華為想要給中國的醫院造一個AI操作系統 - 科技行者

作者｜周雅

過去兩年，大模型最熱鬧的場景之一，其實發生在醫院。

上周我參加了一場醫療論壇，現場從多方了解到，大模型能力一路抬升，國內幾乎所有頭部三甲醫院都在布局AI，賽道之多，幾乎覆蓋了醫院運轉的每一個環節。

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

圍繞醫療AI的政策發令槍也在密集響起。2025年，國務院印發《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。國家衛健委、工信部等五部委聯合發文，專門為“人工智能+醫療衛生”劃出路線圖和紅線。廣東省走得很快，省衛健委、省工信廳等八部門聯合印發《廣東省加快發展人工智能+醫療衛生三年行動計劃》，首批289個AI應用場景案例落地見效，智能影像約片系統開始在全省公立醫療機構鋪開。

然而熱鬧背后，有一組冷數據值得注意。

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

這句話的弦外之音是，醫療資源的結構性分布不均，意味著AI要真正產生系統性價值，僅靠頭部醫院的單點創新遠遠不夠，而這，恰恰是當前醫療AI最薄弱的一環。

南方醫科大學南方醫院院長孫劍在論壇現場指出一個更嚴峻的問題：過去幾年，醫院做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，管理部門做質控和運營。但往前走到一定階段，問題就開始暴露：數據不通，算力重復買，模型之間彼此不認識，醫生有需求卻不會用AI語言表達，AI工程師懂技術卻未必懂醫學。最后，醫院里不是沒有AI，而是AI太多，卻拼不成一個真正運轉的“智慧醫院”。

我們不禁要問，AI進醫院，到底該怎么建？

三甲醫院已經做了很多AI，為什么還要做AI平臺？

如果只看既有成績，南方醫院也不缺醫療AI案例。

按照院方的現場介紹，南方醫院已經有多項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，醫院還在腦機接口、胃癌微創手術圖像數據庫、電子病歷智能生成等方向有不少探索——目前南方醫院已有10個創新應用成果入選廣東省首批“人工智能+醫療健康”應用場景案例。早在智慧醫院1.0階段，南方醫院已經完成基于總線和SOA架構的系統互聯，建起臨床、管理、科研三大數據中心；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年沉淀的歷史數據、20多個業務系統、1033萬患者、6718萬人次就診數據，且能做到T+1更新。對于任何一家想認真做醫療AI的機構來說，這都不是一個小底子。

這其實很符合國內頭部醫院近些年的路徑：誰有一批數據，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。

但南方醫院現在的判斷是，僅靠這種方式，走不到“智慧醫院”的最佳實踐。

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

第一，數據是分散的。影像一套、病理一套、病歷一套、專病數據庫一套，不同系統之間標準不一，數據質量也不一。很多醫療數據“很高質量”，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、別的科室、別的醫院協同，久而久之就變成一座座“模型孤島”。

第四，醫院真正懂AI的人并不多。醫生知道臨床痛點，但不懂AI語言；AI工程師懂模型，卻不懂醫學語境。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，本來就是一套環環相扣的流程。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，存自己的數據，訓自己的模型。數據不通，算力不共享，模型之間無法對話。一家三甲醫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，這在效率上是災難，在安全上是隱患，在經濟上是黑洞。

這不是南方醫院一家的困境。四川大學華西醫院內鏡醫工研究室主任胡兵，一位工作了接近40年臨床醫生，在2017年開始從事AI工作。他同樣指出，消化內鏡醫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，但醫生的論文撰寫卻如登山般困難。“傳統AI它是單點工具，也是一個被動響應工具，且是一個數據孤島，功能單一，無法回答我們下一步該怎么辦。”

這就是南方醫院和華為想要共同解決的問題根源。

兩支“紅色隊伍”，聯手打造“醫院的AI操作系統”

此次，華為和南方醫院正式打造——“醫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院全場景的AI操作系統”。

