過去，縣域基層醫療機構，往往難以對腎病等專科疾病進行準確判斷，導致患者錯過最佳就診時機。

但現在，基層醫生只要打開“智腎”大模型，輸入檢查指標，幾分鐘即可生成一份基于權威指南和大量真實病例生成的輔助診療建議。

作為我國首個慢性腎臟病綜合管理大模型，“智腎”的背后整合了南方醫院海量的臨床數據，并結合侯凡凡院士團隊的診療智慧，將其轉化為可復用的能力，因此才讓每一位基層醫生都成為“腎病專科顧問”，讓原本有限的醫療資源跨越了地域的鴻溝。

“智腎”的成功，也讓我們有了新的思考，要如何讓更多“智腎”在不同科室、不同層級醫院中落地生根？答案或許不在于某一個應用本身，而在于支撐這些應用生長的土壤。

01

走進南方醫院

那些被AI重構的醫療場景

我們先走進南方醫院，尋找AI落地醫療的真實注腳。

在腎內科病房，“智腎”的故事之所以動人，是因為我國慢性腎臟病患者數量龐大，但知曉率極低，基層醫生往往因缺乏專科知識而力不從心，大量患者在初診時已是晚期，如今這個巨大的早期干預窗口，正在被AI悄然填補，這就是“智腎”真正的力量。

通過“智腎”提供的輕量化智能問答系統，如今化州、吳川等地的社區醫生擁有了與一線城市看齊的診療能力。它不僅能輔助醫生進行復雜的病情評估，還能通過個性化飲食指導模塊，像營養師一樣管理患者的餐桌。

而行至病理科，AI帶來的變化則更為清晰。過去，醫生需要在顯微鏡前耗費3到5分鐘，在一張玻片的上萬個細胞中尋找潛伏的病變細胞。而現在，宮頸細胞學人工智能輔助診斷系統已將這一過程壓縮至秒級。AI先行掃描全片，自動標記出可疑視野，醫生得以快速定位病灶區域，大幅縮短了病理診斷時間，這等于是為患者爭取了寶貴的確診時間。

同樣的故事，也發生在感染內科。由于慢性肝病患者群體龐大，若缺乏規范管理，易發展為嚴重并發癥，而當前肝癌篩查體系存在公眾早篩意識不足、基層篩查能力薄弱。為此，南方醫院感染內科構建了科學的肝癌篩查評分體系，并嵌入小程序，深入社區“彩虹小屋”，將早期診斷率從23.2%提升至67%，這證明了AI在公共衛生層面的巨大價值。

在南方醫院，我們已經看到，AI與臨床的深度融合無處不在，而每一個創新場景都要依賴南方醫院深厚的臨床經驗和強大的AI研發能力，若想讓它們走出三甲醫院，復制到全國各級醫療機構，成為醫療體系的規模化創新，這條路到底要如何走？

02

醫療AI規模化落地

要如何的破壁？

南方醫院的探索，其實是中國醫療AI發展的縮影，在經歷了從概念驗證到單點AI應用的快速演進，越來越多的醫院已經在醫療場景中引入了AI輔助工具。但這些點狀的創新，要邁向規模化落地，還需要闖過幾道難關。

首先，是數據孤島形成的壁壘。醫院的不同科室引入的AI系統，往往來自不同廠商，數據格式不統一、接口不兼容，形成一個個孤立的“信息繭房”，無法實現數據互通共享。同時，各類醫療數據分散存儲，大量有價值的數據無法形成完整的AI訓練語料，導致AI模型訓練缺乏充足支撐，難以精準優化，而不同科室的AI應用之間也無法協同工作，賦能全面診療的效果就大打折扣。

其次，是算力建設的浪費。與數據孤島相伴而生的，就是算力的“煙囪式”建設。不少醫院的科室在引入AI系統時，都會配套購置專屬服務器，導致算力重復部署，不同科室的算力無法共享，大量算力資源處于閑置狀態，造成算力資源的浪費。再者，多模型、多智能體之間無法協同調度，就無法根據臨床需求動態分配算力，這也進一步降低了算力利用率。

