華為想要給中國的醫(yī)院造一個AI操作系統(tǒng) - 科技行者

作者｜周雅

過去兩年，大模型最熱鬧的場景之一，其實發(fā)生在醫(yī)院。

上周我參加了一場醫(yī)療論壇，現(xiàn)場從多方了解到，大模型能力一路抬升，國內(nèi)幾乎所有頭部三甲醫(yī)院都在布局AI，賽道之多，幾乎覆蓋了醫(yī)院運轉(zhuǎn)的每一個環(huán)節(jié)。

譬如，四川大學華西醫(yī)院把開發(fā)的AI Agent叫作“醫(yī)生的硅基新同事”，山東大學齊魯醫(yī)院把AI鋪進了心血管、喉鏡、泌尿、內(nèi)鏡、藥品管理和消毒供應中心，南方醫(yī)科大學珠江醫(yī)院在骨科、神外、泌外機器人輔助手術里加 AI，無一不是。IDG數(shù)據(jù)顯示，全球30%的數(shù)據(jù)來自醫(yī)療健康領域，而且增速也在上升，其年復合增長率（CAGR）為36%（2020-2025年）。

圍繞醫(yī)療AI的政策發(fā)令槍也在密集響起。2025年，國務院印發(fā)《關于深入實施人工智能+行動意見》，將輔助診療、健康管理列為重點落地方向。國家衛(wèi)健委、工信部等五部委聯(lián)合發(fā)文，專門為“人工智能+醫(yī)療衛(wèi)生”劃出路線圖和紅線。廣東省走得很快，省衛(wèi)健委、省工信廳等八部門聯(lián)合印發(fā)《廣東省加快發(fā)展人工智能+醫(yī)療衛(wèi)生三年行動計劃》，首批289個AI應用場景案例落地見效，智能影像約片系統(tǒng)開始在全省公立醫(yī)療機構鋪開。

然而熱鬧背后，有一組冷數(shù)據(jù)值得注意。

“中國三甲醫(yī)院在整個醫(yī)療體系中占比不到1%，卻承擔了中國近30%的診療人次，診斷壓力非常大。中國長期處于醫(yī)療資源分配不均，基層醫(yī)院能力相對比較弱的現(xiàn)實情況。”華為醫(yī)療衛(wèi)生軍團總裁、數(shù)據(jù)存儲產(chǎn)品線副總裁張偉力在論壇上如是說。

這句話的弦外之音是，醫(yī)療資源的結構性分布不均，意味著AI要真正產(chǎn)生系統(tǒng)性價值，僅靠頭部醫(yī)院的單點創(chuàng)新遠遠不夠，而這，恰恰是當前醫(yī)療AI最薄弱的一環(huán)。

南方醫(yī)科大學南方醫(yī)院院長孫劍在論壇現(xiàn)場指出一個更嚴峻的問題：過去幾年，醫(yī)院做AI，大多是“一個科室一個模型、一個場景一個應用”，影像科做影像，病理科做病理，麻醉科做麻醉，科研團隊做科研助手，管理部門做質(zhì)控和運營。但往前走到一定階段，問題就開始暴露：數(shù)據(jù)不通，算力重復買，模型之間彼此不認識，醫(yī)生有需求卻不會用AI語言表達，AI工程師懂技術卻未必懂醫(yī)學。最后，醫(yī)院里不是沒有AI，而是AI太多，卻拼不成一個真正運轉(zhuǎn)的“智慧醫(yī)院”。

我們不禁要問，AI進醫(yī)院，到底該怎么建？

三甲醫(yī)院已經(jīng)做了很多AI，為什么還要做AI平臺？

如果只看既有成績，南方醫(yī)院也不缺醫(yī)療AI案例。

按照院方的現(xiàn)場介紹，南方醫(yī)院已經(jīng)有多項AI實踐：侯凡凡院士團隊做了全球首個腎病風險預測新模型「智腎」，劉克玄團隊做了麻醉管理大模型「南方智麻」，此外，醫(yī)院還在腦機接口、胃癌微創(chuàng)手術圖像數(shù)據(jù)庫、電子病歷智能生成等方向有不少探索——目前南方醫(yī)院已有10個創(chuàng)新應用成果入選廣東省首批“人工智能+醫(yī)療健康”應用場景案例。早在智慧醫(yī)院1.0階段，南方醫(yī)院已經(jīng)完成基于總線和SOA架構的系統(tǒng)互聯(lián)，建起臨床、管理、科研三大數(shù)據(jù)中心；到2025年，又啟動院級智算中心建設。

