社区

让 AI 跑在一个共同的底座上。

文丨林见澜

2026 年，国内医院上线 AI 项目数量快速增长，从 AI 辅助诊断、智能影像，到慢病管理、病历自动化等场景在三甲医院快速铺开，政策推动与技术成熟让医疗 AI 从试点走向规模化应用的趋势愈发明确。

但行业也正陷入一种矛盾状态：医院愿意投入、厂商愿意供给、临床愿意使用，可是真正用得顺、推得开、能持续进化的 AI 系统依然稀少。

过去几年，绝大多数医院如果用 AI，普遍采取 “科室各自采购” 模式——影像科买一套肺结节识别，病理科上一套细胞筛查，体检中心用一套报告审核，肾内科、感染科再各自建独立模型。厂商比拼的是谁在单一病种上准确率更高、响应更快，医院则在不同系统间反复对接、重复投入。

数据难以打通形成孤岛，算力各自独占造成的浪费，模型无法协同、难以复用，医生要在多个系统间切换，基层医院更是无力承担分散建设的成本与门槛。单个 AI 可以解决一个个小问题，却解决不了医院智能化转型的真问题；单点模型可以提升局部效率，改变不了的是医疗 AI“零散建设、重复投入、难以互通” 的现状。“买了很多 AI，却没有一套能用好、用透、用得久。” 成了不少医院信息科与临床科室的共同感受。

改变这一切，不需要再多一个单点模型，医院需要从底层统一算力、统一数据、统一模型和统一应用，让散落的 AI 能力在院内共享，并能随着使用自我迭代。但这涉及底层架构改造、多系统对接、临床流程适配，投入大、周期长、协调复杂。在追求快速落地的市场里，这类项目难做，回本也慢。

当行业从比谁上线的 AI 功能多，到比谁的 AI 能覆盖全院，有没有一条路径，能让医院不用在零散工具和底层平台之间二选一，既能提升具体科室的效率，又能让全院 AI 数据共享？

医院不缺模型，但还是用不起来 AI

以往烟囱式 AI 智能体，让医院、临床科室、AI 厂商三方，正在陷入一个低效循环。

烟囱式 AI 是指：AI 像楼顶上一根根独立的烟囱——每根烟囱只管自己排烟，不和旁边烟囱互通。各干各的、互不连通。

医院买入一堆单点模型，发现用不起来。影像科买入的肺结节识别系统准确率很高，但和病理科的细胞筛查系统数据不通；体检中心的超声报告 AI 审核得很快，但和临床科室的病历系统对接不上。医院觉得钱白花了，信息科被临床科室反复追问 “这东西到底能不能用”。

科室各自建 AI，数据不互通，重复投入严重。肾内科建一套慢性肾病管理模型，感染科建了一套肝病筛查模型，两套模型各自独立，配置各自算力和数据标注团队。

更关键的是，这些模型训练用的数据都来自同一批患者，却因为系统隔离而无法共享。

一家 AI 公司给病理科做了宫颈细胞学筛查系统，但医院希望这套系统能和体检中心的超声报告联动，厂商只能不断改接口、做补丁，项目周期越拖越长，维护成本越来越高。每增加或更换一个系统，接口都可能冲击医院现有 IT 系统，医院每年只能花高价让供应商反复修改适配。

业内人士观察称，“以烟囱式建设人工智能，只聚焦某个专科，某个方向进行模型训练、推理，耗费大量人力物力精力，最后发现这个模型未来很难跨科室、跨院甚至在整个行业进行复制和使用。”

2025 年下半年，**派出一支团队进驻南方医科大学南方医院（下称 “南方医院”），对 24 个科室蹲点调研，累计访谈了 284 人次，归纳总结超 100 项 AI 需求，做出了 21 份专项访谈报告。调研场景覆盖 AI+ 医疗、教学、科研、管理四大领域。

事后，调研团队发现，临床医生的需求远比想象中细碎和具体。

麻醉科需要实时监测生命体征并预警低血压、缺氧、心律失常；肾内科需要管理超过 1.2 亿慢性肾病患者的长期随访；病理科需要在一张宫颈液基细胞学玻片上的几万个细胞中快速定位可疑病变；体检中心每天出具约 1500 份超声报告，其中一半以上异常，人工三级检审负担极重。

这些需求有一个共性：都无法靠单一模型实现，必须打通不同系统、不同科室之间的数据，让文本病历、CT 影像、病理切片能一起参与分析。

有亲身经历了多年的医疗技术升级的从业者认为：“医院需要统一的存储、算力和网络。与其各科室重复投入，不如医院整体建一个统一平台。不同科室的 AI 工具都在这个平台运行、互通。先修好路，车才能跑起来。”

