作者｜周雅
过去两年，大模型最热闹的场景之一，其实发生在医院。
上周我参加了一场医疗论坛，现场从多方了解到，大模型能力一路抬升，国内几乎所有头部三甲医院都在布局AI，赛道之多，几乎覆盖了医院运转的每一个环节。
譬如，四川大学华西医院把开发的AI Agent叫作“医生的硅基新同事”，山东大学齐鲁医院把AI铺进了心血管、喉镜、泌尿、内镜、药品管理和消毒供应中心，南方医科大学珠江医院在骨科、神外、泌外机器人辅助手术里加 AI，无一不是。IDG数据显示，全球30%的数据来自医疗健康领域，而且增速也在上升，其年复合增长率（CAGR）为36%（2020-2025年）。
围绕医疗AI的政策发令枪也在密集响起。2025年，国务院印发《关于深入实施人工智能+行动意见》，将辅助诊疗、健康管理列为重点落地方向。国家卫健委、工信部等五部委联合发文，专门为“人工智能+医疗卫生”划出路线图和红线。广东省走得很快，省卫健委、省工信厅等八部门联合印发《广东省加快发展人工智能+医疗卫生三年行动计划》，首批289个AI应用场景案例落地见效，智能影像约片系统开始在全省公立医疗机构铺开。
然而热闹背后，有一组冷数据值得注意。
“中国三甲医院在整个医疗体系中占比不到1%，却承担了中国近30%的诊疗人次，诊断压力非常大。中国长期处于医疗资源分配不均，基层医院能力相对比较弱的现实情况。”华为医疗卫生军团总裁、数据存储产品线副总裁张伟力在论坛上如是说。
这句话的弦外之音是，医疗资源的结构性分布不均，意味着AI要真正产生系统性价值，仅靠头部医院的单点创新远远不够，而这，恰恰是当前医疗AI最薄弱的一环。
南方医科大学南方医院院长孙剑在论坛现场指出一个更严峻的问题：过去几年，医院做AI，大多是“一个科室一个模型、一个场景一个应用”，影像科做影像，病理科做病理，麻醉科做麻醉，科研团队做科研助手，管理部门做质控和运营。但往前走到一定阶段，问题就开始暴露：数据不通，算力重复买，模型之间彼此不认识，医生有需求却不会用AI语言表达，AI工程师懂技术却未必懂医学。最后，医院里不是没有AI，而是AI太多，却拼不成一个真正运转的“智慧医院”。
我们不禁要问，AI进医院，到底该怎么建？
三甲医院已经做了很多AI，为什么还要做AI平台？
如果只看既有成绩，南方医院也不缺医疗AI案例。
按照院方的现场介绍，南方医院已经有多项AI实践：侯凡凡院士团队做了全球首个肾病风险预测新模型「智肾」，刘克玄团队做了麻醉管理大模型「南方智麻」，此外，医院还在脑机接口、胃癌微创手术图像数据库、电子病历智能生成等方向有不少探索——目前南方医院已有10个创新应用成果入选广东省首批“人工智能+医疗健康”应用场景案例。早在智慧医院1.0阶段，南方医院已经完成基于总线和SOA架构的系统互联，建起临床、管理、科研三大数据中心；到2025年，又启动院级智算中心建设。
更关键的是，它手里有一批能支撑AI的“硬货”：27年沉淀的历史数据、20多个业务系统、1033万患者、6718万人次就诊数据，且能做到T+1更新。对于任何一家想认真做医疗AI的机构来说，这都不是一个小底子。
这其实很符合国内头部医院近些年的路径：谁有一批数据，谁有一个学术带头人，谁就可以做个模型试一试，先从几个最容易出成果的学科切进去，跑通几个样板，再逐步扩大。
但南方医院现在的判断是，仅靠这种方式，走不到“智慧医院”的最佳实践。
2024年9月，华为和南方医院签署深化战略合作协议，确立了“1+1+N”的AI创新应用生态链。华为团队进入南方医院后，围绕24个科室做了多轮调研，累计访谈284人次，收集了超过100条AI需求，产出21份专项调研报告和200多份分析文档。调研的结果大为震惊，这也是很多医院做AI共同面对的瓶颈：
第一，数据是分散的。影像一套、病理一套、病历一套、专病数据库一套，不同系统之间标准不一，数据质量也不一。很多医疗数据“很高质量”，但还远远不是AI可以直接吃下去的“燃料”。