更關鍵的是，它手里有一批能支撐AI的“硬貨”：27年沉淀的歷史數(shù)據(jù)、20多個業(yè)務系統(tǒng)、1033萬患者、6718萬人次就診數(shù)據(jù)，且能做到T+1更新。對于任何一家想認真做醫(yī)療AI的機構來說，這都不是一個小底子。

這其實很符合國內(nèi)頭部醫(yī)院近些年的路徑：誰有一批數(shù)據(jù)，誰有一個學術帶頭人，誰就可以做個模型試一試，先從幾個最容易出成果的學科切進去，跑通幾個樣板，再逐步擴大。

但南方醫(yī)院現(xiàn)在的判斷是，僅靠這種方式，走不到“智慧醫(yī)院”的最佳實踐。

2024年9月，華為和南方醫(yī)院簽署深化戰(zhàn)略合作協(xié)議，確立了“1+1+N”的AI創(chuàng)新應用生態(tài)鏈。華為團隊進入南方醫(yī)院后，圍繞24個科室做了多輪調(diào)研，累計訪談284人次，收集了超過100條AI需求，產(chǎn)出21份專項調(diào)研報告和200多份分析文檔。調(diào)研的結果大為震驚，這也是很多醫(yī)院做AI共同面對的瓶頸：

第一，數(shù)據(jù)是分散的。影像一套、病理一套、病歷一套、專病數(shù)據(jù)庫一套，不同系統(tǒng)之間標準不一，數(shù)據(jù)質(zhì)量也不一。很多醫(yī)療數(shù)據(jù)“很高質(zhì)量”，但還遠遠不是AI可以直接吃下去的“燃料”。

第二，算力和存儲是重復投入的。每做一個專科模型，就要重配一遍算力、存儲、開發(fā)鏈路，效率并不高。

第三，模型很難互通。過去是一個科室一個項目，一個專家一個團隊，能做出來，但很難跟別的系統(tǒng)、別的科室、別的醫(yī)院協(xié)同，久而久之就變成一座座“模型孤島”。

第四，醫(yī)院真正懂AI的人并不多。醫(yī)生知道臨床痛點，但不懂AI語言；AI工程師懂模型，卻不懂醫(yī)學語境。中間那道坎，往往靠大量反復溝通去填，成本極高。

第五，醫(yī)院流程不能被輕易打散。看病、檢查、診斷、治療、隨訪、管理，本來就是一套環(huán)環(huán)相扣的流程。AI如果每進來一個場景就把流程打亂，最終只會制造新的摩擦，而不是效率。

孫劍用了一個比喻：“煙囪式”。每個科室建自己的煙囪，買自己的算力，存自己的數(shù)據(jù)，訓自己的模型。數(shù)據(jù)不通，算力不共享，模型之間無法對話。一家三甲醫(yī)院如果有三十個科室在搞AI，就可能有三十套互不兼容的系統(tǒng)，這在效率上是災難，在安全上是隱患，在經(jīng)濟上是黑洞。

這不是南方醫(yī)院一家的困境。四川大學華西醫(yī)院內(nèi)鏡醫(yī)工研究室主任胡兵，一位工作了接近40年臨床醫(yī)生，在2017年開始從事AI工作。他同樣指出，消化內(nèi)鏡醫(yī)生真實困境來自于三個方面，第一，患者之困，有早癌的漏治風險。第二，醫(yī)生之困，每天做操作手術，人是血肉之軀，也有疲勞。第三，科研之困，臨床素材堆如山，但醫(yī)生的論文撰寫卻如登山般困難。“傳統(tǒng)AI它是單點工具，也是一個被動響應工具，且是一個數(shù)據(jù)孤島，功能單一，無法回答我們下一步該怎么辦。”

這就是南方醫(yī)院和華為想要共同解決的問題根源。

兩支“紅色隊伍”，聯(lián)手打造“醫(yī)院的AI操作系統(tǒng)”

