这场座谈会没有宏大的概念宣讲，而是回归医院真实场景，让大医院、地市级医院、区县基层医院的从业者讲真话、摆难题，梳理医疗 AI 在落地实施中的现实堵点，为全国范围调研与共识迭代收集一线原始素材。

座谈会由浙江大学医学院附属第二医院人工智能与信息化部副主任许杰主持，以及做开场介绍。他表示，《医院应用医学人工智能专家共识》凝聚40 余位专家智慧，搭建起医疗 AI 治理的完整框架，划分评估准入、部署使用、监管改进三大阶段，配套风险分级分类清单、医院管理制度模板与行业倡议书，为医院开展 AI 治理提供顶层指引。

浙江大学医学院附属第二医院人工智能与信息化部副主任许杰

但共识具备较强的前瞻性，从纸面文件真正走进医院科室，仍然面临大量现实问题：AI 产品成熟度如何判别、与医院老旧信息系统如何适配、算力与预算如何匹配、人机协同机制怎么搭建、临床与信息部门如何转型。

“共识是起点，不是终点。我们需要从医院真实痛点出发，做差异化、个性化的落地设计，不能指望一套制度照搬至所有医院。” 许杰谈到。

本次座谈会核心目的，就是倾听一线最真实的声音。会后收集的全部意见，将作为全国调研咨询工作的核心素材，后续推动共识细化、配套实操指南编制，探索多中心协同验证、医研企协同的可行路径。

也就是说，这份共识不决定 AI 跑多快，它决定 AI 能跑多远。

一线集体发声：不同层级医院，各自的 AI 困境

参与座谈会的医院覆盖省级三甲、地市综合医院、区县基层医院。大家普遍达成一个共识：医疗AI 的痛点并不是技术不够炫，而是 “理想的技术” 和 “医院有限的人、财、系统、制度” 之间存在巨大鸿沟。

一、算力：买不起、算不准、调度难，中小医院进退两难

算力是整场会议被反复提及的高频痛点。对于省级大型医院，算力难题集中在多类型硬件统一调度。杭州市第一人民医院信息中心副主任（主持工作）龚旭蛟提到，医院同时存在英伟达、华为、平头哥等多种算力硬件，不同厂商模型适配不同芯片，缺乏集约化调度平台；同时，医院很难评估一款 AI 模型真实需要多少算力，厂商往往高估算力需求，造成资源浪费。

杭州市第一人民医院信息中心副主任（主持工作）龚旭蛟

而对于地市级、区县医院，算力首先是成本难题。丽水市人民医院信息处处长李晶辉直言，院领导很难为AI 投入数百万元采购算力硬件；杭州市红十字会医院信息部主任助理车始虹、舟山医院信息处处长王磊均表示，基层医院大多选择算力租用模式，但外部租用算力又带来新的顾虑：缺少官方红头文件确认租用算力的内网安全边界，数据安全保障存在不确定性。

丽水市人民医院信息处处长李晶辉

杭州市红十字会医院信息部主任助理车始虹

浙江省舟山医院信息处处长王磊

在这样的现实背景下，多位专家提出构想：不要每家医院都重复自建算力。可以依托医联体、医共体，探索区域统建共享算力中心，按照 Token 调用量结算；针对病历质控、专病辅诊这类通用性高、医院个性化程度低的应用，由区域平台统建统管，各医院直接接入使用，以此分摊成本、管控风险。

台州恩泽医疗中心（集团）信息中心副主任兼数据与人工智能中心主任曹坤分享了地方医院的实践经验：集团搭建统一算力底座，把临床、科研所有算力资源纳入统一调度，最大化盘活现有硬件，避免资源分散闲置。

台州恩泽医疗中心(集团)信息中心副主任兼数据与人工智能中心主任曹坤

二、产品准入与验收：看得懂宣传，摸不透真实效果

传统信息化软件，功能清单清晰，验收标准明确；但 AI 产品的评估、验证、验收，成为几乎所有医院共同的 “老大难”。

杭州市萧山区第一人民医院信息部副主任占松良深有体会：厂商演示效果往往十分亮眼，但落地后问题层出不穷。前期产品评估难、算力需求评估难、项目验收难三重困境叠加。AI 效果评价高度主观，同一个病例生成功能，有的科室高度认可，有的科室完全无法接受，没有统一标尺。同时大量 AI 企业尚处在烧钱阶段，存在经营风险，医院采购之后一旦厂商倒闭，后续运维将陷入无以为继的局面。

