核心判断：未来AI医疗竞争的核心，不只是谁的模型更强，而是谁能把算力、数据、模型、应用四层能力"长在"医院自己院内，构建自主可控、可持续演进的智能底座。
九月的第三个星期，我连续看到三条来自国内三甲医院的新闻：厦门大学附属第一医院落地上线全国首个通专一体医疗大模型"壹问"，珠江医院上线国产化AI原生多元异构智算平台，华为在全联接大会上把南方医院树为智慧医疗全球样板点。
把这三条消息放在一起读，我发现它们指向同一件事：医疗AI的基础设施正在从"云端调用"转向"院内自持"。
医院不再满足于订阅一个SaaS化的AI能力，而是开始自建算力底座、自持数据闭环、自养专科模型。这看起来只是IT采购方式的变化，实际上是一场关于"智能主权"的结构性迁移——这不是医院多了几套AI工具，而是医院正在把自己变成AI的生产者，而不只是消费者。
9月22日，"自主算力与医疗专属AI模型学术研讨会"在厦门大学附属第一医院举行，三项成果接连落地：全国首个通专一体医疗大模型"壹问"正式部署到三甲医院临床；厦大附一与国产算力厂商海光信息签订战略合作；数智医疗临床转化研发中心、医疗人工智能与应用创新中心两大联合实验室揭牌。
"壹问"不是在通用大模型上简单套壳，而是生长在中科院自动化所自研的紫东太初多模态大模型之上，采用"通用医学基座＋专科轻量化子模型矩阵＋循证校验层"的通专一体架构：一个"通用大脑"（全科主任）负责理解需求、调度任务，一群"专科专家"（影像模型、病理模型）负责并行计算，最后由通才层整合信息给出综合判断。训练底座基于厦大附一海量脱敏临床病历、权威诊疗指南与核心文献，全程数据院内闭环，不对外流转。
工程细节同样值得关注：临床病历超长、须拼接多份历史报告，海光与厦大附一、厦门大学医学院算法团队联合攻关，将长病历处理吞吐量提升30%以上。所有模型本地化部署，医疗原始数据与模型推理全程不离开医院内网——病历不出院、数据不外流、答案可溯源，这三条铁律决定了三甲医院的智能必须长在"自己家"。
9月11日，南方医科大学珠江医院正式上线国产化AI原生多元异构智算平台，联合华为（鲲鹏＋昇腾全栈国产硬件）与金山云（AIOS统一调度软件）构建"国产化硬件底座＋AI原生多元异构智算工程平台"。首批AI智能体已应用于病历辅助生成、影像辅助诊断和病理辅助诊断。
这个平台解决的是医院AI落地的三个真实痛点：算力供给不足（通用算力与AI算力融合部署）、算力争抢（日间优先保障门诊临床业务，夜间自动将闲置资源调度给大模型训练和科研计算）、系统分散建设（一套底座支撑全院所有AI应用，显存支持MB级精细分配）。在门诊，医患对话语音被实时采集并自动转录为结构化病历；在出院环节，大模型辅助撰写诊疗经过与用药指导。
9月18日，华为全联接大会2026医疗峰会在上海举行，正式面向全球发布南方医科大学南方医院智慧医疗全球样板点，并发布医疗人工智能助手（HAIC）联合解决方案。样板点依托医院通用人工智能平台（HAIP）统筹算力、数据与模型资源，搭建"南医小智"智能体中心，围绕"医、教、研、管"四大核心领域构建全方位AI应用体系；HAIC方案已联合润达医疗、惠每科技等多家生态伙伴，在国内多家三甲医院及区域医疗网络规模落地。
值得注意的是发布措辞——"为全球医疗机构提供可借鉴、可复制的数智化转型路径"。医院的角色正在从AI使用方升级为方案的共同输出方。
9月7日中新网报道，吉林大学第一医院信息中心自主研发的Medsuper Harness多智能体协同工作平台7月底在医院内网部署上线。一组数据足以说明量级：完成3.5万张业务表的数据治理，传统方式预计需要约1152人的一个月工作量，借助智能体压缩至约12人的一个月——人力投入减少95%以上，整体处理效率提升30倍以上。
该平台可让AI承接完整业务工作：理解需求、调用工具、执行任务。在数据治理中，智能体自主完成需求理解、表字段识别、数据抽取、清洗转换和质量校验；在软件研发领域，平台设置产品经理、架构设计、开发、测试、运维等角色智能体，常规应用开发周期平均缩短50%以上。临床场景也在探索：智能体已用于患者分组、麻醉评估和术中提醒——结合病史、检验检查及监护数据按规则提示风险，但最终判断仍由医护人员完成。平台部署在医院内网，通过身份认证、权限控制、数据脱敏和操作审计管理数据。