此次，華為和南方醫(yī)院正式打造——“醫(yī)院通用人工智能平臺HAIP（Hospital AI Platform）”。按照雙方的說法，“這是全球第一個面向醫(yī)院全場景的AI操作系統(tǒng)”。

既然用到“操作系統(tǒng)”，言下之意，就是要從底層重新定義醫(yī)院使用AI的方式。

HAIP到底長什么樣？根據(jù)華為醫(yī)療衛(wèi)生軍團總裁、數(shù)據(jù)存儲產(chǎn)品線副總裁張偉力的解讀，HAIP的架構可以分三層——“能力底座、智能中樞、工具引擎”。

具體而言：

最底層是「能力底座」。這部分最強調(diào)“國產(chǎn)化”——依托昇騰、鯤鵬等自主創(chuàng)新算力底座，構建100%自主創(chuàng)新的AIDC算力集群。論壇上，華為多次提到它的智能算力節(jié)點、存儲能力以及軟硬協(xié)同。DCS AI容器底座實現(xiàn)算力切分和任務智能調(diào)度，AI算力利用率提升30%以上。對醫(yī)院來說，這層的意義不只是“有算力”，而是要把原本零散的訓練和推理資源統(tǒng)一起來，能切分、能調(diào)度、能錯峰使用。

其中，算力的錯峰調(diào)用，對于醫(yī)院來說是很實際的功能。南方醫(yī)科大學南方醫(yī)院副院長劉杰在論壇上說得更具體：“白天優(yōu)先支撐推理——門診和日常診療中AI的實時響應；晚上切換到訓練模式——跑那些需要大量計算的模型優(yōu)化任務。一套算力兩種用法，利用率拉滿。”這其實很關鍵。因為醫(yī)療AI一旦從科研走到生產(chǎn)，算力的使用就變成醫(yī)院級、持續(xù)性、混合型負載：門診要實時響應，住院要調(diào)閱歷史信息，科研要跑訓練，基層還可能要遠程調(diào)用。誰能把這套資源調(diào)度順，誰的“平臺化”才不是口號。

中間層是「智能中樞」，核心是數(shù)據(jù)和模型，這也是 HAIP 最像“醫(yī)院操作系統(tǒng)”的地方。華為和院方反復提的層面包括：AI數(shù)據(jù)湖、統(tǒng)一數(shù)據(jù)視圖、AI數(shù)據(jù)平臺、知識庫、記憶庫、KV Cache 加速、統(tǒng)一模型管理、數(shù)據(jù)飛輪等。更直白來說，大概是這么幾層意思：

一是把全院原本分散的數(shù)據(jù)，盡可能拉到統(tǒng)一視圖里，打通“數(shù)據(jù)孤島”。

二是通過ModelEngine人工智能工具平臺實現(xiàn)全類型數(shù)據(jù)智能化標注和多模態(tài)AI語料生成，把這些數(shù)據(jù)進一步變成可供AI使用的語料，而不是停留在傳統(tǒng)信息系統(tǒng)里的“存檔資料”，它會采用自動化數(shù)據(jù)標注，即把原來需要專業(yè)醫(yī)生花大量時間手工標注的數(shù)據(jù)交給機器完成初步標注，工具會通過自動化學習醫(yī)生的標注經(jīng)驗，逐步提升準確率，以壓縮標注周期。張偉力有一句話很典型：“醫(yī)療行業(yè)的數(shù)據(jù)是高質(zhì)量數(shù)據(jù)，但高質(zhì)量不等于天然就是AI燃料。”

三是讓模型不是一次訓完就完，而是能在使用中持續(xù)迭代。HAIP重點強調(diào)的“數(shù)據(jù)飛輪”“大小飛輪聯(lián)動”，說白了就是一種邊用邊學機制：大模型通過醫(yī)學書籍、指南、專家共識等進行通識層面的調(diào)優(yōu)（大飛輪）；小模型和專科智能體則通過醫(yī)生在具體場景中的反饋、標注和修正，逐步學會更細的專病、亞專科能力（小飛輪）。醫(yī)生每標注一份高質(zhì)量數(shù)據(jù)，平臺就多一份能繼續(xù)喂給模型的“好教材”。