第二，算力和存储是重复投入的。每做一个专科模型，就要重配一遍算力、存储、开发链路，效率并不高。
第三，模型很难互通。过去是一个科室一个项目，一个专家一个团队，能做出来，但很难跟别的系统、别的科室、别的医院协同，久而久之就变成一座座“模型孤岛”。
第四，医院真正懂AI的人并不多。医生知道临床痛点，但不懂AI语言；AI工程师懂模型，却不懂医学语境。中间那道坎，往往靠大量反复沟通去填，成本极高。
第五，医院流程不能被轻易打散。看病、检查、诊断、治疗、随访、管理，本来就是一套环环相扣的流程。AI如果每进来一个场景就把流程打乱，最终只会制造新的摩擦，而不是效率。
孙剑用了一个比喻：“烟囱式”。每个科室建自己的烟囱，买自己的算力，存自己的数据，训自己的模型。数据不通，算力不共享，模型之间无法对话。一家三甲医院如果有三十个科室在搞AI，就可能有三十套互不兼容的系统，这在效率上是灾难，在安全上是隐患，在经济上是黑洞。
这不是南方医院一家的困境。四川大学华西医院内镜医工研究室主任胡兵，一位工作了接近40年临床医生，在2017年开始从事AI工作。他同样指出，消化内镜医生真实困境来自于三个方面，第一，患者之困，有早癌的漏治风险。第二，医生之困，每天做操作手术，人是血肉之躯，也有疲劳。第三，科研之困，临床素材堆如山，但医生的论文撰写却如登山般困难。“传统AI它是单点工具，也是一个被动响应工具，且是一个数据孤岛，功能单一，无法回答我们下一步该怎么办。”
这就是南方医院和华为想要共同解决的问题根源。
两支“红色队伍”，联手打造“医院的AI操作系统”
此次，华为和南方医院正式打造——“医院通用人工智能平台HAIP（Hospital AI Platform）”。按照双方的说法，“这是全球第一个面向医院全场景的AI操作系统”。
既然用到“操作系统”，言下之意，就是要从底层重新定义医院使用AI的方式。
HAIP到底长什么样？根据华为医疗卫生军团总裁、数据存储产品线副总裁张伟力的解读，HAIP的架构可以分三层——“能力底座、智能中枢、工具引擎”。
具体而言：
最底层是「能力底座」。这部分最强调“国产化”——依托昇腾、鲲鹏等自主创新算力底座，构建100%自主创新的AIDC算力集群。论坛上，华为多次提到它的智能算力节点、存储能力以及软硬协同。DCS AI容器底座实现算力切分和任务智能调度，AI算力利用率提升30%以上。对医院来说，这层的意义不只是“有算力”，而是要把原本零散的训练和推理资源统一起来，能切分、能调度、能错峰使用。
其中，算力的错峰调用，对于医院来说是很实际的功能。南方医科大学南方医院副院长刘杰在论坛上说得更具体：“白天优先支撑推理——门诊和日常诊疗中AI的实时响应；晚上切换到训练模式——跑那些需要大量计算的模型优化任务。一套算力两种用法，利用率拉满。”这其实很关键。因为医疗AI一旦从科研走到生产，算力的使用就变成医院级、持续性、混合型负载：门诊要实时响应，住院要调阅历史信息，科研要跑训练，基层还可能要远程调用。谁能把这套资源调度顺，谁的“平台化”才不是口号。
中间层是「智能中枢」，核心是数据和模型，这也是 HAIP 最像“医院操作系统”的地方。华为和院方反复提的层面包括：AI数据湖、统一数据视图、AI数据平台、知识库、记忆库、KV Cache 加速、统一模型管理、数据飞轮等。更直白来说，大概是这么几层意思：
一是把全院原本分散的数据，尽可能拉到统一视图里，打通“数据孤岛”。
二是通过ModelEngine人工智能工具平台实现全类型数据智能化标注和多模态AI语料生成，把这些数据进一步变成可供AI使用的语料，而不是停留在传统信息系统里的“存档资料”，它会采用自动化数据标注，即把原来需要专业医生花大量时间手工标注的数据交给机器完成初步标注，工具会通过自动化学习医生的标注经验，逐步提升准确率，以压缩标注周期。张伟力有一句话很典型：“医疗行业的数据是高质量数据，但高质量不等于天然就是AI燃料。”