既然用到“操作系統”，言下之意，就是要從底層重新定義醫院使用AI的方式。

HAIP到底長什么樣？根據華為醫療衛生軍團總裁、數據存儲產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“國產化”——依托昇騰、鯤鵬等自主創新算力底座，構建100%自主創新的AIDC算力集群。論壇上，華為多次提到它的智能算力節點、存儲能力以及軟硬協同。DCS AI容器底座實現算力切分和任務智能調度，AI算力利用率提升30%以上。對醫院來說，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一起來，能切分、能調度、能錯峰使用。

其中，算力的錯峰調用，對于醫院來說是很實際的功能。南方醫科大學南方醫院副院長劉杰在論壇上說得更具體：“白天優先支撐推理——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。因為醫療AI一旦從科研走到生產，算力的使用就變成醫院級、持續性、混合型負載：門診要實時響應，住院要調閱歷史信息，科研要跑訓練，基層還可能要遠程調用。誰能把這套資源調度順，誰的“平臺化”才不是口號。

中間層是「智能中樞」，核心是數據和模型，這也是 HAIP 最像“醫院操作系統”的地方。華為和院方反復提的層面包括：AI數據湖、統一數據視圖、AI數據平臺、知識庫、記憶庫、KV Cache 加速、統一模型管理、數據飛輪等。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據，盡可能拉到統一視圖里，打通“數據孤島”。

二是通過ModelEngine人工智能工具平臺實現全類型數據智能化標注和多模態AI語料生成，把這些數據進一步變成可供AI使用的語料，而不是停留在傳統信息系統里的“存檔資料”，它會采用自動化數據標注，即把原來需要專業醫生花大量時間手工標注的數據交給機器完成初步標注，工具會通過自動化學習醫生的標注經驗，逐步提升準確率，以壓縮標注周期。張偉力有一句話很典型：“醫療行業的數據是高質量數據，但高質量不等于天然就是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迭代。HAIP重點強調的“數據飛輪”“大小飛輪聯動”，說白了就是一種邊用邊學機制：大模型通過醫學書籍、指南、專家共識等進行通識層面的調優（大飛輪）；小模型和專科智能體則通過醫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）。醫生每標注一份高質量數據，平臺就多一份能繼續喂給模型的“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，就能在平臺上創建、調整和優化自己的專屬智能體。這本質上是在把“開發權”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：醫生提需求，產品經理翻譯，工程師開發，再回到醫生驗證，往往一個回合就要很久。NL2Agent試圖縮短這個鏈條，讓醫生不只是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還強調了原生多智能體協同。這也是它區別于一堆“好用單點工具”的地方。平臺的邏輯，是讓不同智能體能協同工作，跨科室、跨流程、跨場景聯動。更進一步，它還提出多級協同：頭部醫院訓練和沉淀出來的模型、技能、經驗，可以自動化部署、升級到基層醫療機構，實現云邊協同。

值得注意的是，HAIP目前更準確的說法，仍然是一個開放生態平臺，而不是簡單意義上的“開源項目”。這次發布里，官方強調的是開放接口、統一標準、伙伴快速接入、醫療專區共享、智能體技能互通，而不是把平臺代碼本身定義為開源。這個區別很重要，因為它關系到未來生態到底如何擴展：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”。這跟手機操作系統的邏輯一模一樣：開發者只管寫App，不管手機用的是什么處理器。

當天同步發布的還有一份《醫院通用人工智能平臺技術白皮書》，華為、南方醫院聯合全國多家頭部醫院及合作伙伴共同發布。劉杰對白皮書的定位也很直白：“全國大醫院都在搞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，南方醫院與華為共同成立了AI全場景智慧醫院聯合創新實驗室(Artificial Intelligence-powered Smart Hospital Joint Innovation Lab)，同樣是為了推動創新成果向臨床快速轉化，加速AI在智慧醫院的全場景落地應用。南方醫科大學南方醫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，現在上面已經有一些車在跑，而聯合創新實驗室要干的，就是不斷把更多“車”研發出來，而且這些車不是為了展覽，而是要上路、跑起來、形成規模。它的運作方式也被說得比較實在：醫院提供學科專家、醫療教學科研人員，華為提供AI、大數據、工程化能力，雙方圍繞真實臨床問題組建復合型團隊聯合攻關；做出來的東西必須回到醫院場景里做驗證、示范、推廣。這個過程不是封閉的，院方也明確表示，歡迎其他醫院加入，共同推動智慧醫院技術往基層和社區延伸。