最上層是工具引擎和應用層。這部分最吸睛，也最容易被醫(yī)生感知。

華為在會上反復提一個能力：NL2Agent，自然語言生成智能體。意思是，醫(yī)生不需要寫代碼，也不需要理解復雜的AI工程流程，只要能夠用自然語言描述需求，就能在平臺上創(chuàng)建、調(diào)整和優(yōu)化自己的專屬智能體。這本質(zhì)上是在把“開發(fā)權”往臨床側挪。

如果這一點真能跑通，它的意義會很大。因為過去很多醫(yī)療AI項目的問題，并不是模型做不出來，而是需求表達和迭代周期太長：醫(yī)生提需求，產(chǎn)品經(jīng)理翻譯，工程師開發(fā)，再回到醫(yī)生驗證，往往一個回合就要很久。NL2Agent試圖縮短這個鏈條，讓醫(yī)生不只是AI的使用者，某種程度上也成為AI的“訓導者”和“配置者”。

此外，HAIP還強調(diào)了原生多智能體協(xié)同。這也是它區(qū)別于一堆“好用單點工具”的地方。平臺的邏輯，是讓不同智能體能協(xié)同工作，跨科室、跨流程、跨場景聯(lián)動。更進一步，它還提出多級協(xié)同：頭部醫(yī)院訓練和沉淀出來的模型、技能、經(jīng)驗，可以自動化部署、升級到基層醫(yī)療機構，實現(xiàn)云邊協(xié)同。

值得注意的是，HAIP目前更準確的說法，仍然是一個開放生態(tài)平臺，而不是簡單意義上的“開源項目”。這次發(fā)布里，官方強調(diào)的是開放接口、統(tǒng)一標準、伙伴快速接入、醫(yī)療專區(qū)共享、智能體技能互通，而不是把平臺代碼本身定義為開源。這個區(qū)別很重要，因為它關系到未來生態(tài)到底如何擴展：是標準開放、接口開放、能力共享，還是更進一步走向真正的開源協(xié)作，目前還沒有明確信號。

張偉力說，HAIP定位為開放平臺，第三方AI企業(yè)可以把自己的模型和智能體接入，不需要關心底層的算力和芯片差異。伙伴的模型接入平臺后“不需要改動太多代碼，平臺可以自動生成對接”。這跟手機操作系統(tǒng)的邏輯一模一樣：開發(fā)者只管寫App，不管手機用的是什么處理器。

當天同步發(fā)布的還有一份《醫(yī)院通用人工智能平臺技術白皮書》，華為、南方醫(yī)院聯(lián)合全國多家頭部醫(yī)院及合作伙伴共同發(fā)布。劉杰對白皮書的定位也很直白：“全國大醫(yī)院都在搞AI，我們提供的是標準施工圖和避坑指南。這是在幾家頭部醫(yī)院驗證過的，所以有非常強的可操作性和可落地性。”

同時，南方醫(yī)院與華為共同成立了AI全場景智慧醫(yī)院聯(lián)合創(chuàng)新實驗室(Artificial Intelligence-powered Smart Hospital Joint Innovation Lab)，同樣是為了推動創(chuàng)新成果向臨床快速轉(zhuǎn)化，加速AI在智慧醫(yī)院的全場景落地應用。南方醫(yī)科大學南方醫(yī)院副院長鄭磊在采訪中，給該實驗室賦予了一個更具體的定位——「孵化器」，他講到，HAIP像高速公路，現(xiàn)在上面已經(jīng)有一些車在跑，而聯(lián)合創(chuàng)新實驗室要干的，就是不斷把更多“車”研發(fā)出來，而且這些車不是為了展覽，而是要上路、跑起來、形成規(guī)模。它的運作方式也被說得比較實在：醫(yī)院提供學科專家、醫(yī)療教學科研人員，華為提供AI、大數(shù)據(jù)、工程化能力，雙方圍繞真實臨床問題組建復合型團隊聯(lián)合攻關；做出來的東西必須回到醫(yī)院場景里做驗證、示范、推廣。這個過程不是封閉的，院方也明確表示，歡迎其他醫(yī)院加入，共同推動智慧醫(yī)院技術往基層和社區(qū)延伸。

