医疗AI质变时刻
鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI
不会只有我一个人这样吧?
现在每次去医院看病前,我都会先让 AI 帮我梳理一轮。
哪里不舒服、症状持续了多久、既往病史如何……这些零碎的信息,都在预问诊阶段整理得妥妥帖帖。
等到与医生面对面交流时,却发现医生其实也在 Vibe Working:
AI Agent 协助医生辅助诊断,诊室之外的随访与健康数据管理同样由 AI 全程跟进。

乍听之下颇具赛博朋克色彩,但这已是切实发生在我们身边的现实。
由张亚勤院士创办的清华大学智能产业研究院(AIR),近期又孵化出一家明星医疗 AI 企业——紫荆智康。
其研发的**“紫荆AI医院”**系统,目前已在全国多地医院陆续上线测试。
更具未来感的是:在这里,每位医生都能拥有辅助日常诊疗的专属“AI 分身”。但这还远非全部。
仅以日常就医为例,单一病症往往会牵涉多个不同科室;而医学素来极度讲求专科专精,显然无法让骨科医生去诊治肺部疾患。
那么,当拥有不同专长的医生各自具备 AI 分身后,这些分身之间能否进一步展开跨学科协同?
围绕这一核心痛点,紫荆智康此次推出了面向医学领域的多分身智能体协同技术(Multidisciplinary Human-Agent Collaboration),并对“紫荆AI医院”(Agent Hospital)进行了全面升级。

在 AI 医院中,AI 医生与人类医生通力协作……一个连接真实诊疗、能够持续进化的虚拟医疗世界,正悄然成型。
将多科室的专业判断,带进同一间诊室
先看行业痼疾。
医疗领域始终面临一个绕不开的现实:优质医疗资源永远稀缺。
每位医生术业有专攻,各家医院的承载能力亦有上限。
对于病情横跨多个科室的患者而言,以往的就医路径往往十分折腾:
先挂内科,查无所获后转往外科,外科面诊后再预约影像科;待把各个科室跑了个遍,好不容易才排上一次正式的多学科联合会诊(MDT)。
折腾下来,不仅可能错失最佳诊疗窗口,而且一次 MDT 本身的成本也相当高昂——光是协调各科室专家的会诊时间,就需要耗费大量精力与高额费用。

紫荆智康的思路十分直接:既然让患者辗转求医于各科专家并不现实,不如先让各专家的 AI 分身集体就位。
遇到本专科即可解决的常见病症,单个 AI 分身便能胜任,相当于将高水平专家的能力化作 AI 智囊请进普通门诊,实时为坐诊医生提供指导建议;
而面对复杂的跨学科疑难病症,紫荆智康则直接为各专科 AI 分身搭建了一个多学科协同研讨机制。
随着具备不同专长的 Agent 分身陆续介入分析,接诊医生所能获取的专业视角被成倍拓宽。
在统一操作系统的调度下,AI 分身既能实现专科内部的深度支撑,亦能完成跨学科的协同联动。

例如,一位甲亢患者前往内分泌科就诊,系统在问诊交互中同步捕捉到患者伴有哮喘病史。
对当前的内分泌科诊疗而言,后续用药方案必须充分评估对呼吸系统的影响。
此时,呼吸科 AI 分身立即介入,主动提示医生注意特定药物的禁忌与协同风险。
这便是多分身智能体协同的核心逻辑:它将跨专科专家支持前置到了首诊、甚至预问诊等更早的诊疗链条中。
换言之,患者踏入诊室的一刻,背后便有整支多学科“专家团”在协同支撑,过去专属于疑难重症的多学科会诊(MDT),有望就此变为常规门诊的日常标配。
在具体协同形态上,紫荆智康提供了两种模式:
其一是按需提醒模式。

医生仍按常规节奏推进门诊接诊,系统则在后台静默跟进;一旦从患者新增信息中识别出跨专科介入的必要性,便将相应专科分身的建议以非侵入式的提示卡片呈现给医生,全程不打乱原有的诊疗节奏。
其二是会诊模式。

对于已明确需多专科联合分析的复杂病例,多个专科分身将直接入驻协作界面,针对鉴别诊断、联合用药等关键环节同步输出专业意见。
医生只需凭借自身的临床专业素养,对各方视角进行综合权衡与研判。

然而,意见纷呈也带来了新问题:如果各 AI 分身的观点发生分歧,该如何处置?
对此,紫荆智康采取了颇具启发性、甚至略显“反直觉”的处理方式:
系统并未强行在底层收敛冲突、抹平分歧,而是选择将分歧清晰客观地摊在台面上。
系统会分别呈现不同分身的建议,对不一致之处高亮标注。主诊医生不仅能清晰追溯每条意见的具体出处与循证依据,更能结合患者实际体征与临床经验完成最终裁决。
在严肃医疗中,差异与分歧本身同样具有极高的研判价值。