同期海外信号构成了耐人寻味的对照。9月17日，FDA发布最终裁定，拒绝了放射学CADT（计算机辅助检测/诊断/分诊）软件部分豁免510(k)上市前申报的请愿——即便AI监管框架在创新通道上不断松绑，证据门槛本身并没有降低。9月13日发表于《Nature Medicine》的I3LUNG多中心研究（2396例晚期非小细胞肺癌免疫治疗患者）显示，医生借助可解释的临床-血液模型辅助工具后，疾病控制预测准确率从57%提升至65%——但论文同时报告：临床医生也会接受AI给出的错误建议（自动化偏倚），且模型在外部验证中表现减弱。
再加上9月1日OpenAI宣布ChatGPT for Healthcare通过Epic EHR集成提供授权患者上下文（云端厂商自上而下进入临床工作流），一张"路线之争"的地图清晰起来：海外走的是云端巨头主导、模型能力下沉的路线；国内九月的这一批信号，走的是医院主导、算力数据模型全栈自持的路线。
补充信号：加拿大隐私专员办公室9月10日发布第三方供应商评估指引（PIPEDA问责义务），要求组织审查匿名化声明、数据流向与合同终止后的数据处理——全球监管正在同步收紧"数据交给谁"这个问题，而答案越来越倾向于"不交出去"。
过去：医院采购云端AI服务，数据出院、模型托管、能力订阅。
现在：医院自建算力底座，数据不出院、模型本地化、能力自持。
过去vs现在的公式：云端AI订阅 = 模型能力 ÷ 数据风险；院内自持智能 = （模型能力 × 院内数据）× 自主权。
为什么会出现这个转变？四个原因：
• 技术原因：国产算力成熟到可以支撑医疗级大模型的训练与推理。海光CPU-DCU协同架构解决了"通才调度"与"专才并行"互相等待的混合负载问题；昇腾集群支撑多模态医学数据处理；AIOS类平台让显存可以MB级精细分配。算力从"瓶颈"变成了"可规划资源"。
• 数据原因：医疗数据的确权、脱敏、闭环技术成熟，让"数据不出院"从口号变成工程现实。吉大一院用智能体把3.5万张业务表治理成本降到1/30，说明数据治理本身已经被AI自动化——数据闭环的运维成本第一次低于数据出院的风险成本。
• 产品原因：通专一体架构让"一个大模型包打天下"的幻想退场，"通用基座＋专科轻量子模型"既降低了训练与更新成本，也让每个科室可以参与自己模型的共建——产品形态从"买一个AI"变成"养一群AI"。
• 组织原因：医工交叉"两张皮"问题开始有制度化解法。厦大附一把医院、算力厂商、大模型国家队焊进同一个联合实验室，四大研究方向环环相扣；珠江医院以临床真实业务驱动平台架构设计。组织创新正在追上技术创新。
医疗数据体系正在经历一次方向反转。过去的数据协作是把数据送到算力和模型那里；现在的共识是把算力和模型请进数据家里。三条铁律——病历不出院、数据不外流、答案可溯源——构成了院内智能的宪法。真正的看点是数据闭环的"活性"：门诊语音实时转写为结构化病历、出院文书大模型辅助撰写、影像结构化信息自动提取，这些过程本身就在持续生产高质量训练语料。数据不再是训练前的一次性资产，而是临床运行中的持续产出。
注意最后一列的共同点：所有收益都指向"降低医疗工作负担"而不是"替代临床判断"。术中提醒的规则是"提示风险，最终判断仍由医护人员完成"——这恰恰是I3LUNG研究里"医生会接受错误建议"这一自动化偏倚警示的正确解法：把AI放在提示位，把人留在决策位。
这个月的案例给出了一个完整的反馈飞轮：
AI辅助 → 医生判断 → 临床反馈 → 本地微调 → 持续优化
关键在于"本地微调"这一环第一次真正闭合了。珠江医院的错峰调度让夜间闲置算力自动转为训练算力——白天临床产生的反馈，晚上就能变成模型的更新。厦大附一的联合实验室则从制度上保证了这个飞轮有人维护：医院出数据和场景，厂商出算力和工程，模型方出基座，临床联调是四大研究方向之一。反馈回路的最短路径，就是把回路上的所有角色放进同一个内网、同一个实验室。
• 门诊：医患对话实时转写结构化病历，医生无需分心书写；
• 出院环节：诊疗经过、出院医嘱、用药指导由大模型辅助撰写；
• 影像/病理：异常病灶自动识别定位，结构化征象先行，医生复核结论；
• 后台：数据治理、接口开发、测试运维由角色化智能体承接，IT部门从"接需求的排队方"变成"智能体的调度方"。
判断一个AI产品是否真正融合进了医疗工作流，标准不是医生是否"多了一个工具"，而是医生的某项负担是否消失了。这个月的案例里，消失的负担包括：写病历的时间、治理数据的1152人月、排队等开发的数周。