提及雙方合作，孫劍認為，南方醫(yī)院和華為能走到一起，除了業(yè)務互補，還有文化上的共鳴。南方醫(yī)院的前身是新四軍第三師后方醫(yī)院，1941年創(chuàng)立于江蘇，有60余載軍旅生涯；華為的企業(yè)文化，則以準軍事化管理著稱。“中國紅是兩家單位共同的鮮明特色。”

在中國的大型組織合作中，文化認同確實是一個不可忽視的粘合劑，尤其是雙方要做的是建一個覆蓋全院所有科室的AI操作系統(tǒng)，是需要極高信任和長期協(xié)同。

手術室里的AI同事

平臺說到底，還得靠應用來證明自己。

南方醫(yī)院目前已經(jīng)在HAIP之上搭起了一個「南醫(yī)小智」智能體中心，并做了分層智能體空間管理體系。第一批跑上來的，主要是臨床助手、科研助手、辦公助手三類，其中最具代表性的，是“南方智腎”、“南方智麻”、電子病歷智能生成。

這三類應用其實很有代表性，因為它們分別對應了醫(yī)療AI當前最現(xiàn)實的三個落點：專病管理、臨床決策支持、重復勞動替代。

先看“南方智麻”。

麻醉是個很典型但經(jīng)常被低估的場景。南方醫(yī)院副院長、麻醉學專家劉克玄在采訪中花了不少時間解釋：很多人以為麻醉只是“打一針，讓病人睡著，手術做完病人醒了”，但遠不是如此簡單，實際上麻醉醫(yī)生承擔的是兩個關鍵職責，病人的術中生命體征管理、麻醉圍手術期風險控制，比如手術刺激產(chǎn)生應激反應、手術出血可能導致病人情況劇變、術后并發(fā)癥風險，這些都要求麻醉醫(yī)生在極短時間里做出判斷和決策。

“所以，麻醉藥打進去之后，麻醉醫(yī)生脖子上就套了沉重的枷鎖，他有兩個任務，第一，必須時時刻刻監(jiān)護病人，對變化快速反應、馬上決策。第二，麻醉醫(yī)生還要考慮術后，病人有沒有并發(fā)癥等。外科醫(yī)生是治病，麻醉醫(yī)生是保命。”和內(nèi)科醫(yī)生還可以請人會診、慢慢討論不同，麻醉科的手術室里常常沒有這個時間窗口。

這正是AI適合介入的地方。劉克玄強調(diào)，“所以說我們要引入AI，因為AI能夠?qū)@些多模態(tài)數(shù)據(jù)，進行系統(tǒng)化整合，結構化分析，快速識別關鍵風險因素，然后提供標準化、個體化的決策支持，這是AI的好處。”

「南方智麻」就是為解決這個問題而生，但它最早并不是從大模型熱潮開始的。“2018年底，我們就建了國內(nèi)第一個圍手術期數(shù)據(jù)庫，后來聯(lián)合30多家醫(yī)院成立了中國圍術期結局研究電子數(shù)據(jù)庫聯(lián)盟，獲得了真實世界1000萬的多模態(tài)數(shù)據(jù)，有了數(shù)據(jù)訓練模型，模型給出的決策就會更可靠。”2023年初，劉克玄團隊拿到國家重點科技研發(fā)項目，方向是心臟病人圍手術期心腦血管事件的早期預警和智能輔助決策，“當時ChatGPT還沒出來”，他補了一句。所以，等到2023年底大模型浪潮涌來時，他們已經(jīng)有了清晰的臨床需求和海量數(shù)據(jù)積累，這是很多后來者不具備的先發(fā)優(yōu)勢。

劉克玄進一步指出，南方智麻目前在華為的賦能下更加優(yōu)化，構建了一個覆蓋麻醉圍手術期全流程的體系：術前，系統(tǒng)自動解析患者病史和檢查結果，預判病人的手術風險，同時自動生成麻醉方案。術中，對病人的生命體征做持續(xù)動態(tài)分析，對低血壓、缺氧、心律失常等風險提前預警，并給出處理建議。術后，持續(xù)跟蹤患者恢復情況。用劉克玄的話說，“它使我們的麻醉科更精準更高效。”