提及雙方合作，孫劍認為，南方醫院和華為能走到一起，除了業務互補，還有文化上的共鳴。南方醫院的前身是新四軍第三師后方醫院，1941年創立于江蘇，有60余載軍旅生涯；華為的企業文化，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，是需要極高信任和長期協同。

手術室里的AI同事

平臺說到底，還得靠應用來證明自己。

南方醫院目前已經在HAIP之上搭起了一個「南醫小智」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療AI當前最現實的三個落點：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常被低估的場景。南方醫院副院長、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，比如手術刺激產生應激反應、手術出血可能導致病人情況劇變、術后并發癥風險，這些都要求麻醉醫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，必須時時刻刻監護病人，對變化快速反應、馬上決策。第二，麻醉醫生還要考慮術后，病人有沒有并發癥等。外科醫生是治病，麻醉醫生是保命。”和內科醫生還可以請人會診、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，“所以說我們要引入AI，因為AI能夠對這些多模態數據，進行系統化整合，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，我們就建了國內第一個圍手術期數據庫，后來聯合30多家醫院成立了中國圍術期結局研究電子數據庫聯盟，獲得了真實世界1000萬的多模態數據，有了數據訓練模型，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，他們已經有了清晰的臨床需求和海量數據積累，這是很多后來者不具備的先發優勢。

劉克玄進一步指出，南方智麻目前在華為的賦能下更加優化，構建了一個覆蓋麻醉圍手術期全流程的體系：術前，系統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動態分析，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。”

另外幾項南方醫院的AI成果同樣很典型。其中一個來自南方醫院腎內科侯凡凡院士團隊，基于全國慢性腎病大數據網，已經產出了三項科研成果，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。此外在胃癌微創手術診療領域，南方醫院構建了關鍵場景及圖像數據庫，收集主流設備視頻對復雜解剖環境進行解構和標注，已建成兩萬余張圖像數據庫，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，公司開發的醫生助手Agent「睿賓」自動生成內鏡報告，讓醫生的報告書寫從8分鐘降到3分鐘，希望做到“標準的歸AI，復雜的歸醫生”。

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

當然，這類頭部專科的價值，不只是幫一家醫院提效，而是具備下放的可能。正如華為中國政企教育醫療系統部醫療健康行業總經理郭忠光強調，“HAIP落地應用推廣，是一個中長期事情，我們今天是一個開始，會持續不斷推進這件事，中國醫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，并不是所有醫院都要構建平臺，這不是千人一藥，對頭部醫療機構，它更適合于能支撐“醫教研管服”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平臺發布，還有對應的輕量化方案HAIC，既可以滿足基層醫療機構使用，也可以跟HAIP結合起來，形成云邊協同，從技術層面實現向上攀峰和向下賦能，我們希望能既攀高峰做到成果轉化，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。

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

這意味著醫療AI的落地，絕不是把模型部署進系統里就完事。它必須回答一個問題：醫生到底在什么環節信它，患者又在什么環節接受它。這不是技術參數能直接解決的，而是靠長期臨床表現、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。

醫療AI不像做一個消費級助手，很多問題必須前置解決：數據權限、隱私保護、提示詞和內容安全、模型輸出審查、責任留痕、跨院數據交換、基層調用機制。這也是為什么 HAIP 把數據沙箱、安全審核、統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」：一類是內容安全，輸入給智能體的內容要嚴格審核，防止給智能體喂一些偏離了原意圖的數據；另一類是數據安全，HAIP很重要的目的是放到基層醫院，讓每一個基層醫院用“開箱即用”的方式使用智能體，這里面涉及到數據交換，所以數據安全非常重要，華為提供了數據沙箱能力。對醫院來說，這些是平臺能否規模化的前提。

