醫療AI落地面臨多重考驗，算力投入與實際應用效果存在巨大鴻溝

“如果用戶用公開的GPU算力數據來測算需求，結果可能會相差千里。”在12月18日于成都舉辦的“智算協同醫療 生態鏈接未來”主題研討會上，聯想中國基礎設施業務群戰略管理總監黃山的這句話，揭示了當前AI醫療熱潮中一個被忽視的現實：算力投入與實際應用效果間存在巨大鴻溝。

圖片來源：主辦方供圖

這場由聯想、英特爾與循上醫療等機構參與的行業討論，將焦點從技術演示轉向了更棘手的落地難題——數據隱私的枷鎖、醫患信任的鴻溝以及算力投入的效率謎題，構成了AI醫療規模化必須面對的三大考題。而在醫療一線，循上醫療健康學院院長桑田坦言，真正的挑戰在于“常規數據只基于平均壽命，但當我們將維度拉寬，判斷標準和所需的醫療團隊都完全不同”。

“數據不出院”與“可見不可用”

當前，人工智能技術正加速與醫療健康行業深度融合，但醫療機構在實際運營中仍普遍面臨諸多挑戰：各系統間信息孤島現象嚴重，導致數據無法互通、管理效率低下；診療流程中手工操作環節多，易出錯且耗費人力；面對患者日益增長的高質量、個性化服務需求，傳統服務模式難以為繼，制約了醫療服務效率與質量提升。

醫療AI的燃料是數據，但最嚴苛的鎖鏈也在于數據。研討會上，一個共識是：當前醫療數據的流動仍被嚴格限制在機構內部。“HIS系統數據只能在醫院內網，不能出去，這是規定。”黃山指出。這意味著，即便醫院內部希望訓練一個AI醫生助手，也必須先將患者姓名、身份證號等敏感信息徹底清洗脫敏，過程嚴格且成本高昂。

這直接導致醫療機構普遍存在的數據孤島問題。然而，臨床中對個性化、持續健康管理的需求，尤其是循上醫療所偏向的長壽醫學、慢病逆轉等前沿領域，恰恰需要更全面、多維度的個體數據。桑田舉例說，在解決睡眠問題時，需要綜合考量激素水平、重金屬暴露、生活壓力等多重因素，“我們需要大數據來告訴我們在診療方案上，用藥的順序和精度”。

面對這一矛盾，技術供應商開始探索新的可能性。黃山透露，一種被稱為“可見不可用”的技術路徑正在試驗中，其核心是讓數據在不出域、不泄露的前提下參與模型訓練。例如，部分計算任務可在患者個人的加密設備上完成，系統只回收與模型優化相關的參數（如梯度），而非任何原始個人數據。模型會把隱私數據考慮進去，但看不見它，這種方法試圖在合規紅線內，為AI醫療拓寬數據邊界，以支持更精細化的健康管理。

替代醫生還是輔助工具？

AI在醫療中的角色，始終繞不開“替代”與“輔助”之爭。在研討會的采訪環節，這一問題被直接拋給了技術方與醫療方。

“AI今天要代替牙醫做專科診斷，這個事情我個人也是不敢相信的。”黃山給出了明確回答。他認為，AI當前更現實的價值在于充當社區醫生或家庭醫生的輔助角色，處理初診咨詢、健康建議等，從而釋放稀缺的醫療人力。

桑田也持類似觀點，他強調，AI是“工具”，其價值在于提升效率和精準度，而非替代醫生的綜合判斷。“比如在腫瘤篩查中，AI能幫助醫生一天閱讀幾百張影像；在用藥環節，它能預警腦出血等風險，幫助醫生和家屬做決策。”

然而，建立這種輔助性信任本身并非易事。桑田進一步指出，醫療團隊本身的觀念轉變是關鍵。“我們需要的是能持續突破、持續學習、擁抱變化的醫生，而不是停留在原地。”這意味著，AI的落地不僅是技術問題，更是醫療體系內知識與工作流程的重塑。

與此同時，一個更現實的瓶頸浮出水面——算力投入的巨大成本與難以精確測算的回報。黃山指出，AI醫療的算力需求復雜且動態，僅憑硬件參數無法準確評估，需要結合算法、框架、業務場景進行系統級調優。這意味著，醫院可能投入巨額資金建設算力平臺，卻未必能獲得預期的應用效果。桑田從需求端印證了這一復雜性，他表示，循上醫療在長壽醫學等領域的研究，需要處理遠超常規疾病診斷的數據維度和分析模型，對算力的需求是獨特且多變的。

因此，當前AI醫療的突破方向，正從追求“高大上”的算力峰值，轉向構建“高效、低成本、可持續且安全”的算力服務體系。如何幫助醫院精準規劃算力、優化能源消耗，并在保障安全的前提下實現模型的持續敏捷迭代，成為技術供應商比拼的新戰場。