从大模型、智能体到生产级医疗AI，如何不迷路？

来源：HIT专家网 作者：龚晨

“AI跃迁，向生产级落地”，这是当下以大模型、智能体为代表的医疗AI所面临的共同拷问。如何从“PPT式创新”转化为可靠的生产力，真正释放价值，也是医疗机构与AI产业界必须共同面对的必答题。

8月28日，在深信服“2026数智创新大会”同期举办的“AI赋能医院数智新底座”研讨会上，来自医疗机构与产业界的一线实践者们展开深度研讨，探寻新一轮医疗AI走向生产力的质变临界点与落地路径。

“生产级医疗AI”的四大挑战

何为“生产级应用”？一个最简单的检验标准是：它是否已经“拆不掉”？如果现在关掉它，业务会不会立刻受到影响？如果用这个标准来评估现阶段大模型、智能体驱动的医疗AI，不难发现仍面临着临床场景适配、私域知识治理、算力环境制约、数据模型安全等一系列现实问题。

首先是临床场景适配问题。

能否适应真实临床环境、嵌入业务流程，是医疗AI转化为生产力的核心试金石。临床诊疗场景容错率低，很多医疗大模型、智能体在测试环境效果亮眼，一走进临床便“水土不服”。复旦大学附属华山医院大数据中心主任黄虹认为，这是因为目前的医疗垂类大模型、智能体Demo大多基于规整、高质量的测试数据集训练调优而成，而真实临床数据是异构、碎片化、存在大量现实噪声，且临床业务流程有着严格的制度、权限与质控约束。多重因素叠加，带来了现实的适配难题。

同时，不少AI应用停留在外挂弹窗层面，未能融入日常工作流。徐州医科大学附属医院信息处处长祖洁谈到，这种外挂模式会带来明显的“弹窗疲劳”，增加医护人员操作负担，最终造成建而不用，难以转化成实在的业务价值。

“AI只是一种工具和能力，最终要回归到业务应用。”深信服科技医疗事业部总经理袁林分析，场景选择是规划者首要考虑的问题。“如果拿着模型这个‘锤子’到处找业务‘钉子’，单纯用模型能力去硬匹配业务场景，会发现选出来的场景业务价值很低。场景融合，需要业务价值与技术能力的双向奔赴。”

其次是医院自身私域知识的治理与准备至关重要。

经过近十年信息化建设，大部分医院内部数据已实现互联，当前痛点在于数据无法被AI准确理解与应用。袁林谈到：“模型吃进去的是一锅夹生饭，出来的也不会是满汉全席。”原始病历、指南文献、科研资料大多是非结构化、格式混杂的资料，如果缺少解析、清洗、结构化的私域知识平台，即便拥有性能强大的大模型，也无法把院内沉淀的数据资源转变为AI可用的知识资产，这也是很多医疗AI“用不好”的重要内因。

第三，算力环境层面存在多重现实约束。

当前医疗机构使用的算力大多以本地部署为主、线上为辅，资源呈孤岛状，面临调度困难、建设成本高、异构算力管理复杂及国产化替代等多重瓶颈。同时，算力、模型、应用三层之间的割裂，会造成算力资源利用不充分、模型管理混乱、上层应用与底层资源无法匹配等问题，最终制约医疗AI的规模化落地。

祖洁认为，这种乱象的根源，是医院缺少统一的技术底座，没有建立清晰的数据边界与配套治理机制，导致算力、模型、应用各自孤立运行，资源价值无法充分释放。

第四、AI全生命周期的安全风险不容忽视。

医疗AI走向生产级必然要和业务系统深度耦合，且大模型固有的幻觉、输出不可控等问题在严肃医疗场景中可能引发较大风险，因此安全治理必须与AI建设同步规划、同步落地。

黄虹指出：“医疗AI最重要的是安全合规。我们必须把数据安全、隐私保护内嵌到底层架构中，落实数据分级分类、访问权限管控，确保AI调用数据全程留痕、模型输出结果可溯源。”祖洁也强调，能进入生产环境的医疗AI需兼顾“临床可信、数据可信、运行可信”，做到临床可追溯、数据可审计、运行可监管，三者缺一不可。

医疗AI向生产级落地的路径

业界已逐步形成共识：医疗AI的成败，并不单纯取决于模型参数与算力规模，本质是对工程化落地能力的全面考验，需要一套完整的支撑体系，涵盖私域知识建设、低代码Agent构建平台、系统集成、算力成本管控、模型管理、安全保护等工程模块，帮助医疗机构突破Agent构建、算力与模型管理、安全治理三个层级的现实难点。

在Agent构建层，需要沉淀高质量私域知识，降低临床参与门槛，通过多元智能体满足复杂多变的临床与科研需求。

黄虹结合华山医院的实践，总结出三类成熟的医疗AI落地模式：院企联合共建、院内轻量化二次开发、科研项目孵化转化。“但无论选择哪一条路径，都必须坚持‘临床科室深度参与’，杜绝由技术单方面推进项目。数据显示，多数AI项目停滞的核心原因，是医生很难抽出时间完成模型微调与适配工作。”