另外幾項南方醫(yī)院的AI成果同樣很典型。其中一個來自南方醫(yī)院腎內(nèi)科侯凡凡院士團隊，基于全國慢性腎病大數(shù)據(jù)網(wǎng)，已經(jīng)產(chǎn)出了三項科研成果，包括AI輔助慢性腎臟病篩查、AI輔助腎小球腎炎的病理診斷、以及首個慢性腎病綜合管理大模型「智腎」。還有一個案例是，全國首例腦機接口技術配合下的全程清醒開顱手術，術中用高密度薄膜采集運動意圖信號，利用AI算法實現(xiàn)運動意圖智能解碼，達到病灶精準定位與功能保護。此外在胃癌微創(chuàng)手術診療領域，南方醫(yī)院構建了關鍵場景及圖像數(shù)據(jù)庫，收集主流設備視頻對復雜解剖環(huán)境進行解構和標注，已建成兩萬余張圖像數(shù)據(jù)庫，標注一致性檢驗達90%。

而電子病歷智能生成，解決的是另一類更樸素的問題：大量重復性勞動。孫劍說得很坦率，醫(yī)生被訓練出來的成本很高，應該把他們更多釋放到研究疑難雜癥、研究新療法這些更需要人類智力的地方，而不是長期被困在重復書寫、重復整理、重復錄入里。這個判斷，和胡兵在會上那句判斷異曲同工，他講到，公司開發(fā)的醫(yī)生助手Agent「睿賓」自動生成內(nèi)鏡報告，讓醫(yī)生的報告書寫從8分鐘降到3分鐘，希望做到“標準的歸AI，復雜的歸醫(yī)生”。

孫劍透露，下一步，華為與南方醫(yī)院雙方將圍繞“精細化運營管理、中西醫(yī)協(xié)同旗艦醫(yī)院建設、國家腎臟病臨床研究中心、緊急醫(yī)學教研基地等方向持續(xù)拓展。”

當然，這類頭部專科的價值，不只是幫一家醫(yī)院提效，而是具備下放的可能。正如華為中國政企教育醫(yī)療系統(tǒng)部醫(yī)療健康行業(yè)總經(jīng)理郭忠光強調(diào)，“HAIP落地應用推廣，是一個中長期事情，我們今天是一個開始，會持續(xù)不斷推進這件事，中國醫(yī)療領域肯定是分層和迭代推進。”

郭忠光進一步分析，所謂分層，并不是所有醫(yī)院都要構建平臺，這不是千人一藥，對頭部醫(yī)療機構，它更適合于能支撐“醫(yī)教研管服”全流程的人工智能基礎設施平臺，但對于更多基層醫(yī)院，更需要的是輕量化快速可獲得能力和落地的邊緣設施。“這一次，我們除了有HAIP平臺發(fā)布，還有對應的輕量化方案HAIC，既可以滿足基層醫(yī)療機構使用，也可以跟HAIP結合起來，形成云邊協(xié)同，從技術層面實現(xiàn)向上攀峰和向下賦能，我們希望能既攀高峰做到成果轉(zhuǎn)化，又強基層用智能守護健康。”

平臺真正難的，是接下來的三場硬仗

如果把這次發(fā)布放長遠來看，HAIP接下來真正要面對的，至少有三場硬仗。

第一場，是信任仗。

南方醫(yī)科大學珠江醫(yī)院副院長張宏征講得很實在：患者掛上頭部醫(yī)院專家號，本質(zhì)上信任的是專家。如果一上來先面對一個AI，患者未必能立刻接受。醫(yī)生端也是一樣，患者用AI很快，醫(yī)生真正把AI用于診療決策，習慣形成會更慢。

這意味著醫(yī)療AI的落地，絕不是把模型部署進系統(tǒng)里就完事。它必須回答一個問題：醫(yī)生到底在什么環(huán)節(jié)信它，患者又在什么環(huán)節(jié)接受它。這不是技術參數(shù)能直接解決的，而是靠長期臨床表現(xiàn)、工作流融合、責任邊界和使用體驗慢慢建立。