第三場，是生態仗。

北京惠每云科技創始人張奇在論壇上的一個比喻很到位。他說，現在很多醫院的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、不同的芯片、不同的接口，你開發一個應用，必須針對每款手機做適配。直到iOS、Android、鴻蒙統一了手機生態，才有了微信、抖音這樣的國民級應用。

同理，每家醫院系統不一樣、接口不一樣、底座不一樣，一個AI應用想要遷移到另一家醫院，幾乎都得重新適配一遍。“生產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，“公司發展11年來、服務了近1300家大醫院，其中800多家是三甲醫院，我接觸非常多專家，從科主任到一線醫生，普遍都有很多想法，想把自己的經驗轉化成某種形式的AI應用，但成本非常高。”

這也是 HAIP 最想拿下的一場仗：它如果只是南方醫院的一套內部平臺，意義有限；只有它真的成為更多醫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”。

錢從哪里來？

在商言商，平臺始終繞不開一個現實問題：錢從哪里來。

山東大學齊魯醫院副院長韓輝在聊到“AI進醫院的痛點”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。他在醫院同時分管醫療、信息化、資產采購和三產，后來又兼任大數據中心主任和國家醫學中心建設辦主任——幾乎是一個人串起了從臨床需求、到技術落地、再到商業閉環的全部鏈條。他圍繞“怎么解決錢”這個核心問題，講述了一套已經跑通的方法論。

第一步是頂層架構的重設。韓輝發現，醫院原有的信息中心（二十多人、工科背景）能維持基本運行，但面對大數據和AI力不從心。“專業不對口，臨床提了需求他們也接不住。”于是他推動醫院成立獨立的大數據中心，由他兼任主任，醫教研各處長任副主任，管理辦公室從醫務處剝離、直接受大數據中心管轄。這個架構的核心意圖是打通臨床與技術之間的組織壁壘，讓大數據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。醫院目前落地了十幾個大模型，但韓輝強調，這些項目不是領導指定誰去做的，而是發動全院臨床科室自己找方向。找到之后，大數據中心評估可行性，再引入企業對接。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建立了合作，讓企業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？”他以與華為聯合發布的“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，市場化之后醫院與企業進行利潤分成。“企業付出人力物力財力，最后要把錢收回來；醫院要把大模型用到老百姓身上，也要把錢收回來。雙向共贏，滾動發展。”

為了讓這條路走得更遠，醫院在2023年10月孵化了自己的企業，韓輝任董事長兼法人。這個平臺兩年間已經孵化出8家公司，模式是醫院與企業共同成立合資公司，醫院將知識產權對應的股份80%獎勵給技術團隊，讓醫生可以“創業持股，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的政策信號——國家醫保局發布《病理類醫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，醫院使用AI就可能成為產生收入的服務項目。這可能是整個AI醫療生態商業化的關鍵拐點。

張奇從企業視角補充了另一個結構性問題：醫院的IT預算分配需要轉變。過去大部分預算花在HIS、電子病歷、集成平臺等傳統信息化基建上，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，因為傳統信息化基建“已經建得非常好了”。

而當被問及同樣現實的“收益問題”時，南方醫院則給出了一條不同的思考路徑。

孫劍的邏輯是：智慧化醫院的效率提升本身就是經濟賬。“我們現在大量人工做事情，醫生很多都在做重復勞動，培養一個醫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，把醫生解放出來去研究疑難雜癥和創新療法，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現疾病征兆，用現有醫療手段提前干預。“古人提出治未病但沒做到，今人可以用人工智能做到。”

《中國醫院》雜志社社長王才有引用了一組數據來描述這個賽道的體量：根據OpenRouter本月初的最新統計，中國的Token每周調用量已連續五周全球第一，達12.96萬億，是美國的4.27倍。

可見，大數據、大算力、大場景，全都到位了。而HAIP這條高速公路，也已經把第一塊路基鋪下去了。