2026年4月北京天坛医院发布了一款名为“小君医生2.0”的颅脑CT智能体。医生只需将影像输入系统大约1分钟后一份覆盖94种疾病、11个解剖部位、1232个诊断术语的报告初稿便自动生成——放射科医生从“写报告的人”变成了“审报告的人”只需花两三分钟审核修改即可。在数千公里外的博鳌乐城一家名为“超级AI医院”的机构刚刚落地以“千病智能体”和“千院智能体”为核心系统全天候扫描全球最新上市的特许药械信息主动为疑难杂症患者匹配临床试验和新药方案。更早一些广州艾力彼医院管理研究中心的一项全国性调研给出了一个乍看令人振奋的数字全国超过94%的医院已在使用医疗或管理类人工智能产品。但同一份调研报告的另一组数据揭示了硬币的另一面医院AI应用普遍呈现“广而浅”的特征——引入容易深度用起来却难。AI的终极价值不是替代医生而是让医生回归共情、沟通与复杂决策的本质。那么问题来了近百亿的医院AI投入为何仍未能实现这个目标答案藏在通往规模化落地的“最后一公里”上——那里矗立着三座大山。一、技术已达奇点从“看见病灶”到“看懂影像”的跨越先看一个不该被忽视的事实医疗AI的技术能力正在以比预期更快的速度逼近实用化的奇点。颅脑CT超级智能体的发布之所以备受瞩目不仅仅因为它覆盖了94种疾病更因为它代表了一种范式转变——医学影像AI从过去那种“单病种、单算法”的碎片化模式升级为“一次输入、全疾病感知”的通用诊断基础设施。与之类似的还有北京同仁医院合作的致盲性眼病与重大慢病筛诊智能体、北京安贞医院合作的心血管疾病超声诊断及决策智能体、北京儿童医院合作的AI儿科医生等一批专家级专病智能体。在技术供给端医疗AI的成熟度已经走出实验室。从技术参数到临床场景从影像判读到辅助决策大模型在多模态理解、推理能力和可解释性方面的进步让此前十年AI医疗“雷声大雨点小”的尴尬正在被打破。但问题是为什么94%的医院用上了AI患者体验却几乎没有质的跃升二、数据孤岛被锁住的黄金资源第一个拦路虎是数据。高质量、标注规范的医学数据是AI模型训练与迭代的基石。但当前医疗数据“孤岛”现象突出跨机构、跨区域的数据互联互通面临权属界定模糊、隐私安全合规要求趋严等多重制约。居民的诊疗数据分散在医疗机构、药店、体检机构、公共卫生系统等不同主体当中无法有效贯通形成动态多维的个人健康图谱-。更棘手的是这种“数据囚徒困境”并非技术难题的产物而是制度缺位、激励错配和合规高压共同作用的结果。庆幸的是变化已经开始出现。2026年2月14日国家卫生健康委会同公安部、国家网信办等部门联合印发《医疗卫生机构数据安全和个人信息保护管理办法试行》标志着我国医疗卫生行业数据安全和个人信息保护进入制度化、体系化的新阶段-。几乎在同一时期中国联通发布了高质量数据集亿元支持计划设立超亿元医疗领域专项支持资金面向医疗机构和生态伙伴旨在打造一批行业高质量数据集、促成一批亿级医疗数据交易、孵化一批优质医疗人工智能应用与生态。目前基地已面向10余个专科专病领域打造行业高质量数据集超150TB达成数据交易规模超千万元。这些制度与技术层面的破局正在试图打开那把锁住海量医疗数据的枷锁。但制度的落地、市场的养成仍需时间数据孤岛依然是医疗AI规模化落地的第一道深坎。三、算力匮乏底层基础设施的错配危机如果说数据是医疗AI的“燃料”算力就是驱动它的发动机。而从目前的现状来看医疗机构的“发动机”——无论从配置还是分布来看——都远远跟不上需求。三甲医院AI大模型本地化部署率达58.3%而二甲医院仅为37%基层医院因资金、人才短缺多处于“被动跟随”状态-。同时行业普遍存在“算力各自独占造成的浪费”——影像科购置的算力资源仅供肺结节模型使用病理科购置的算力仅供细胞筛查模型使用数据不能共享、算力不能复用。这种零散部署模式本质上是一种效率极低的算力“消费主义”。与此形成鲜明对照的是医疗AI算力领域的创新探索。深圳市龙岗区搭建的卫生健康人工智能共享共创平台致力于实现异构算力资源的统一调度与模型集约管理-。浙江省的浙大邵逸夫医院与武义分院之间打通了AI Token跨院结算服务基层医院无需自行部署算力系统即可按需调用总院的AI算力以Token为计量单位按实际使用量结算-——这实质上是一种“算力即服务”的雏形。此外江苏移动与华为合作打造的AI WAN智算广域分布式推理方案采用“本地小算力智算广域网云端大算力”的模式在医院本地仅需部署一台算网一体机作为用算入口-。上海瑞金医院的RuiPath联合解决方案则采用端云协同混合计算架构“基层医院仅需小样本数据即可构建专属模型普通的消费级PC即可完成推理部署”-。算力匮乏的核心症结早已不是硬件的绝对稀缺而是算力资源的系统性与可及性不足——当一家县级医院因无法部署本地算力而与三甲大模型失之交臂时它缺的并非CPU核数而是一个能将分散算力按需调度的基础设施层。