三是让模型不是一次训完就完，而是能在使用中持续迭代。HAIP重点强调的“数据飞轮”“大小飞轮联动”，说白了就是一种边用边学机制：大模型通过医学书籍、指南、专家共识等进行通识层面的调优（大飞轮）；小模型和专科智能体则通过医生在具体场景中的反馈、标注和修正，逐步学会更细的专病、亚专科能力（小飞轮）。医生每标注一份高质量数据，平台就多一份能继续喂给模型的“好教材”。
最上层是工具引擎和应用层。这部分最吸睛，也最容易被医生感知。
华为在会上反复提一个能力：NL2Agent，自然语言生成智能体。意思是，医生不需要写代码，也不需要理解复杂的AI工程流程，只要能够用自然语言描述需求，就能在平台上创建、调整和优化自己的专属智能体。这本质上是在把“开发权”往临床侧挪。
如果这一点真能跑通，它的意义会很大。因为过去很多医疗AI项目的问题，并不是模型做不出来，而是需求表达和迭代周期太长：医生提需求，产品经理翻译，工程师开发，再回到医生验证，往往一个回合就要很久。NL2Agent试图缩短这个链条，让医生不只是AI的使用者，某种程度上也成为AI的“训导者”和“配置者”。
此外，HAIP还强调了原生多智能体协同。这也是它区别于一堆“好用单点工具”的地方。平台的逻辑，是让不同智能体能协同工作，跨科室、跨流程、跨场景联动。更进一步，它还提出多级协同：头部医院训练和沉淀出来的模型、技能、经验，可以自动化部署、升级到基层医疗机构，实现云边协同。
值得注意的是，HAIP目前更准确的说法，仍然是一个开放生态平台，而不是简单意义上的“开源项目”。这次发布里，官方强调的是开放接口、统一标准、伙伴快速接入、医疗专区共享、智能体技能互通，而不是把平台代码本身定义为开源。这个区别很重要，因为它关系到未来生态到底如何扩展：是标准开放、接口开放、能力共享，还是更进一步走向真正的开源协作，目前还没有明确信号。
张伟力说，HAIP定位为开放平台，第三方AI企业可以把自己的模型和智能体接入，不需要关心底层的算力和芯片差异。伙伴的模型接入平台后“不需要改动太多代码，平台可以自动生成对接”。这跟手机操作系统的逻辑一模一样：开发者只管写App，不管手机用的是什么处理器。
当天同步发布的还有一份《医院通用人工智能平台技术白皮书》，华为、南方医院联合全国多家头部医院及合作伙伴共同发布。刘杰对白皮书的定位也很直白：“全国大医院都在搞AI，我们提供的是标准施工图和避坑指南。这是在几家头部医院验证过的，所以有非常强的可操作性和可落地性。”
同时，南方医院与华为共同成立了AI全场景智慧医院联合创新实验室(Artificial Intelligence-powered Smart Hospital Joint Innovation Lab)，同样是为了推动创新成果向临床快速转化，加速AI在智慧医院的全场景落地应用。南方医科大学南方医院副院长郑磊在采访中，给该实验室赋予了一个更具体的定位——「孵化器」，他讲到，HAIP像高速公路，现在上面已经有一些车在跑，而联合创新实验室要干的，就是不断把更多“车”研发出来，而且这些车不是为了展览，而是要上路、跑起来、形成规模。它的运作方式也被说得比较实在：医院提供学科专家、医疗教学科研人员，华为提供AI、大数据、工程化能力，双方围绕真实临床问题组建复合型团队联合攻关；做出来的东西必须回到医院场景里做验证、示范、推广。这个过程不是封闭的，院方也明确表示，欢迎其他医院加入，共同推动智慧医院技术往基层和社区延伸。
提及双方合作，孙剑认为，南方医院和华为能走到一起，除了业务互补，还有文化上的共鸣。南方医院的前身是新四军第三师后方医院，1941年创立于江苏，有60余载军旅生涯；华为的企业文化，则以准军事化管理著称。“中国红是两家单位共同的鲜明特色。”