医院推进 AI，需要能统一调度资源的底层系统。HAIP（Hospital AI Platform）就是这样一个平台。它不是某个科室的 AI 诊断模型，而是面向全院的 AI 调度系统——统一管理算力、数据、模型和应用。

放弃应用层，让所有 AI 跑在同一个系统上

HAIP 这套医院的 AI 底层系统，像修一条高速公路，统一调度算力、统一治理数据、统一管理模型、统一支撑全科室应用，目的是让 AI 在医院像用电一样方便。

在南方医院，HAIP 已经上线运行。HAIP 构建了一套自主创新的 AIDC 算力底座，通过 “昼推夜训” 的潮汐调度机制，白天优先保障门诊、急诊的实时推理需求，夜间自动切换到模型训练。这一机制让整体算力利用率提升了 30%。

数据层面，HAIP 通过全模态数据融合平台，把文本病历、CT 影像、病理切片、心电图纸等各种数据统一管理起来。过去，病理医生标注一张切片要花很长时间，现在 AI 可以预先标出可疑区域，医生只需复核。病理标注效率从每人每天 50 张提升到 300 张，翻了 6 倍；智能标注的准确率可以达到 85% 以上。

模型层面，HAIP 先用医学书籍和指南训练调优通用模型，再通过医生日常使用中的反馈数据，让模型具备看 “亚种” 的能力。按照以往，“很多 AI 系统安装好后基本定型，不会自己进步。” 但 HAIP 不同——医生在使用过程中如果对 AI 的结果不满意，可以给出反馈，系统记录这些反馈，积累到一定数量后自动启动新一轮训练，更新模型。随着使用时间增长，交互增加，模型准确率可从最初的 80% 逐步提升到 95% 以上。

更重要的功能，体现在 HAIP 的应用上——医生不需要写代码，用自然语言描述需求，平台就能自动生成 AI 助手。

一位医生只需要说：“帮我做一个助手，专门整理肺结节患者的随访记录，到了复查时间自动提醒我。” 平台就能自动理解这个需求，生成一个 AI 助手并部署好。整个过程只需几分钟，AI 助手上线周期因此缩短了 70%。

**尝试用标准化能力，解决医院最累的 30% 底层工作，让医护从繁杂工作中脱离出来，过去需要每个科室重复建设、重复投入的基础设施，现在被统一封装在 HAIP 平台里，医院不用再做重复工作。

事实证明，效果是可被量化的。目前南方医院的病理标注效率提升了 6 倍，算力利用率提升 30%，AI 助手从需求到上线的周期缩短 70%。

平台化的运行效率，明显优于过去分散部署的单点模式。当全院 AI 被纳入同一套体系，数据可以打通，算力能够共享，模型也持续迭代，临床与科研的创新空间，也在随之打开。

4 月 10 日，**联合南方医院等头部机构发布《医院通用人工智能平台技术白皮书》、共建 AI 全场景智慧医院联合创新实验室。这份白皮书是国内首份系统提出医院 “AI 操作系统” 的技术标准。最重要的是，它定义了医疗 AI 平台的架构，要求不同厂商的 AI 接入医院时，必须遵守统一接口标准，避免医院数据被单一厂商绑定。

相关医院从业者说，“白皮书提出要定一个规则。这个规则就是软件，不同厂商 AI 可以各自开发，但你要接入医院就要统一接口标准，实现互通共享，避免将来数据或者系统被单一厂商绑定。”

未来，基础底座的建成，可能终结医院被一家厂商绑定的时代。HAIP 所代表的平台思路，核心就在于开放，而非排他。

当行业一部分公司还在追逐一个个单点场景的落地速度时，**与南方医院用 HAIP 走出了另一条路：做夯实长期价值的底座，建立可进化、可复用、可普惠的 AI 操作系统。

如果这条路走通，医院未来建 AI，将从过去科室各自采购独立设备，转向全院统一规划、接入和调度。医生可以少做重复工作，基层医院也能用上和三甲一样的 AI。真正做到这一步，需要的不只是技术。底座把底层能力开放给全行业，对医院而言，意味着未来不再被单一厂商锁定。

但这套体系仍需要在更广泛的医疗场景中接受长期验证。可预见的是，这条路投入更大、周期更长、协调难度更高。可一旦走通，它改变的将不只是某一家医院的某一项业务，而是整个医疗 AI 行业的建设方式。

题图来源：《手术两百年》