第三，是專業人才的短缺。醫療AI的落地，離不開“醫療+AI”復合型人才的支撐，但目前國內多數醫院都面臨著人才缺口。懂臨床的缺乏AI技術儲備，懂技術的不了解臨床痛點，成為了一種常態。

最后，是應用落地之難。大部分醫院現有的業務系統繁雜，不同廠商的AI應用接口不統一，想要將AI應用融入臨床，需要進行大量的開發工作，不僅周期長、成本高，還容易出現系統兼容問題。

歸根結底，醫療AI要走向規模化落地，就必須告別單點式的部署模式，轉而擁抱標準化、集約化的平臺架構。我們認為，一個能夠統籌管理算力、統一治理數據、靈活調度模型、低門檻開發應用的“超級底座”，才能真正實現醫療資源和診療技術的“平權”，讓醫療AI為更多的患者創造福音。

03

HAIP：為醫院裝上“AI操作系統”

沒錯，問題的癥結既然在平臺架構層，解題的思路也就清晰可見。

近日，在廣州舉行的“AI驅動智慧醫院建設新范式高峰論壇”上，南方醫院與華為聯合發布了醫院通用人工智能平臺——HAIP。正是這些問題的答案。

簡單講，HAIP的全稱是Hospital AI Platform，定位是醫院的“AI操作系統”。它將醫院的算力、數據、模型、應用統一納管，讓分散的AI能力整合成一個可以共享、可以進化、可以向基層輸出的全院統一底座。

可以肯定的是，HAIP的誕生標志著中國醫療AI建設開始從“單點部署、零散應用”的煙囪式模式，邁向“統一規劃、全域協同”的新階段。

因為，HAIP解決的核心問題，恰困擾醫療AI落地的幾重困境。比如，在破解數據孤島方面，HAIP通過ModelEngine人工智能工具平臺實現全模態數據融合平臺和智能標注流水線， AI數據湖提供全院統一的數據視圖，將各類醫療數據統一管理，構建AI訓練的“數據糧倉”，提升數據利用效率，讓沉睡的數據轉化為可復用的知識資產；在解決算力浪費方面，HAIP構建了100%國產化的AIDC算力底座，通過“晝推夜訓”的潮汐調度機制，DCS AI容器底座實現算力切分和任務智能調度，動態分配算力資源，大幅提升算力利用率；在降低運營門檻方面，HAIP具備自然語言生成智能體能力，醫生無需編寫代碼，只需用日常語言描述需求，就能快速生成專屬AI助手，縮短應用上線周期；在保障系統兼容方面，HAIP采用開放架構，可與醫院現有業務系統平滑融合，不改變醫生的作業習慣，保障醫療服務的連續性。

而這一切的最終目標，則是實現醫療資源的普惠化。在HAIP的架構設計中，大型三甲醫院作為中心端負責訓練模型，基層醫院部署輕量級的邊緣設備。中心端訓練好的模型可以一鍵下發給所有基層設備，讓縣級醫院、社區衛生服務中心不需要自己購買昂貴的算力設備，也不需要自己訓練模型，就能自動獲得和三甲醫院同步的AI能力升級。這正是“智腎”從南方醫院走向基層醫院背后的技術邏輯。

同期發布的《醫院通用人工智能平臺技術白皮書》，由華為、南方醫院牽頭，聯合全國多家頂級醫院和行業伙伴共同編寫，是國內第一份系統提出醫院“AI操作系統”的技術文檔。它不僅給出了技術架構和參考標準，還提供了一個從規劃到運營的實施路線，可以縮短其他醫院邁向醫療AI轉型的路徑。

無疑，當醫院擁有了統一的AI操作系統，基層能夠以極低的門檻接入頂級醫院沉淀的AI能力，技術創新才開始真正回答醫療領域最根本的命題，讓優質醫療資源突破時空的限制，流向每一個需要它的人。