在中国的大型组织合作中，文化认同确实是一个不可忽视的粘合剂，尤其是双方要做的是建一个覆盖全院所有科室的AI操作系统，是需要极高信任和长期协同。
手术室里的AI同事
平台说到底，还得靠应用来证明自己。
南方医院目前已经在HAIP之上搭起了一个「南医小智」智能体中心，并做了分层智能体空间管理体系。第一批跑上来的，主要是临床助手、科研助手、办公助手三类，其中最具代表性的，是“南方智肾”、“南方智麻”、电子病历智能生成。
这三类应用其实很有代表性，因为它们分别对应了医疗AI当前最现实的三个落点：专病管理、临床决策支持、重复劳动替代。
先看“南方智麻”。
麻醉是个很典型但经常被低估的场景。南方医院副院长、麻醉学专家刘克玄在采访中花了不少时间解释：很多人以为麻醉只是“打一针，让病人睡着，手术做完病人醒了”，但远不是如此简单，实际上麻醉医生承担的是两个关键职责，病人的术中生命体征管理、麻醉围手术期风险控制，比如手术刺激产生应激反应、手术出血可能导致病人情况剧变、术后并发症风险，这些都要求麻醉医生在极短时间里做出判断和决策。
“所以，麻醉药打进去之后，麻醉医生脖子上就套了沉重的枷锁，他有两个任务，第一，必须时时刻刻监护病人，对变化快速反应、马上决策。第二，麻醉医生还要考虑术后，病人有没有并发症等。外科医生是治病，麻醉医生是保命。”和内科医生还可以请人会诊、慢慢讨论不同，麻醉科的手术室里常常没有这个时间窗口。
这正是AI适合介入的地方。刘克玄强调，“所以说我们要引入AI，因为AI能够对这些多模态数据，进行系统化整合，结构化分析，快速识别关键风险因素，然后提供标准化、个体化的决策支持，这是AI的好处。”
「南方智麻」就是为解决这个问题而生，但它最早并不是从大模型热潮开始的。“2018年底，我们就建了国内第一个围手术期数据库，后来联合30多家医院成立了中国围术期结局研究电子数据库联盟，获得了真实世界1000万的多模态数据，有了数据训练模型，模型给出的决策就会更可靠。”2023年初，刘克玄团队拿到国家重点科技研发项目，方向是心脏病人围手术期心脑血管事件的早期预警和智能辅助决策，“当时ChatGPT还没出来”，他补了一句。所以，等到2023年底大模型浪潮涌来时，他们已经有了清晰的临床需求和海量数据积累，这是很多后来者不具备的先发优势。
刘克玄进一步指出，南方智麻目前在华为的赋能下更加优化，构建了一个覆盖麻醉围手术期全流程的体系：术前，系统自动解析患者病史和检查结果，预判病人的手术风险，同时自动生成麻醉方案。术中，对病人的生命体征做持续动态分析，对低血压、缺氧、心律失常等风险提前预警，并给出处理建议。术后，持续跟踪患者恢复情况。用刘克玄的话说，“它使我们的麻醉科更精准更高效。”
另外几项南方医院的AI成果同样很典型。其中一个来自南方医院肾内科侯凡凡院士团队，基于全国慢性肾病大数据网，已经产出了三项科研成果，包括AI辅助慢性肾脏病筛查、AI辅助肾小球肾炎的病理诊断、以及首个慢性肾病综合管理大模型「智肾」。还有一个案例是，全国首例脑机接口技术配合下的全程清醒开颅手术，术中用高密度薄膜采集运动意图信号，利用AI算法实现运动意图智能解码，达到病灶精准定位与功能保护。此外在胃癌微创手术诊疗领域，南方医院构建了关键场景及图像数据库，收集主流设备视频对复杂解剖环境进行解构和标注，已建成两万余张图像数据库，标注一致性检验达90%。
而电子病历智能生成，解决的是另一类更朴素的问题：大量重复性劳动。孙剑说得很坦率，医生被训练出来的成本很高，应该把他们更多释放到研究疑难杂症、研究新疗法这些更需要人类智力的地方，而不是长期被困在重复书写、重复整理、重复录入里。这个判断，和胡兵在会上那句判断异曲同工，他讲到，公司开发的医生助手Agent「睿宾」自动生成内镜报告，让医生的报告书写从8分钟降到3分钟，希望做到“标准的归AI，复杂的归医生”。
