醫療AI喊了很多年，但很長一段時間里，都像是一種“發布會技術”。

在PPT上，AI已經可以輔助診斷、提升效率、緩解醫生短缺；在實驗室里，AI模型可以在某個單病種、某個數據集上跑出不錯的指標。可一旦落地到醫院的科室，問題就變復雜了：系統能不能接上？醫生愿不愿意用？數據能不能安全流轉？成本基層醫院能不能承受？模型換一家醫院會不會失靈？

6月5日的華為云INSPIRE創想者大會上，華為云正式上線了“行業AI夢工廠”，20多家醫院入駐“智慧醫療專區”，為上面的問題給出了確切答案。

作為“行業AI夢工廠”首個落地的垂直行業專區，瑞金醫院、邯鄲市中心醫院、武安市人民醫院、瑞安市人民醫院、延安大學附屬醫院在內的首批20多家醫院正式入駐智慧醫療專區，頭部三甲醫院的智慧病理服務，正加速向地市級、縣域和基層醫院擴散。

醫療AI不再是懸在空中的“神話”，真正走進了醫院的病理科、醫生的工作站和患者的病歷本。

01 醫療AI的“落地難”，到底難在哪里？

在前幾輪AI熱潮中，醫療就曾被寄予厚望。

從醫學影像識別，到智能問診；從輔助閱片，到病歷生成；從院內導診，到健康管理……幾乎每個環節都能看到AI的影子，最終卻大多停留在了PPT上，單點案例能跑，規模化落地很難。

以病理場景為例，既是臨床診療的“金標準”，也是醫療AI最難啃的硬骨頭之一，至少存在三大“癥結”。

一是病理醫生的供需剪刀差，且資源極度分布不均。

國內有3.8萬家醫院，僅有5000家醫院設立了病理科，全國病理醫生總數不足2萬，整體缺口超過14萬人。再加上優質資源高度集中于少數三甲醫院，大部分縣域醫院嚴重缺乏獨立病理診斷能力。在基層能力薄弱的現狀下，漏診誤診風險居高不下，不少醫院只能把切片或標本送到上級醫院，患者和家屬常常為了會診跨區域奔波。

二是醫院的IT系統錯綜復雜，數據生態呈現碎片化。

AI落地的前提是數字化，倘若切片還停留在玻璃板和顯微鏡階段，AI就成了無源之水。目前許多醫院的本地PIS（病理信息管理系統），根本不支持龐大的數字切片管理，各個系統間壁壘森嚴。且不同醫院在制片、染色、掃描等環節存在顯著差異，數據異質性極高，在實驗室里表現優異的AI大模型一旦跨院部署，常常遭遇“水土不服”。

三是高昂的數智化轉型成本，讓不少醫院望而卻步。

在傳統模式下，智慧病理屬于典型的重資產投資：一張數字病理切片的存儲空間可能達到2GB，一個手術病人如果有10到15張切片，就可能產生20GB級別的數據量。相對應的是昂貴的存儲成本、翻倍的帶寬成本，以及算力、模型的采購，對AI人才的剛需，注定了只有頭部三甲醫院才有能力投入資金、團隊探索，縣域醫院被擋在了門外。

醫療的智慧化卻是不可逆的時代趨勢，也是AI真正普惠最能發揮價值的領域之一。

2025年8月出臺的《關于深入實施"人工智能+"行動的意見》，明確提出"探索推廣人人可享的高水平居民健康助手，有序推動人工智能在輔助診療、健康管理、醫保服務等場景的應用"，并從提升模型基礎能力、強化智能算力統籌等方面為AI與醫療等領域的深度融合提供基礎支撐。

2025年10月發布的《關于促進和規范“人工智能+醫療衛生”應用發展的實施意見》，特別提到“建立基層醫生智能輔助診療應用”“提升基層全科輔助診斷、疾病鑒別診斷等服務能力”“推廣醫學影像智能診斷服務”等措施。

國家醫保局在2025年12月印發的《病理類醫療服務價格項目立項指南（試行）》中，明確要求醫療機構上傳數字化圖像至云平臺。若未提供，每切片減收5元（單次最高減15元）；未上傳病理診斷報告減收5元。

政策紅利的不斷釋放，說明當前市場缺少的早已不是技術概念和想象力，而是一套能夠真正融進科室流程、醫療合規、極低成本且能大規模復制的落地機制。

02 做厚“黑土地”，造一座“行業AI夢工廠”

堅持用AI解行業難題的華為云，給出了新的破題思路。

面對AI落地的重重阻力，華為云拋棄了“賣單點應用”的普遍打法，選擇聯合開發者一同在“硅基黑土地”上打造“行業AI夢工廠”。其中在智慧醫療專區，華為云深度融合頂級醫療機構的臨床實踐經驗，構建了涵蓋“場景-模型-平臺-社區”的端到端醫療AI支撐體系。

同樣是病理場景，在“行業AI夢工廠”的驅動下，頭部醫院的前沿能力，變成了基層醫院“用得上、用得起”的普惠工具。

第一步，死磕“臨床級”硬能力，解決模型敢不敢用的問題。

時間回到2025年2月，華為聯合瑞金醫院正式發布了國內首個臨床級病理大模型——RuiPath。

和只能判斷“有無癌”的小模型不同，RuiPath覆蓋了90%的中國常見癌種和90%的下游診斷任務，通過“數據飛輪”在真實業務中持續迭代，實戰準確率超過90%，可輔助病理醫生日常90%的病理診斷工作。

按照瑞金醫院病理科醫生的說法，RuiPath能夠圍繞臨床報告生成相關任務進行整合，包括神經侵犯、脈管侵犯、淋巴結轉移等，并能一鍵發送格式化的病理診斷報告。不只是一個準確率90%以上的大模型，而是一個能標注重點、輔助判斷、生成報告、嵌入流程的生產力工具。