第二場，是治理仗。

醫(yī)療AI不像做一個消費級助手，很多問題必須前置解決：數(shù)據(jù)權限、隱私保護、提示詞和內(nèi)容安全、模型輸出審查、責任留痕、跨院數(shù)據(jù)交換、基層調(diào)用機制。這也是為什么 HAIP 把數(shù)據(jù)沙箱、安全審核、統(tǒng)一接口標準講得那么多。

張偉力提到，平臺需要同時防兩類「安全風險」：一類是內(nèi)容安全，輸入給智能體的內(nèi)容要嚴格審核，防止給智能體喂一些偏離了原意圖的數(shù)據(jù)；另一類是數(shù)據(jù)安全，HAIP很重要的目的是放到基層醫(yī)院，讓每一個基層醫(yī)院用“開箱即用”的方式使用智能體，這里面涉及到數(shù)據(jù)交換，所以數(shù)據(jù)安全非常重要，華為提供了數(shù)據(jù)沙箱能力。對醫(yī)院來說，這些是平臺能否規(guī)模化的前提。

第三場，是生態(tài)仗。

北京惠每云科技創(chuàng)始人張奇在論壇上的一個比喻很到位。他說，現(xiàn)在很多醫(yī)院的AI應用推廣難，像極了2010年之前的功能機時代，每個手機品牌有不同的操作系統(tǒng)、不同的芯片、不同的接口，你開發(fā)一個應用，必須針對每款手機做適配。直到iOS、Android、鴻蒙統(tǒng)一了手機生態(tài)，才有了微信、抖音這樣的國民級應用。

同理，每家醫(yī)院系統(tǒng)不一樣、接口不一樣、底座不一樣，一個AI應用想要遷移到另一家醫(yī)院，幾乎都得重新適配一遍。“生產(chǎn)AI應用的成本在下降，但推廣AI應用的成本卻在上升。”張奇說，“公司發(fā)展11年來、服務了近1300家大醫(yī)院，其中800多家是三甲醫(yī)院，我接觸非常多專家，從科主任到一線醫(yī)生，普遍都有很多想法，想把自己的經(jīng)驗轉(zhuǎn)化成某種形式的AI應用，但成本非常高。”

這也是 HAIP 最想拿下的一場仗：它如果只是南方醫(yī)院的一套內(nèi)部平臺，意義有限；只有它真的成為更多醫(yī)院和更多伙伴都愿意接入的“平臺層”，它才有底氣叫“操作系統(tǒng)”。

錢從哪里來？

在商言商，平臺始終繞不開一個現(xiàn)實問題：錢從哪里來。

山東大學齊魯醫(yī)院副院長韓輝在聊到“AI進醫(yī)院的痛點”時一針見血地指出：“說句大實話，關鍵是錢的問題。有錢了什么都好辦，沒有錢，想法再好落不了地。”

韓輝的身份頗為特殊。他在醫(yī)院同時分管醫(yī)療、信息化、資產(chǎn)采購和三產(chǎn)，后來又兼任大數(shù)據(jù)中心主任和國家醫(yī)學中心建設辦主任——幾乎是一個人串起了從臨床需求、到技術落地、再到商業(yè)閉環(huán)的全部鏈條。他圍繞“怎么解決錢”這個核心問題，講述了一套已經(jīng)跑通的方法論。

第一步是頂層架構的重設。韓輝發(fā)現(xiàn)，醫(yī)院原有的信息中心（二十多人、工科背景）能維持基本運行，但面對大數(shù)據(jù)和AI力不從心。“專業(yè)不對口，臨床提了需求他們也接不住。”于是他推動醫(yī)院成立獨立的大數(shù)據(jù)中心，由他兼任主任，醫(yī)教研各處長任副主任，管理辦公室從醫(yī)務處剝離、直接受大數(shù)據(jù)中心管轄。這個架構的核心意圖是打通臨床與技術之間的組織壁壘，讓大數(shù)據(jù)中心具備整合全院資源的權限，同時與信息中心各司其職。

第二步是需求的來源方式。醫(yī)院目前落地了十幾個大模型，但韓輝強調(diào)，這些項目不是領導指定誰去做的，而是發(fā)動全院臨床科室自己找方向。找到之后，大數(shù)據(jù)中心評估可行性，再引入企業(yè)對接。他們與華為、科大訊飛、騰訊、深睿、海爾、海信、齊魯制藥等大量企業(yè)建立了合作，讓企業(yè)技術人員與臨床專家一對一對接，甚至鼓勵雙方私下交流，在碰撞中找到真正可落地的“點”。