正如一位临床内科医师所言,AI 现阶段最大的临床辅助价值,正在于补足医生潜在的思维盲区:
当 AI 的建议与我的初步判断不完全一致时,我会重新回顾输入的信息,核对具体原因。
如果它根据现有病历线索给出的推断与我的预判方向截然不同,这恰恰非常有意义。
这会促使我更加审慎地去鉴别排查,厘清哪一种推论更契合患者的实际病情。
因此,多分身协同的真正落脚点,在于辅助医生深化后续研判。
相较于市面上的其他医疗 Agent,紫荆智康能够更全面地补齐跨专科视角,并确保诊疗逻辑链条透明可溯,这正是其核心技术壁垒所在。

多智能体协作也已成为全球医疗 AI 演进的重要风向标。
例如,微软在 MAI-DxO 研究中通过构建虚拟医生团队,模拟收集病史、提出诊断假设并推荐检查项目,用以探究诊断准确率与医疗成本的平衡机制。
而紫荆智康在此基础上更进一步,着重强化了AI 分身与具体真人医生之间的孪生联结。
系统中的 AI 分身在具备通用医学基座能力的同时,能够持续学习具体医生的诊疗风格与临床经验,实现个性化自进化,并最终把临床裁决权牢牢交还给一线医生。
从这一维度来看,多分身协同技术彻底打破了“AI 替代医生”的固有叙事,实质上是让每一位医生的身后,都常驻着一支随叫随到的多学科专家团队。
底座成型,让AI分身持续成长
要让成百上千个 AI 分身随时在线、各司其职,背后必须依托一套完整的工程与算法系统。
分身从哪里获取能力、如何理解动态变化的患者体征、怎样契合医生的问诊习惯、又如何顺畅接入医院的原有工作流……环环相扣,无一不直接影响落地实效。
这也是紫荆智康构建紫荆 AI 医院生态的出发点。

业界已有类似的医疗智能体平台探索,比如微软的 Healthcare Agent Orchestrator,通过编排不同智能体处理医疗信息,并围绕肿瘤会诊等复杂场景搭建工作流。
而紫荆 AI 医院的差异化优势在于:其分身能够在真实门诊实践中完成内生性成长。
这一核心技术路径,源自 AIR 刘洋教授团队在构建 Agent Hospital 之初提出的 SEAL 机制(基于拟像的可进化智能体学习)。
这是一套**“虚拟世界训练 + 现实世界验证与微调”**的双层进化架构。

在虚拟仿真环境中,患者、医生、护士等角色均由智能体扮演。
AI 医生在系统内开展高强度的模拟诊疗,数百万高拟真 AI 患者前来进行问诊求医,共同构筑起闭环运转的虚拟医疗世界。
诊疗过程中的成功案例将被沉淀至专家病例库,作为后续任务的基准参考;一旦出现偏差或失误,智能体则会自动复盘反思、萃取经验教训,进而逐步提炼出可复用的临床推理规则。
在短短数天内,AI 医生智能体便能遍历数十万甚至上百万真实案例,将罕见病、共病复杂症及多病程组合全面演练一遍。
类比 AlphaGo 的自我对弈机制,AI 医生在虚拟医院中持续完成自我迭代。在专业能力稳步跃升的同时,其算力消耗也远低于传统大语言模型端到端的重训成本。
但在虚拟世界高强度演训出的早期 AI 也有其局限——它往往倾向于把一切变量与可能性考虑得过度充分。
紫荆 AI 医院首席产品官乔宇宸分享了一个真实的临床细节:
AI 最初给医生推荐的是理论疗效最优的药品,但主诊医生在综合考量患者的实际经济承受能力后,最终替换成了性价比更高、已纳保的对症药物。
因此,真实诊疗场景的接入必不可少。
通过引入真实世界临床的交叉验证与伴生成长,系统让 AI 分身与真人医生协同作业,再将医生的实际决策操作反哺至模型进行内部微调。
Agent 不仅在执行上像医生,在临床思维路径上也必须与真人专家保持同频。

在具体落地上,紫荆 AI 医院全面覆盖医生、患者与医院三端:
患者端承接智能预问诊、健康档案管理与后续康复随访;医生端提供专属分身、智能病历生成及辅助诊疗决策;医院端则赋能科室排班协同、权限调配与全流程数据合规管控。
三端架构将底层核心技术矩阵赋能给不同角色。而在此基础上进一步接入专科工具链与行业合作伙伴,则是系统下一步演进的重点方向。
目前,这套系统已在临床场景中交出了首批答卷:
截至 2026 年 7 月,该系统已构建起 54 位专业 AI 医生分身及数百万高拟真 AI 患者,覆盖数千种常见及疑难疾病。
在北京清华长庚医院,已有 18 个临床科室启动了常规门诊测试,40 余位一线医师在日常接诊中常态化使用,医生整体诊疗效率实现了 30% 的显著提升。
在权威基准评测方面,AI 医生在 MedQA 医疗测试集上的准确率突破了 96%,并在多项国际权威医学评测基准中斩获最高分。