第二步，打破“跨院不適用”的魔咒，賦予醫院模型定制權。

由于染色、制片上的差異，一家醫院里被驗證的模型能力，到了另一個醫院可能一言難盡。

華為云的答案是將模型增訓能力“下放”給每一家醫院：通過智慧醫療專區的醫療AI使能平臺，只需不到傳統訓練10%的本院特征數據，即可訓練專屬模型，極大降低醫生標注工作量，并通過數據飛輪持續迭代、讓模型在本院越用越準，徹底解決跨院不適用的問題。

從過去的“只推理、不訓練”，到“訓練—推理—增訓”閉環，改寫的不僅是病理模型的適用性，重新定義了醫療AI的落地范式，讓每家醫院都實現“用自己的數據訓練自己的AI”。

第三步，重構算力與部署架構，補齊“基層用不起”的短板。

假如落地AI必須自建機房、招算法工程師、長期做系統運維，所謂的“智能”只屬于少數大醫院。

華為云的回答是“端云協同”，存儲、算力、模型和安全體系都可以基于云上構建，基層醫院僅需購買一臺切片掃描儀，直接利舊現有的消費級PC進行讀片。在日常工作中，醫生將少量疑似圖像特征上傳至云端大模型進行分析，對網絡帶寬的要求也大幅降低了85%。

簡單算一筆經濟賬：“少樣本訓練、消費級PC推理”能力，意味著基層醫院的首年投入只有傳統方案的10%，五年整體擁有成本下降達40%，進一步降低了智慧病理的落地門檻。

正如“行業AI夢工廠”的題中之意，醫療AI的普惠，不是讓所有醫院都變成掌握算力、數據、專業人才的AI公司，哪怕是縣域的基層醫院，也要有能力擁抱AI、使用AI。

03 從三甲到縣域基層：AI改變了什么？

驗證一個新范式的最好方式，就是一個個真實的案例。

當成本、模型能力與適用性的枷鎖被打破，AI的普及速度呈現出了驚人的爆發力。在華為云“行業AI夢工廠”·智慧醫療專區，智慧病理服務正在像同心圓一樣擴散，迅速從頂尖三甲醫院下沉至地市級的醫療中心，不斷扎根于縣域醫療機構的毛細血管中。

直接的例子就是邯鄲市中心醫院區域數智病理醫聯體。

作為當地的區域醫療中心，邯鄲市中心醫院病理科每天的切片量高達六七百張。在純人工顯微鏡時代，病理醫生對一個復雜病例的精細觀察往往耗時數十分鐘，長年處于超負荷的用眼狀態。

和很多區域醫療中心一樣，邯鄲及周邊地區病理醫生缺口很大，基層醫院的病理能力薄弱，患者被迫來回奔波。

在國家政策推動下，邯鄲市中心醫院積極推進數字病理升級改造，將傳統顯微鏡模式逐步切換到數字掃描模式。2026年2月華為云"行業AI夢工廠"智慧醫療專區發布后，邯鄲市中心醫院作為首批醫院入駐，僅用數月時間，病理科的日常工作流程便實現了重塑——AI輔助診斷結果次日自動呈現在報告系統中，徹底改變了傳統閱片模式。

邯鄲市中心醫院將數字切片收集起來，在RuiPath病理大模型的基礎上進行增量訓練，逐步形成了一個正向循環：模型基于本地數據進行適配，醫生在使用過程中發現問題，問題和新數據不斷回流模型，模型根據數據持續修正，越來越貼合本地臨床場景。

據邯鄲市中心醫院病理科主任田云宵介紹，因為制片、染色、掃描等差異，某類診斷一開始的準確率只有63%。在增強訓練中，每輪訓練使用幾十張切片，經過多輪迭代后，準確率就提升到了90%以上。

比數字變化更明顯的，是病理醫生的工作方式。

當日切片經數字掃描儀生成高精度數字圖像后，在夜間批量執行AI任務，有無腫瘤、組織亞型、惡性分級等信息被AI逐一標記，單張切片的診斷時間從過去的數分鐘壓縮到了秒級。

病理科醫生次日到崗后，AI的診斷結果已經自動推送到PIS系統，只需在屏幕上對AI標注區域和判斷結論進行復核確認。如果發現AI診斷出現偏差或錯誤，直接進行修正、標準并回流訓練。

見證了AI帶來的生產力，邯鄲市中心醫院將智慧病理方案進一步“下沉”到了武安市人民醫院、涉縣人民醫院、涉縣中醫院、大名縣人民醫院等縣域機構，基層醫院完成數字切片掃描與端云協同，即可調用中心醫院的區域病理模型和AI輔助診斷能力，快速完成初篩、會診和報告回傳，讓常見病癥的初診符合率迅速拉升到了90%以上。

像邯鄲市中心醫院這樣的案例還有很多，“行業AI夢工廠”跑通的，不只是一個病理模型，而是一條從三甲醫院到基層醫院的能力下沉鏈路，讓AI的價值落實到了每一個醫生的工作臺、每一個普通人的病歷本上。

04 寫在最后

首批20多家醫院的入駐，注定只是一個起點，將加速擴散到越來越多的醫院、越來越多的科室。

當AI像水煤電一樣驅動社會運轉的齒輪，當Token成為千行百業的生產資料，智慧醫療專區只是華為云“行業AI夢工廠”拉開帷幕的第一站，有了一套能進流程、能控成本、能持續迭代、能規模復制的“操作系統”，千行百業的AI進程，正大步邁向“工廠化落地”的新紀元。