第三步，也是韓輝最看重的一步，是商業(yè)模式的設計。他對每一個AI項目的第一道評估標準是：“這個東西未來能不能掙錢？”他以與華為聯(lián)合發(fā)布的“心擎大模型”為例——這個模型的終極指向不是在本院使用，而是推廣到基層醫(yī)院，基層用了能收費，能收費就意味著能市場化，市場化之后醫(yī)院與企業(yè)進行利潤分成。“企業(yè)付出人力物力財力，最后要把錢收回來；醫(yī)院要把大模型用到老百姓身上，也要把錢收回來。雙向共贏，滾動發(fā)展。”

為了讓這條路走得更遠，醫(yī)院在2023年10月孵化了自己的企業(yè)，韓輝任董事長兼法人。這個平臺兩年間已經(jīng)孵化出8家公司，模式是醫(yī)院與企業(yè)共同成立合資公司，醫(yī)院將知識產(chǎn)權對應的股份80%獎勵給技術團隊，讓醫(yī)生可以“創(chuàng)業(yè)持股，完成市場化”。目前正在籌備的一家新公司注冊資本達5000萬元，成果轉(zhuǎn)化評估金額超過3000萬，還不包括藥品領域。

此外，韓輝還提到了一個剛出現(xiàn)的政策信號——國家醫(yī)保局發(fā)布《病理類醫(yī)療服務價格項目立項指南（試行）》，首次明確將“人工智能輔助診斷”列為病理診斷的擴展項。如果AI輔助診斷能正式進入收費目錄，醫(yī)院使用AI就可能成為產(chǎn)生收入的服務項目。這可能是整個AI醫(yī)療生態(tài)商業(yè)化的關鍵拐點。

張奇從企業(yè)視角補充了另一個結構性問題：醫(yī)院的IT預算分配需要轉(zhuǎn)變。過去大部分預算花在HIS、電子病歷、集成平臺等傳統(tǒng)信息化基建上，動輒上千萬元，留給AI的預算卻“從零起步，到一兩百萬就停了”。他的建議是把更多預算投向算力底層，因為傳統(tǒng)信息化基建“已經(jīng)建得非常好了”。

而當被問及同樣現(xiàn)實的“收益問題”時，南方醫(yī)院則給出了一條不同的思考路徑。

孫劍的邏輯是：智慧化醫(yī)院的效率提升本身就是經(jīng)濟賬。“我們現(xiàn)在大量人工做事情，醫(yī)生很多都在做重復勞動，培養(yǎng)一個醫(yī)生成本代價周期很長，讓他們做這種勞動，沒有把人力資源充分利用起來，未來希望通過智慧化醫(yī)院建設，能把每一個人都用在最需要的地方。”他舉了病歷書寫的例子——這類工作AI完全可以替代，把醫(yī)生解放出來去研究疑難雜癥和創(chuàng)新療法，才是真正需要人的智力去解決的事。他最后總結說：“智慧醫(yī)院未來是高效率運作，一定帶來效率極大提升，效率極大提升一定會帶來醫(yī)院運營管理水平極大提升。我們不講錢，但是這件事情做好了一定會帶來錢。”

同樣在當天，廣東省副省長王勝在論壇開幕致辭中說了一段頗有想象力的話。他說，AI賦能醫(yī)療最大的潛力可能不在“治已病”，而在“治未病”——通過人工智能提前三年五年甚至更長時間發(fā)現(xiàn)疾病征兆，用現(xiàn)有醫(yī)療手段提前干預。“古人提出治未病但沒做到，今人可以用人工智能做到。”

《中國醫(yī)院》雜志社社長王才有引用了一組數(shù)據(jù)來描述這個賽道的體量：根據(jù)OpenRouter本月初的最新統(tǒng)計，中國的Token每周調(diào)用量已連續(xù)五周全球第一，達12.96萬億，是美國的4.27倍。

可見，大數(shù)據(jù)、大算力、大場景，全都到位了。而HAIP這條高速公路，也已經(jīng)把第一塊路基鋪下去了。