杭州市萧山区第一人民医院信息部副主任占松良

龚旭蛟补充提出另一个关键短板：模型上线不是工作结束，上线后的持续监测同样缺失。模型会随着人群、病种分布漂移，一旦出现输出错误，谁负责定期复核、校正模型，目前多数医院缺少常态化机制。

车始虹建议，可以建设区域性 AI 应用监测平台，为能力有限的中小医院赋能，统一完成准入评估、运行监控、指标采集，让基层医院 “接得上、管得住”。

三、数据困境：孤岛重重，高质量数据集“求而不得”

数据是大模型的养料，但医疗数据的现实情况远没有理想中美好。绍兴第二医院信息中心主任俞利张谈到基层医院普遍现象：多家 AI 应用分别搭建独立数据库，70% - 80% 数据重复存储，催生新的数据孤岛；医院想要建设统一数据中台，又面临数百万上千万的高额投入；即便建成中台，部分厂商为快速交付，依然坚持自建私有数据副本，中台形同虚设。

绍兴第二医院信息中心主任俞利张

浙江大学医学院附属妇产科医院人工智能与信息化部工程师宋丽莹指出了更深层矛盾：就算算力到位，很多医院也拿不出足够优质的数据集。电子病历系统里大量缺失随访、患者生活状态等临床关键信息；单家医院的数据体量有限，很难支撑多病种、多专科高质量 AI 模型训练。想要做好模型，必须走医疗共同体协作道路。

浙江大学医学院附属妇产科医院人工智能与信息化部工程师宋丽莹

多中心科研同样受困于数据。龚旭蛟表示，多中心模型优化需要多院数据交互，但受数据合规约束，原始数据不能随意出域，如何在不拷贝原始数据前提下开展联合建模，是亟待破解的课题。

四、临床风险与责任边界：知情同意、人机分歧、不良事件谁来担责

随着高风险 AI 辅助诊断逐步落地，医疗责任、知情同意成为大家激烈探讨的话题。

杭州市红十字会医院车始虹抛出现实难题：影像 AI 辅诊归类为高风险场景，要求落实知情同意。住院场景尚可完成告知，但门诊海量患者，如何完成知情告知？如果患者拒绝 AI 辅助阅片，系统又该如何切换模式。病例辅助生成这类中风险应用，同样存在知情告知落地难的现实困境。

责任界定同样棘手。共识明确 “人机协同、以人为核心”，临床医务人员对 AI 输出承担最终医疗责任。可一旦发生医疗不良事件，事后很难举证区分：问题根源是算法模型出错，还是医生审核疏漏。

针对该问题，现场专家提出若干方向：一是在合作协议、招标文件中提前厘清各方权责；二是建立AI相关不良事件上报制度，无论是否造成伤害，发现算法风险均要上报，用于持续迭代模型；三是探索医疗 AI 专项责任险，以此分散医院与临床人员的风险。

嘉兴市中医医院信息化副院长吴锋杰进一步提出人机分歧的现实顾虑：当 AI 输出建议和临床医生诊疗判断发生冲突，制度要求全程留痕记录分歧。这会不会加剧临床医生决策压力？在当前谨慎的医疗环境下，是否会造成医生不敢独立决策，动辄就启动上级会诊、MDT，变相增加医务人员负担。

嘉兴市中医医院信息化副院长吴锋杰

容易被忽略的深层隐忧：医生能力成长、人才与组织机制

整场座谈中，不少专家跳出技术本身，提出很多容易被忽略的软问题。

1.警惕AI带来临床思维退化，守护年轻医生成长

浙江省立同德医院信息中心主任毛颖民医生站在临床视角，抛出一个值得全行业警醒的问题：当病历生成、诊疗方案推荐越来越多地交给 AI，年轻医生独立临床推理、鉴别诊断的训练机会正在被压缩，容易产生对 AI 工具的过度依赖。即便医生人工复核 AI 输出，大批量审核工作之下，也可能出现麻痹、疏漏，把临床思考 “外包给 AI”。影像科室已经出现现实情况，不少放射科医生已经高度依赖 AI 结节检出工具，脱离 AI 之后工作压力陡增。