摆在眼前的下一道命题,便是如何推动这项前沿专科技术覆盖更广阔的医疗网络,惠及基层大众。
AI医院的下一步,走向更多人
回看这些年的行业演进,医疗 AI 大多呈现单点发力的“单打独斗”状态。
无论是科技厂商还是合作医院,以往通常习惯从单一具体任务切入,例如单纯聚焦于影像识别、病历结构化生成或智能导诊问答。
然而临床诊疗本质上是一套环环相扣、多角色交互的复杂系统工程。
行业长期欠缺的,正是一套能够深度串联各专科角色、贯通诊前诊中诊后全流程的生产级 AI 原生系统。
这一蓝图并非无人问津,而是其门槛极高,极少有团队能兼具尖端 AI 算法、临床医疗认知与复杂工程落地的综合集成能力。

这正是学术界与产业界共同面临的结构性挑战:
哈佛、MIT、斯坦福等顶尖高校,虽具备深厚的前沿医疗 AI 科研生态,但成果从实验室走向临床一线,往往面临严苛的系统工程验证挑战;
梅奥诊所、多伦多总医院、克利夫兰诊所等顶尖医疗机构,坐拥丰富的真实临床资源与多元病患需求,却缺乏自研底层 AI 架构的软硬件工程实力,难以独立打造出 AI 原生操作系统;
而硅谷的 AI 科技巨头们即便步伐稍快,医疗健康在其整体业务版图中也仅为众多分支之一,往往缺乏深耕体系化创新的专注度,需要在漫长的临床适配中摸索医疗规范。
要让生产级 AI 原生医疗系统真正落地生根,必须将上述各方要素融为一体,这也是**紫荆智康能够跻身第一梯队(T0)**的关键原因。
作为两年前由**清华大学智能产业研究院(AIR)**孵化成立的新兴团队,若置于研发周期动辄以十年计的医学界,紫荆智康看似初出茅庐;
但团队的技术积淀远早于此,核心成员长期扎根于智慧医疗前沿:
其多项核心学术成果相继刊发于《Nature Medicine》《NEJM AI》等国际医学顶刊;
其中,2024 年在全球学术界引发广泛关注的 Agent Hospital 论文,更被誉为**“全球首个自主进化的 AI 医院”**;
相关技术实践不仅获得了顶级期刊**《Nature》**的深度专题报道,更被其收录为 AI 虚拟分身赋能严肃医疗领域的核心标杆案例。

紫荆智康代表了一种极为典型的产学研深度融合与成果转化范式。
从清华 AIR 的前沿科研筑基,到登上国际学术顶刊,再到深入真实门诊赋能医生,这支团队正扎扎实实地将深奥的算法突破,演化为基层医生与广大患者皆可切实受益的临床生产力工具。
One More Thing
在这场系统发布中,紫荆智康展现出的一种深层产品哲学令人印象深刻。
“君子当以厚德载物”。承袭自清华 AIR 的科技普惠底色,紫荆智康在算法与系统演进中,始终将医学伦理与人文关怀置于核心位置。
团队明确提出,通过算法层面的价值对齐,将严肃的医学人文原则转译为底层模型可量化、可约束的偏好机制。
这意味着系统在架构底层便已严密锚定了人机协同的边界:始终恪守以人为本的伦理导向,坚定不移地将 AI 定位于“临床辅助与决策协同”。
在多智能体生态的构建上,系统不盲目追求构建所谓全知全能的单一“超级 AI”,而是充分尊重并保留各专科智能体的专业多样性与经验差异,兼容并蓄、博采众长。
落地到现实医疗场景中,这意味着顶尖医学智慧得以通过数字化手段沉降到县域、乡村等医疗资源洼地,使基层全科医生与乡村诊所也能实时获取一线专家的智力支持,真正释放优质医疗资源的普惠价值。
毋庸讳言,这条道路绝非坦途,医学伦理合规的严格论证、临床接诊习惯的重构重塑,都需要在一次次问诊交互中反复打磨淬炼。
紫荆智康选择的这条**“从虚拟仿真走入真实门诊”**的演进路径,看似更为漫长,走得却最为坚实。
可以预见的是:每当临床医生在诊室多获一份精准协同,患者在求医路上便能少走一处曲折弯路。
让每一个生命得到更好的照护,科技的真正价值方能在实践中得以彰显。