孙剑透露，下一步，华为与南方医院双方将围绕“精细化运营管理、中西医协同旗舰医院建设、国家肾脏病临床研究中心、紧急医学教研基地等方向持续拓展。”
当然，这类头部专科的价值，不只是帮一家医院提效，而是具备下放的可能。正如华为中国政企教育医疗系统部医疗健康行业总经理郭忠光强调，“HAIP落地应用推广，是一个中长期事情，我们今天是一个开始，会持续不断推进这件事，中国医疗领域肯定是分层和迭代推进。”
郭忠光进一步分析，所谓分层，并不是所有医院都要构建平台，这不是千人一药，对头部医疗机构，它更适合于能支撑“医教研管服”全流程的人工智能基础设施平台，但对于更多基层医院，更需要的是轻量化快速可获得能力和落地的边缘设施。“这一次，我们除了有HAIP平台发布，还有对应的轻量化方案HAIC，既可以满足基层医疗机构使用，也可以跟HAIP结合起来，形成云边协同，从技术层面实现向上攀峰和向下赋能，我们希望能既攀高峰做到成果转化，又强基层用智能守护健康。”
平台真正难的，是接下来的三场硬仗
如果把这次发布放长远来看，HAIP接下来真正要面对的，至少有三场硬仗。
第一场，是信任仗。
南方医科大学珠江医院副院长张宏征讲得很实在：患者挂上头部医院专家号，本质上信任的是专家。如果一上来先面对一个AI，患者未必能立刻接受。医生端也是一样，患者用AI很快，医生真正把AI用于诊疗决策，习惯形成会更慢。
这意味着医疗AI的落地，绝不是把模型部署进系统里就完事。它必须回答一个问题：医生到底在什么环节信它，患者又在什么环节接受它。这不是技术参数能直接解决的，而是靠长期临床表现、工作流融合、责任边界和使用体验慢慢建立。
第二场，是治理仗。
医疗AI不像做一个消费级助手，很多问题必须前置解决：数据权限、隐私保护、提示词和内容安全、模型输出审查、责任留痕、跨院数据交换、基层调用机制。这也是为什么 HAIP 把数据沙箱、安全审核、统一接口标准讲得那么多。
张伟力提到，平台需要同时防两类「安全风险」：一类是内容安全，输入给智能体的内容要严格审核，防止给智能体喂一些偏离了原意图的数据；另一类是数据安全，HAIP很重要的目的是放到基层医院，让每一个基层医院用“开箱即用”的方式使用智能体，这里面涉及到数据交换，所以数据安全非常重要，华为提供了数据沙箱能力。对医院来说，这些是平台能否规模化的前提。
第三场，是生态仗。
北京惠每云科技创始人张奇在论坛上的一个比喻很到位。他说，现在很多医院的AI应用推广难，像极了2010年之前的功能机时代，每个手机品牌有不同的操作系统、不同的芯片、不同的接口，你开发一个应用，必须针对每款手机做适配。直到iOS、Android、鸿蒙统一了手机生态，才有了微信、抖音这样的国民级应用。
同理，每家医院系统不一样、接口不一样、底座不一样，一个AI应用想要迁移到另一家医院，几乎都得重新适配一遍。“生产AI应用的成本在下降，但推广AI应用的成本却在上升。”张奇说，“公司发展11年来、服务了近1300家大医院，其中800多家是三甲医院，我接触非常多专家，从科主任到一线医生，普遍都有很多想法，想把自己的经验转化成某种形式的AI应用，但成本非常高。”
这也是 HAIP 最想拿下的一场仗：它如果只是南方医院的一套内部平台，意义有限；只有它真的成为更多医院和更多伙伴都愿意接入的“平台层”，它才有底气叫“操作系统”。
钱从哪里来？
在商言商，平台始终绕不开一个现实问题：钱从哪里来。
山东大学齐鲁医院副院长韩辉在聊到“AI进医院的痛点”时一针见血地指出：“说句大实话，关键是钱的问题。有钱了什么都好办，没有钱，想法再好落不了地。”
韩辉的身份颇为特殊。他在医院同时分管医疗、信息化、资产采购和三产，后来又兼任大数据中心主任和国家医学中心建设办主任——几乎是一个人串起了从临床需求、到技术落地、再到商业闭环的全部链条。他围绕“怎么解决钱”这个核心问题，讲述了一套已经跑通的方法论。