如何降低AI应用的参与门槛，充分释放临床创新力量？袁林介绍，深信服联合FastGPT发布FastGPT深信服商业版（Sangfor Agent Builder）低代码Agent构建平台。平台内置高精度知识解析与自学习引擎，帮助医院把院内病历、诊疗指南等非结构化资料清洗、转化为模型可读懂的私域业务知识；即便没有AI背景的临床人员，也可通过可视化拖拽方式，快速搭建业务智能体，充分激发院内的AI创新活力。

另一方面，为打通技术底座与垂直应用的协同链路，基于过往长期合作，在“2026数智创新大会”上，深信服联合ISV合作伙伴成立“医疗AI创新联盟”，汇聚多方力量打磨医疗场景专属智能体。这套协作模式旨在通过生态共建减少重复开发，联合交付更贴合医护使用习惯的AI应用，让临床一线的使用体验更加顺畅丝滑、无障碍。

在算力与模型底座层，需要统一调度异构资源，夯实全域生产的硬件根基。

祖洁结合本院实践认为，做好AI基础平台建设，实现混合异构算力、模型的统一管理调度，是医疗AI从“零散试点”走向“全域生产”的必备技术前提。

“一套理想的医院AI底层架构应当具备四大特征：统一入口、弹性调度、成本可控、安全可信。”袁林介绍，深信服算力调度平台承担起底座层的资源统筹工作：向下兼容多元算力来源，覆盖本地GPU服务器、第三方裸金属租赁算力、托管云以及各类公有云MaaS服务，完成异构算力优化，最大化释放算力与模型的性能；向上面向各类业务Agent输出标准化模型服务，根据不同业务场景的需求，智能调度匹配对应的算力与模型资源，化解算力、模型、应用三层割裂带来的资源浪费与效能不足问题。

在安全治理层，需借助技术防护叠加制度约束，实现Agent全生命周期可信可控。

袁林介绍，秉持“以AI保护AI”理念，深信服打造的“保护智能体应用解决方案”，其本质是一套聚焦“数字员工”（也即Agent）动态行为意图的全链路治理体系，覆盖智能体风险评估、AgentID 绑定、权限管理、内容安全、行为分析、溯源处置等全过程。这套方案依靠标准化流程与自动化检测工具，针对AI应用上线前、重保阶段、重大版本变更后开展全面风险评估，确保只有安全、合规、必要的AI应用才能进入生产环境。

在技术防护之外，完备的管理制度同样不可或缺。黄虹介绍，华山医院坚持 “先管后用”，建立起准入、测试、上线、试运行、监测、迭代等的医疗AI管理制度，清晰划定AI的应用边界、责任边界、数据边界。祖洁也强调，AI建设应当由信息部门统一归口，杜绝科室各自零散建设的现象，从组织源头规避工具泛滥、治理失序的问题。

体系化落地带来实践成效与组织变革

实际上，通过技术、业务、管理协同建设，在深信服的支持下，部分医疗机构已将前述建设思路落地为生产级的AI能力，推动医疗AI迈过发展临界点。

复旦大学附属华山医院着力夯实全院AI运行的基础土壤：一方面打造底层数据底座，完成医疗数据标准化治理与分级授权，让临床、医技科室在合规前提下方便取用数据；另一方面搭建院内AI公共平台，屏蔽底层算力、模型调用的技术门槛，依托统一的数据治理、模型基座，让临床专家不用懂复杂算法，也可以使用平台能力开展业务探索。围绕门诊、住院、医技、科研、行政多个场景，华山医院落地了一批实用型AI应用，包括病历辅助书写、影像辅助研判、科研数据智能提取、临床质控智能提醒等。

徐州医科大学附属医院将算力治理作为推动AI规模化发展的重要抓手，建设算力管理平台统管全院27P算力。“我们对算力管理平台的定位，不是单纯管理硬件，而是实现异构算力池化、统一调度，覆盖全链路的监管与计量。”据祖洁介绍，平台落地之后，医院算力利用率从40%提升至75%，并发能力提升3-5倍，整体token成本下降40%。“在守住安全与质量底线的前提下，平台帮助我们降低AI应用的重复部署成本，提升了临床与管理部门的创新效率。”

面向区域医疗协同场景，深信服协助深圳市龙岗区卫健系统构建AI共享共创平台，统筹全区算力资源分配给辖区内医院和社康机构，实现算力的灵活调配、赋能基层；同时部署安全智能体集群，对全区14个医疗AI模型开展统一安全运营，保障每一次数据传输和模型调用安全可靠。

医疗AI的生产级落地，也在驱动医院信息部门的能力转型升级。医院信息部门正在成为能力供给者与业务赋能者，未来的核心任务之一，是打造一套可复用的AI基础设施，将数据治理能力、算力能力、模型服务能力封装成平台化的公共能力，供给全院使用，支撑用户部门快速开展业务想法的验证。在这个过程中，医院信息部门也将转型成为医院数字化、AI创新的战略赋能引擎。

【医疗信息化企业资源对接意向调查】

HIT专家网坚持通过分享前瞻、实用的信息，努力搭建起医疗信息化用户和企业之间的专业交流桥梁。

如您希望对HIT专家网报道的企业产品技术方案做进一步了解，或有重要的需求反馈，请花1分钟填写问卷，我们将尽可能转达相关企业与您取得联系。

【责任编辑：陈曦 版式：蒙辉】