这一困境恰是医疗AI规模化落地进程中连接大模型与业务系统之间的中间件价值所在。金蝶天燕作为国内基础软件与中间件领域的长期深耕者其在医疗应用信创中间件领域已有完整的解决方案涵盖应用服务器、分布式消息队列、数据缓存等全栈基础中间件全面适配国产主流软硬件支持传统机房与云平台多环境部署帮助医疗业务系统平滑迁移其医院信息系统集成平台解决方案基于企业服务总线、数据集成等产品打通HIS、EMR、LIS等院内系统与院外医联体平台支持医疗标准协议-。在医疗AI从“单点模型”走向“全院智能”的架构升级进程中中间件的角色正在从幕后走向台前——它既是数据流动的管道也是算力调度的中枢更是AI能力与临床系统之间的粘合剂。四、流程之困医院“接不住”智能体2026年CHIMA大会上一个变化已经非常明确医疗行业的讨论重心正在从大模型快速转向智能体。过去两年行业关注的是模型参数、多模态能力、医学问答准确率本质上是在验证“模型是否足够强”而今年几乎所有厂商都开始展示智慧诊疗、智慧服务、智慧运营等智能体矩阵并强调与医院信息管理系统、电子病历、医保等核心系统的融合能力。但IDC在现场观察中提出了一个更深的判断当前医疗AI最大的鸿沟已经不是模型能力而是医院现有体系“接不住”智能体。智能体需要实时数据流、跨系统协同、动态推理以及持续决策能力而当前医院普遍存在系统“烟囱式”建设、数据不通、接口混乱等问题。换句话说医院的信息化底座没有升级成Agent-Ready的形态再强大的AI能力也难以被真正承接。这种困境在调研中也有数据支撑医院AI应用五大障碍中“数据质量不高”62.9%位居首位而“与现有医疗系统兼容性差”40.4%同样成为排名靠前的重要制约因素。但变化同样在发生。华为派出一支团队进驻南方医科大学南方医院对24个科室蹲点调研累计访谈了284人次归纳总结超100项AI需求。这种“临床倒逼IT”的流程再造正在试图从底层打破医院信息化系统的积弊。五、破局的三条路径从2026年的多重动向来看医疗AI规模化落地的破局方向正在沿着三条清晰的路径推进路径一联邦学习 隐私计算在数据合规的框架下做共享。面对医疗数据隐私高压一种“数据不动模型动”的范式正在成为行业共识。联邦学习允许多医疗机构在不交换原始数据的前提下协同训练AI模型。2026年的多项学术研究展示了这一技术的实际进展——从区块链赋能的联邦学习框架到具有差分隐私保护的协同诊断系统隐私计算与AI的融合正在让“不敢共享”的医疗数据找到流动的新方式-。路径二数据要素化 高质量数据集建设从供给侧激活数据价值。中国联通的亿元资金投入仅仅是开始。更为基础的工作在于构建国家主导的健康医疗数据治理新体系由国家层面统筹制定并强制实施统一、开放、可互操作的医疗数据标准体系与严格的数据脱敏及安全技术规范。当数据成为一种可定价、可交易、可共享的要素医疗AI的规模效应才能被真正释放。路径三架构重构 统一底座让医院从“烟囱模式”走向“平台模式”。正如业内观察者所指出的解决医院智能化转型的真问题不需要再多一个单点模型——医院需要从底层统一算力、统一数据、统一模型和统一应用让散落的AI能力在院内共享并能随着使用自我迭代。这恰恰是金蝶天燕等基础软件厂商正在深耕的方向通过中间件构建医院信息系统的集成平台打通HIS、EMR、LIS等院内系统与院外医联体平台为AI能力的规模化落地奠定架构基础。医院不缺模型但仍然用不起来AI——症结不在于缺少“大模型”而在于缺少让“大模型”顺利接入业务系统的“底座”。金蝶天燕的全栈中间件解决方案正是构成这个底座的核心基石之一将分散异构的系统连接为统一的数据与服务管道使AI智能体得以在真实临床环境中被“接得住、用得好、持续进化”。六、冰山下是一场更长的角逐94%的医院用上了AI这个数字听上去既像一个里程碑又像一个滑稽的反讽。它之所以“广而浅”恰是因为在这场变革中技术只是冰山以上的部分——冰山以下是数据治理体系的重塑、算力基础设施的重构、医院信息系统的再造以及监管与伦理框架的全新构建。真正让AI从“写报告的人”手中接过繁琐工作、从“审报告的医生”背后提供支持的力量从来不止于一个更准确的模型。它源于一个系统性的工程能够让数据合规地流动能够让算力触手可及地调度能够让海量分散的智能体以统一、可信的方式接入真实世界的医疗流程中。天坛医院的1分钟颅脑CT智能体——这台“数字超人”可以独当一面地回答一个科室的问题却需要贯通全国影像中心的互联标准才能赋能每一个基层医院的急诊室。一座医院的信息孤岛困不住一个强大的模型但一座医院的流程堵点却足以让一个AI智能体“有劲使不出”。跨越这“最后一公里”需要的不是技术的一次性超越而是一场持久的架构升级与制度重构。当这一天真的到来时也许患者不会再刻意思考“给我看病的是不是AI”——到那时AI已经不再是引人注目的技术标签而是医疗基础设施中最寻常的存在。