第一步是顶层架构的重设。韩辉发现，医院原有的信息中心（二十多人、工科背景）能维持基本运行，但面对大数据和AI力不从心。“专业不对口，临床提了需求他们也接不住。”于是他推动医院成立独立的大数据中心，由他兼任主任，医教研各处长任副主任，管理办公室从医务处剥离、直接受大数据中心管辖。这个架构的核心意图是打通临床与技术之间的组织壁垒，让大数据中心具备整合全院资源的权限，同时与信息中心各司其职。
第二步是需求的来源方式。医院目前落地了十几个大模型，但韩辉强调，这些项目不是领导指定谁去做的，而是发动全院临床科室自己找方向。找到之后，大数据中心评估可行性，再引入企业对接。他们与华为、科大讯飞、腾讯、深睿、海尔、海信、齐鲁制药等大量企业建立了合作，让企业技术人员与临床专家一对一对接，甚至鼓励双方私下交流，在碰撞中找到真正可落地的“点”。
第三步，也是韩辉最看重的一步，是商业模式的设计。他对每一个AI项目的第一道评估标准是：“这个东西未来能不能挣钱？”他以与华为联合发布的“心擎大模型”为例——这个模型的终极指向不是在本院使用，而是推广到基层医院，基层用了能收费，能收费就意味着能市场化，市场化之后医院与企业进行利润分成。“企业付出人力物力财力，最后要把钱收回来；医院要把大模型用到老百姓身上，也要把钱收回来。双向共赢，滚动发展。”
为了让这条路走得更远，医院在2023年10月孵化了自己的企业，韩辉任董事长兼法人。这个平台两年间已经孵化出8家公司，模式是医院与企业共同成立合资公司，医院将知识产权对应的股份80%奖励给技术团队，让医生可以“创业持股，完成市场化”。目前正在筹备的一家新公司注册资本达5000万元，成果转化评估金额超过3000万，还不包括药品领域。
此外，韩辉还提到了一个刚出现的政策信号——国家医保局发布《病理类医疗服务价格项目立项指南（试行）》，首次明确将“人工智能辅助诊断”列为病理诊断的扩展项。如果AI辅助诊断能正式进入收费目录，医院使用AI就可能成为产生收入的服务项目。这可能是整个AI医疗生态商业化的关键拐点。
张奇从企业视角补充了另一个结构性问题：医院的IT预算分配需要转变。过去大部分预算花在HIS、电子病历、集成平台等传统信息化基建上，动辄上千万元，留给AI的预算却“从零起步，到一两百万就停了”。他的建议是把更多预算投向算力底层，因为传统信息化基建“已经建得非常好了”。
而当被问及同样现实的“收益问题”时，南方医院则给出了一条不同的思考路径。
孙剑的逻辑是：智慧化医院的效率提升本身就是经济账。“我们现在大量人工做事情，医生很多都在做重复劳动，培养一个医生成本代价周期很长，让他们做这种劳动，没有把人力资源充分利用起来，未来希望通过智慧化医院建设，能把每一个人都用在最需要的地方。”他举了病历书写的例子——这类工作AI完全可以替代，把医生解放出来去研究疑难杂症和创新疗法，才是真正需要人的智力去解决的事。他最后总结说：“智慧医院未来是高效率运作，一定带来效率极大提升，效率极大提升一定会带来医院运营管理水平极大提升。我们不讲钱，但是这件事情做好了一定会带来钱。”
同样在当天，广东省副省长王胜在论坛开幕致辞中说了一段颇有想象力的话。他说，AI赋能医疗最大的潜力可能不在“治已病”，而在“治未病”——通过人工智能提前三年五年甚至更长时间发现疾病征兆，用现有医疗手段提前干预。“古人提出治未病但没做到，今人可以用人工智能做到。”
《中国医院》杂志社社长王才有引用了一组数据来描述这个赛道的体量：根据OpenRouter本月初的最新统计，中国的Token每周调用量已连续五周全球第一，达12.96万亿，是美国的4.27倍。
可见，大数据、大算力、大场景，全都到位了。而HAIP这条高速公路，也已经把第一块路基铺下去了。
热门跟贴