浙江省立同德医院信息中心主任毛颖民

毛颖民建议，后续共识修订中，应当增加保护医师能力成长的相关内容。可以针对不同层级医生做AI 权限分级；探索在 AI 输出中混入少量错误质控样本，像驾照考试一样，考核医生甄别错误的能力，如果持续甄别失败，需要回炉再培训，保障医生即便脱离 AI 工具，依然具备独立诊疗能力。

浙江大学医学院附属第二医院人工智能与信息化部副主任宋瑶姿也认同这个观点：AI 工具不应当做强制功能全部推送给医生，最好采用 “可选插件” 模式，把是否启用的选择权交还临床，避免系统无间断推送各类辅助建议，剥夺医生自主思考空间。

浙江大学医学院附属第二医院人工智能与信息化部副主任宋瑶姿

2.人才困境：信息部门被无限加码，但缺少配套激励考核

杭州市临安区第一人民医院信息部主任邵飞鹤提出一个非常现实、却很少公开讨论的话题：医疗 AI 建设的大量工作压在医院信息部门身上。信息团队要推动临床业务改造、AI 项目落地、系统运维，但是岗位职责、绩效考核、激励机制并没有同步更新。做好 AI 属于额外贡献，做不好却要承担责任，容易造成信息部门内卷，缺少长期可持续的内生动力。

杭州市临安区第一人民医院信息部主任邵飞鹤

同时，临床自主开发 AI 的 “黑盒问题” 也值得警惕：临床科室出于科研需求快速开发小程序、AI 工具，拿到软著，一旦上线后出现 Bug，却没有完整系统架构、源代码，信息部门无法接手运维，最后系统瘫痪，造成资源浪费。AI开发不能只追求快速拿到结果，必须重视软件全生命周期运维。

曹坤也谈到人才转型难题：传统信息工程师需要向 AI 方向转型，“前沿部署工程师” 这类新岗位已经出现，但医院内部如何培养、定位这类人才，行业尚没有成熟规范，希望后续在共识中补充医疗 AI 人才培养相关指引。

3.中医AI的特殊难题：千人千方，如何把辨证思想交给机器

吴锋杰表示，中医 AI 落地面临独特困境。西医诊疗大量依托指南，而中医讲究辨证论治，千人千方，不同专家面对同一个患者，辨证思路、处方方案完全不同。AI 学习哪一位专家的思想？如何评判多个均合理的不同诊疗方案？中医知识的标准化、数字化，是医疗 AI 领域一道特殊难题。

4.推广两极分化：一部分人满怀期待，一部分人全盘排斥

多位专家提到临床对 AI 的两极态度：年轻医生乐于尝试 AI 工具，能够切实减轻文书负担；而高年资主任往往感受不到价值，对 AI 持怀疑态度，但项目推进恰恰需要他们支持，造成 AI 产品推广落地阻力重重。

行业的多元探索：拿来主义、自研创新、价值共创

面对重重困境，各家医院结合自身条件走出不一样的路径。

浙江省肿瘤医院信息工程部主任孟振介绍医院实践：医院自研 AI 网关，实现 AI 应用统一接入、统一台账；针对 AI 应用知识产权风险，拟定知识产权承诺书，明确医院、业务科室、厂商三方，基于医院数据、算力产出成果的权属划分。同时他建议，基于共识管控清单，开发一套最小落地包，包含清单模板、知识产权协议范本、简化落地流程，方便各家医院直接参考复用。

浙江省肿瘤医院信息工程部主任孟振

中国人民解放军联勤保障部队第九〇三医院数智中心主任陆婷娟把医院AI 应用分为两类：一类是采购外部成熟产品的 “拿来主义”；另一类是院内工程师基于 AI 工具自研系统。两类模式各有风险。尤其院内自研 AI 软件，代码可信性如何审核、上线标准是什么，高可信医疗场景缺少明确规则。对于中小型医院，不必强行自建大模型，依托医联体联盟，共享大医院能力，是更现实的出路。

中国人民解放军联勤保障部队第九〇三医院数智中心主任陆婷娟

杭州市肿瘤医院信息科主任李玮、丽水市人民医院李晶辉均表示，地市级医院更多定位为 “拿来主义者”，优先采购成熟模型。希望省级层面做好顶层设计，建设专病库、区域 AI 平台，让基层医院共享成果；同时基层面临模型下沉 “水土不服” 风险，模型在大医院数据集训练完成，落地地方病种、人群之后容易出现系统性偏差，又缺少专业人员持续监测调优。