讓 AI 跑在一個共同的底座上。

文丨林見瀾

2026 年，國內醫院上線 AI 項目數量快速增長，從 AI 輔助診斷、智能影像，到慢病管理、病歷自動化等場景在三甲醫院快速鋪開，政策推動與技術成熟讓醫療 AI 從試點走向規模化應用的趨勢愈發明確。

但行業也正陷入一種矛盾狀態：醫院愿意投入、廠商愿意供給、臨床愿意使用，可是真正用得順、推得開、能持續進化的 AI 系統依然稀少。

過去幾年，絕大多數醫院如果用 AI，普遍采取 “科室各自采購” 模式——影像科買一套肺結節識別，病理科上一套細胞篩查，體檢中心用一套報告審核，腎內科、感染科再各自建獨立模型。廠商比拼的是誰在單一病種上準確率更高、響應更快，醫院則在不同系統間反復對接、重復投入。

數據難以打通形成孤島，算力各自獨占造成的浪費，模型無法協同、難以復用，醫生要在多個系統間切換，基層醫院更是無力承擔分散建設的成本與門檻。單個 AI 可以解決一個個小問題，卻解決不了醫院智能化轉型的真問題；單點模型可以提升局部效率，改變不了的是醫療 AI“零散建設、重復投入、難以互通” 的現狀。“買了很多 AI，卻沒有一套能用好、用透、用得久。” 成了不少醫院信息科與臨床科室的共同感受。

改變這一切，不需要再多一個單點模型，醫院需要從底層統一算力、統一數據、統一模型和統一應用，讓散落的 AI 能力在院內共享，并能隨著使用自我迭代。但這涉及底層架構改造、多系統對接、臨床流程適配，投入大、周期長、協調復雜。在追求快速落地的市場里，這類項目難做，回本也慢。

當行業從比誰上線的 AI 功能多，到比誰的 AI 能覆蓋全院，有沒有一條路徑，能讓醫院不用在零散工具和底層平臺之間二選一，既能提升具體科室的效率，又能讓全院 AI 數據共享？

醫院不缺模型，但還是用不起來 AI

以往煙囪式 AI 智能體，讓醫院、臨床科室、AI 廠商三方，正在陷入一個低效循環。

煙囪式 AI 是指：AI 像樓頂上一根根獨立的煙囪——每根煙囪只管自己排煙，不和旁邊煙囪互通。各干各的、互不連通。

醫院買入一堆單點模型，發現用不起來。影像科買入的肺結節識別系統準確率很高，但和病理科的細胞篩查系統數據不通；體檢中心的超聲報告 AI 審核得很快，但和臨床科室的病歷系統對接不上。醫院覺得錢白花了，信息科被臨床科室反復追問 “這東西到底能不能用”。

科室各自建 AI，數據不互通，重復投入嚴重。腎內科建一套慢性腎病管理模型，感染科建了一套肝病篩查模型，兩套模型各自獨立，配置各自算力和數據標注團隊。

更關鍵的是，這些模型訓練用的數據都來自同一批患者，卻因為系統隔離而無法共享。

一家 AI 公司給病理科做了宮頸細胞學篩查系統，但醫院希望這套系統能和體檢中心的超聲報告聯動，廠商只能不斷改接口、做補丁，項目周期越拖越長，維護成本越來越高。每增加或更換一個系統，接口都可能沖擊醫院現有 IT 系統，醫院每年只能花高價讓供應商反復修改適配。

業內人士觀察稱，“以煙囪式建設人工智能，只聚焦某個專科，某個方向進行模型訓練、推理，耗費大量人力物力精力，最后發現這個模型未來很難跨科室、跨院甚至在整個行業進行復制和使用。”

2025 年下半年，華為派出一支團隊進駐南方醫科大學南方醫院（下稱 “南方醫院”），對 24 個科室蹲點調研，累計訪談了 284 人次，歸納總結超 100 項 AI 需求，做出了 21 份專項訪談報告。調研場景覆蓋 AI+ 醫療、教學、科研、管理四大領域。

事后，調研團隊發現，臨床醫生的需求遠比想象中細碎和具體。

麻醉科需要實時監測生命體征并預警低血壓、缺氧、心律失常；腎內科需要管理超過 1.2 億慢性腎病患者的長期隨訪；病理科需要在一張宮頸液基細胞學玻片上的幾萬個細胞中快速定位可疑病變；體檢中心每天出具約 1500 份超聲報告，其中一半以上異常，人工三級檢審負擔極重。

這些需求有一個共性：都無法靠單一模型實現，必須打通不同系統、不同科室之間的數據，讓文本病歷、CT 影像、病理切片能一起參與分析。

有親身經歷了多年的醫療技術升級的從業者認為：“醫院需要統一的存儲、算力和網絡。與其各科室重復投入，不如醫院整體建一個統一平臺。不同科室的 AI 工具都在這個平臺運行、互通。先修好路，車才能跑起來。”

