案例分享：从“单点应用”迈向“AI原生医院”：复旦中山医院探索医疗AI规模化落地新路径

人工智能如何真正走进医院、融入临床、服务患者？

答案不只是研发一个模型、上线一套系统，更重要的是重构医院的数据基础、能力平台、应用机制和安全治理体系，让人工智能从“外挂式工具”转变为医院高质量发展的内生动力。

在2026长三角医院联盟三省一市高质量发展交流会上，复旦大学附属中山医院党委书记顾建英教授发布长三角医院高质量发展“可复制可推广”典型案例，系统介绍了中山医院以国家人工智能应用中试基地建设为契机，探索建设AI原生医院、推动医疗人工智能从技术研发走向真实世界应用的实践。

这一案例的价值，不仅在于展示头部医院的前沿探索，更在于形成了一条可以分层实施、逐步推进、区域协同的智慧医院建设路径，为长三角不同类型、不同层级医疗机构提供了可借鉴的样本。

从“做几个应用”转向“建设一套基础设施”

当前，不少医院已在影像辅助诊断、病历生成、智能导诊、合理用药等场景中开展人工智能探索，但也普遍面临数据分散、系统割裂、模型重复建设、应用难以持续迭代等问题。

中山医院的探索首先改变了建设逻辑：不再从一个个孤立的应用出发，而是以“AI原生医院”为目标，建设贯穿临床、科研和创新转化全流程的智能平台基础设施。

围绕这一目标，中山医院重点构建数据伴随式生产、多智能体协作、人机协同、自主迭代和自主探索等能力，并在统一底座上布局医学技能沉淀、智能体孵化、模型优化、动态评测和科研赋能。

简单来说，就是把医院已有的数据、知识、专家经验和诊疗流程，转化为能够被人工智能理解、调用和持续优化的标准化能力。

这种建设方式避免了不同科室“各建一套”、不同系统“各自为战”，为人工智能在医院内部规模化应用打下基础。

夯实算力底座，推动医疗人工智能自主可控

医疗大模型训练、微调和推理，对算力资源提出了较高要求。针对算力资源分散、异构芯片管理困难、使用效率不高等问题，中山医院建立统一算力调度平台，对不同类型算力资源进行统一纳管、统一编排和统一调度。

通过自建算力资源与上海市可协调算力协同，医院形成弹性扩展的算力供给体系，可根据临床、科研和模型训练任务的不同需求进行资源分配。

与此同时，医院联合相关单位开展国产芯片适配和国产算子研发，推动医疗大模型在国产算力环境中的训练和运行，探索实现“国模用国芯”。

这一实践对长三角医院具有重要启示：医院建设人工智能能力，不一定都要追求大规模自建算力，而应建立“统一管理、弹性调用、区域协同”的算力使用机制。

大型医院可以建设自主算力和模型训练能力；区域医院可以依托城市级、区域级算力平台；基层医院则可以通过联盟平台调用成熟模型和应用服务。通过分层建设，可以减少重复投入，提高资源利用效率。

建立S0—S3语料分级体系，让医疗数据真正产生价值

高质量医疗数据是人工智能应用的核心基础，但医院原始数据通常