医疗AI的形态正在从"云服务订阅"变成"院内基础设施"。这意味着医院信息化部门的角色将被重写——从HIS系统的维护者，变成智能体平台的运营者。吉大一院信息中心自研多智能体平台这件事本身就是一个信号：最先完成这一角色转型的医院IT团队，将成为全院AI能力的实际控制点。 同时，I3LUNG的自动化偏倚数据提醒我们：院内自持解决的是数据与算力的主权问题，不自动解决人机协作的认知问题——提示位与决策位的边界设计，必须成为产品的一等公民。
算力厂商正在完成一次身份跃迁：从卖芯片，到深嵌临床流程的"医工共创者"。海光的做法值得全行业研究——不只提供硬件，而是深度嵌入模型预训练、专科微调、性能优化、院内部署、临床联调的全研发周期，甚至针对"长病历拼接"这类具体临床痛点做工程调优。下一步的产业机会在复制：以三甲医院为试验田跑通方案，再向省内三甲、县域医院推广整套"国产算力＋医疗智能体"方案——单个医院的样板点，最终会变成整个区域的智能底座输出。
这一波"院内自持"浪潮里，最稀缺的不是算法人才，而是能把临床需求翻译成工程语言、把模型能力约束成临床边界的人。"两张皮"问题的本质是缺翻译者：技术团队不熟悉临床流程，临床团队难以用算法语言表达需求。医学背景的人如果同时理解数据治理逻辑、模型能力边界和临床决策路径，就能站上联合实验室里那个"共写一行代码"的位置。医院的角色从AI使用方升级为方案输出方，医学人也可以从AI旁观者升级为共建者——这两次升级，是同一次升级。
把九月这一批信号放进时间轴，医疗AI基础设施的演进路径已经清晰：
我们正站在第三阶段的开端。未来AI医疗竞争的核心，不只是谁的模型更强，而是谁能构建"算力-数据-模型-应用"四层全栈自主、且具备持续演进能力的院内智能底座。
对医学人而言，这个阶段的门槛恰恰友好：它需要的不是更深的算法功力，而是更深的临床理解——因为底座之上每一个专科模型的共建、每一条反馈回路的调优、每一处人机边界的划定，都需要一个既懂病历又懂模型的连接者。
医疗AI的下半场，比的不是谁借来的智能更强，而是谁自己长出的智能更深。
1. IT时报/新浪看点：《全国首个通专一体医疗大模型落地背后 海光给出算力新解法》（2026-09-23）——厦大附一"壹问"大模型、紫东太初基座、海光CPU-DCU架构、联合实验室、长病历吞吐+30%。链接：https://t.cj.sina.com.cn/articles/view/1891330474/70bb69aa00102990q
2. 中国科学报/科学网：《珠江医院正式上线国产化AI原生多元异构智算平台》（2026-09-11）——华为鲲鹏昇腾+金山云AIOS、日诊夜训错峰调度、首批病历/影像/病理智能体。链接：https://news.sciencenet.cn/htmlnews/2026/9/571300.shtm
3. 华为全联接大会2026医疗峰会（2026-09-18）——南方医院智慧医疗全球样板点、HAIP平台、"南医小智"智能体中心、HAIC联合解决方案。链接：https://weibo.com/ttarticle/p/show?id=2309405344610766684206
4. 中国新闻网：《智能体协同作业 AI重塑医院数字后台》（2026-09-07）——吉大一院Medsuper Harness平台、3.5万张业务表治理人力-95%/效率+30倍、研发周期-50%。链接：https://www.toutiao.com/article/7682746978622587444/
5. Complete AI Training《September 2026 healthcare AI briefing》（2026-09，数据截至9/21）——FDA 9/17拒绝放射CAD 510(k)部分豁免、I3LUNG研究（Nature Medicine 9/13，2396例，57%→65%及自动化偏倚）、加拿大OPC第三方供应商评估指引（9/10）、OpenAI×Epic集成（9/1）。链接：https://completeaitraining.com/news/september-2026-healthcare-ai-briefing-separates-evidence
免责声明：
智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
本平台所发布信息的内容和准确性由提供消息的原单位或组织独立承担完全责任!
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
