医疗AI落地怎么破？昇腾与润达医疗提出“安全演进”路径

为落实国务院《关于深入实施“人工智能+”行动的意见》，2025年10月20日，多个部门联合发布了推动并规范“人工智能+医疗卫生”应用发展的相关实施意见。文件提出，到2027年，要建设一批卫生健康行业高质量数据集和安全数据空间，打造一批面向临床专病专科的垂直大模型与智能体应用……

在政策持续推动下，医疗AI正由试点验证阶段进入规模化应用的关键窗口期。但与此同时，一边是政策利好与老龄化趋势带来的庞大需求，另一边，医疗AI在真正走入临床时，却面临难以突破的“三重信任上限”——数据安全底线、幻觉风险，以及知识更新滞后的难题。

这不只是技术层面的挑战，更指向一个核心命题：医疗行业到底真正需要怎样的AI？

在近期举行的华为中国合作伙伴大会上，润达医疗高级副总裁、智慧医疗事业部CTO张楠给出的判断是：在医院安全边界之内，构建一个能够持续自我演进的安全医疗智能中枢。而支撑这一设想的，正是润达医疗与昇腾共同打造的“三位一体”技术体系以及静默进化机制。这背后，或许正藏着医疗AI从“辅助型工具”迈向“原生型基础设施”的关键答案。

医疗AI为何

始终难破“信任上限”？

过去两年，通用大模型在众多行业快速渗透，但在核心医疗场景中的推进却相对缓慢。医疗AI落地受阻，并不单纯是因为技术不够成熟，而是三类刚性约束共同构成了信任难题。

第一重上限来自数据安全底线。医疗数据属于国家高度敏感的核心资产，“数据不出域、可用不可见”是不能突破的基本原则。这也意味着，在核心诊疗场景中，公有云大模型天然存在限制，私有化部署或私有云因此成为现实逻辑起点。

第二重上限是幻觉问题。通用大模型本质上依靠概率预测来生成内容，因此其输出天然存在不确定性。在工业等场景中，1%的幻觉率也许尚可接受；但在临床决策里，这可能对应着严重的医疗风险。这种“黑盒式”不可解释特征，与医疗行业对确定性和可追溯性的根本要求明显冲突，也直接触碰AI从“辅助角色”走向“核心角色”的伦理边界。

第三重上限则是知识老化困境。传统私有化部署虽然解决了数据安全问题，却也容易让模型陷入“封闭运行”。如果模型缺乏持续迭代能力，就会在快速变化的医疗环境中逐步落后，难以贴近临床真实需求，从而形成“安全却不高效”的矛盾局面。

这三重上限最终都指向同一个关键问题：在确保数据不出域的前提下，怎样同时满足合规、安全、低幻觉以及持续演进的要求？这已成为整个行业必须正面解决的共性课题。

技术破局：借助原生智算

疏通医疗AI落地卡点

在这一背景之下，润达医疗与昇腾的合作给出了一种值得重视的解法。其关键并不在于单点模型能力提升，而是以原生智算为基础，搭建起从算力底座到应用闭环的系统工程，针对上述难题进行全面拆解。

首先，底层是由昇腾Atlas系列产品构建的算力底座。选择这种私有化承载方式，不只是出于自主创新的战略需求，更因为它提供的硬件方案——例如Atlas 300I A2推理卡，配备64G大显存——能够更好满足医院内部部署的合规要求。基于Atlas 300I A2推理卡构建的训推一体服务器，将AI算力与通用算力整合在一起，为“数据不出域”建立起一层物理隔离屏障。

其次，中间层是“灰盒可信模型”，这也是整个架构中最关键的创新点。传统神经网络往往是“黑盒”系统，缺乏可解释性。润达医疗的做法，是在神经网络之上叠加符号计算层，把《临床诊疗指南》和专家共识转化为逻辑规则网络。神经网络负责处理非结构化文本与影像特征，但输出结果必须经过符号模块的严格逻辑校验和事实核查。这相当于为AI配置了一位严密把关的“AI上级医生”，保证每一次输出都符合医学规律与临床规范，从而形成可追踪、可解释的决策链条，这正是破解“幻觉”问题的关键所在。

最后，上层是“静默进化机制”。私有化模型如何避免“封闭生长”？润达医疗在临床使用过程中采集医生反馈，完成隐式数据标注，无需增加额外人工成本；随后依托昇腾算力，在院内完成安全的增量学习，确保数据全程不外泄。同时，通过Bad Case拦截机制进行质量把控，并结合A/B测试实施灰度发布，最终实现医生几乎无感知的静默升级。这样一来，模型便能在院内安全环境中实现“越用越聪明”。

这套“三位一体”架构的独特之处在于：它并不是简单把模型部署进医院，而是围绕医疗场景对合规性、准确性和持续迭代的真实需求，进行了有针对性的整体化设计。

从“AI辅助”

走向“AI原生”的临床验证

技术究竟有没有价值，最终仍要回到临床场景中检验。润达医疗的实践说明，当AI把信任难题解决之后，它正从“提升效率的工具”进一步升级为“医疗系统的新型基础设施”。

在部分重点医院中，生成式病历系统已经实现规模化应用。结合语音采集预问诊信息，系统让医生从繁重的“手写病历”转向更高效的“审核病历”。最快可在1秒内生成病历，医生采纳率超过88%-90%，使医生能够把更多精力投入诊断和治疗本身。在急救场景中，还实现了“上车即建档”，为抢救争取了宝贵时间。

在山东某医院的急性胸痛大模型应用中，系统需要融合病历、心电时间序列数据、影像等多模态信息进行处理。依托5000例高质量数据集训练后，风险决策融合智能体的推理准确率达到90.4%，明显优于多个开源通用大模型。这一成果已经开始在多家医院复制推广，让硅基智能跨越地域限制，进一步赋能基层医疗机构。

更值得一提的是，润达医疗的AI一体机产品矩阵，已经贯通诊前、诊中、诊后的全流程场景。从智能急救，到门诊病历生成；从住院病历质控，到智能编码；再到检验报告解读和患者健康管理，已经形成了一套可复制、可推广的医疗智算整体方案。

从AI辅助到AI原生，

医疗智算已成必答课题

这些真实场景中的验证，正在推动更深层次的范式变化。过去，医疗AI更多被看作医生的“辅助工具”，主要解决效率问题。而当AI能够同时满足数据安全、临床精准和持续演进三大需求后，它便开始具备进入更核心诊疗决策环节的能力。

正如张楠在发言中所说：“医疗AI的终局绝不只是打造一个‘好用的工具’，而是要完成从‘AI辅助’到‘AI原生’的根本性范式转变。”未来的医疗体系，将天然由AI内核驱动运行，而人类医生则将在更高层级的决策过程中与AI协同配合。

在这一进程中，智算已不是可选项，而是必须回答的问题。技术创新必须围绕临床刚需展开，而安全则是医疗AI实现规模化应用的前提。依托昇腾提供的安全算力，润达医疗给出了一条“算力底座+垂直创新+临床闭环”的可行路径。只有当AI真正回应医疗场景中的信任要求，它才能从“技术可行”真正走向“临床必需”。