醫院推進 AI，需要能統一調度資源的底層系統。HAIP（Hospital AI Platform）就是這樣一個平臺。它不是某個科室的 AI 診斷模型，而是面向全院的 AI 調度系統——統一管理算力、數據、模型和應用。

放棄應用層，讓所有 AI 跑在同一個系統上

HAIP 這套醫院的 AI 底層系統，像修一條高速公路，統一調度算力、統一治理數據、統一管理模型、統一支撐全科室應用，目的是讓 AI 在醫院像用電一樣方便。

在南方醫院，HAIP 已經上線運行。HAIP 構建了一套自主創新的 AIDC 算力底座，通過 “晝推夜訓” 的潮汐調度機制，白天優先保障門診、急診的實時推理需求，夜間自動切換到模型訓練。這一機制讓整體算力利用率提升了 30%。

數據層面，HAIP 通過全模態數據融合平臺，把文本病歷、CT 影像、病理切片、心電圖紙等各種數據統一管理起來。過去，病理醫生標注一張切片要花很長時間，現在 AI 可以預先標出可疑區域，醫生只需復核。病理標注效率從每人每天 50 張提升到 300 張，翻了 6 倍；智能標注的準確率可以達到 85% 以上。

模型層面，HAIP 先用醫學書籍和指南訓練調優通用模型，再通過醫生日常使用中的反饋數據，讓模型具備看 “亞種” 的能力。按照以往，“很多 AI 系統安裝好后基本定型，不會自己進步。” 但 HAIP 不同——醫生在使用過程中如果對 AI 的結果不滿意，可以給出反饋，系統記錄這些反饋，積累到一定數量后自動啟動新一輪訓練，更新模型。隨著使用時間增長，交互增加，模型準確率可從最初的 80% 逐步提升到 95% 以上。

更重要的功能，體現在 HAIP 的應用上——醫生不需要寫代碼，用自然語言描述需求，平臺就能自動生成 AI 助手。

一位醫生只需要說：“幫我做一個助手，專門整理肺結節患者的隨訪記錄，到了復查時間自動提醒我。” 平臺就能自動理解這個需求，生成一個 AI 助手并部署好。整個過程只需幾分鐘，AI 助手上線周期因此縮短了 70%。

華為嘗試用標準化能力，解決醫院最累的 30% 底層工作，讓醫護從繁雜工作中脫離出來，過去需要每個科室重復建設、重復投入的基礎設施，現在被統一封裝在 HAIP 平臺里，醫院不用再做重復工作。

事實證明，效果是可被量化的。目前南方醫院的病理標注效率提升了 6 倍，算力利用率提升 30%，AI 助手從需求到上線的周期縮短 70%。

平臺化的運行效率，明顯優于過去分散部署的單點模式。當全院 AI 被納入同一套體系，數據可以打通，算力能夠共享，模型也持續迭代，臨床與科研的創新空間，也在隨之打開。

4 月 10 日，華為聯合南方醫院等頭部機構發布《醫院通用人工智能平臺技術白皮書》、共建 AI 全場景智慧醫院聯合創新實驗室。這份白皮書是國內首份系統提出醫院 “AI 操作系統” 的技術標準。最重要的是，它定義了醫療 AI 平臺的架構，要求不同廠商的 AI 接入醫院時，必須遵守統一接口標準，避免醫院數據被單一廠商綁定。

相關醫院從業者說，“白皮書提出要定一個規則。這個規則就是軟件，不同廠商 AI 可以各自開發，但你要接入醫院就要統一接口標準，實現互通共享，避免將來數據或者系統被單一廠商綁定。”

未來，基礎底座的建成，可能終結醫院被一家廠商綁定的時代。HAIP 所代表的平臺思路，核心就在于開放，而非排他。

當行業一部分公司還在追逐一個個單點場景的落地速度時，華為與南方醫院用 HAIP 走出了另一條路：做夯實長期價值的底座，建立可進化、可復用、可普惠的 AI 操作系統。

如果這條路走通，醫院未來建 AI，將從過去科室各自采購獨立設備，轉向全院統一規劃、接入和調度。醫生可以少做重復工作，基層醫院也能用上和三甲一樣的 AI。真正做到這一步，需要的不只是技術。底座把底層能力開放給全行業，對醫院而言，意味著未來不再被單一廠商鎖定。

但這套體系仍需要在更廣泛的醫療場景中接受長期驗證。可預見的是，這條路投入更大、周期更長、協調難度更高。可一旦走通，它改變的將不只是某一家醫院的某一項業務，而是整個醫療 AI 行業的建設方式。

題圖來源：《手術兩百年》