随着人口老龄化加速和慢性病患病率上升，“看病难，管健康更难”成为社会刚需痛点。

近年来，随着人工智能的快速发展，尤其是今年初DeepSeek的出现，更是引发了公众对人工智能技术如何破解医疗资源分布不均、个人健康管理缺失、分级诊疗体系不完善等难题的积极关注。6月26日，蚂蚁集团推出了新一代人工智能（下称“AI”）医疗健康应用“AQ”正式上线，具备智能体名医问诊、多模态识别、医院服务、诊断参考等普及化功能。

就此，新京报新京智库组织主题为“AI+医疗健康管理创新应用研讨会”。会议汇聚多位业内专家，围绕AI医疗的核心功能、差异化优势及典型应用场景展开深度对话，为行业发展提供了前瞻性思考。

本次研讨会不仅围绕专业医疗大模型的构建路径、AI能否打造“活的健康档案”以及慢病管理的智能化升级等核心问题展开系统分析，也对AQ进行了集中探讨。AQ凭借其问答专业性、多模态能力和服务连接力，已成为AI医疗最新的应用代表案例。

专业化医疗AI：在试错中寻找临床真实力

清华大学第一附属医院重症医学科主任、教授，北京健康促进会远程医学专业委员会主任委员晁彦公从AI发展历史脉络切入，指出医疗AI真正进入快速发展阶段始于自然语言处理大模型技术在国内的普及，尤其是在DeepSeek等大模型在中国普及应用以后。

晁彦公认为，AI在通识性医疗知识的提取与归纳方面已超出许多专业医生的记忆范围，成为帮助医生补全知识盲点的重要工具。不过，晁彦公也强调，对于涉及具体病人管理等高度个性化和专业化的任务，目前AI依然难以提供精确指导。

以在医院系统中，最复杂、最不容出错的手术室场景为例，中国医学科学院阜外医院麻醉中心主任医师张喆认为，AI暂时难以胜任手术室内的“秒级更新”和实时反馈需求。

张喆介绍，手术室一直是医院中“监测最密集、数据最丰富的环境之一”，每秒钟都有大量生命体征数据从各类监护设备中传出，但“这些信息最终还是需要被医护人工观察，并根据医生自身经验调整用药或相应处理”，而这种人工管理“并不像外界想象的那样缜密”。

因此，晁彦公也进一步表示，医学本身是一个不断试错的过程，AI所训练的知识体系是建立在过去临床试错基础上的总结，因此AI的准确性始终是“阶段性正确”的集合体。正因如此，AI要想进一步升级，必须围绕“专家思维链-数据预标记-验证集”的闭环系统展开，不断滚动优化。

张喆则强调，当前许多通用模型“是先做出一个算法，再拉医生来验收”，如果没有医生参与构建过程，会导致这类大模型缺乏必要的参与机制与责任边界，进而导致难以在医院真正落地。

正是基于对专业性、严谨性要求极高的医疗服务领域，AQ的产生不仅依托于蚂蚁医疗大模型，背后同时有超百位医生及其团队深度参与共创。来自同济大学附属东方医院妇产科主任段涛、上海儿童医院院长鲁冰等20位顶级三甲医院学科带头人担任顾问团，提供专业指导意见。

因此，在江苏省昆山市第一人民医院骨科主任医师、质量管理部主任（主持工作）陆轲看来，医疗模型与通用模型的最大区别在于其对“高精度、专业性”的极端依赖。“医学属于非常严谨的学科，分为28个专科领域，每个领域都有独立的术语、指南和伦理规范，通用模型难以胜任这类任务，专业模型才有机会。”

在讨论专业医疗AI与通用大模型的差异时，应急总医院医务处副处长、副主任医师郑山海明确指出，专业性的产品往往影响更大，特别是当与卫健委等权威机构合作时。“当卫健委作为行政部门介入时，专业AI应用或大模型的行为可能就会受到一定的监管，应该保证它能够提供的服务，原则上讲是有据可依的。”

蚂蚁集团推出了新一代人工智能医疗健康应用“AQ”正式上线，具备智能体名医问诊、多模态识别、医院服务、诊断参考等普及化功能。

健康管理新形态：不再靠记忆，而靠AI的洞察力

在谈到构建“活的”个人健康档案时，专家们普遍认为这是一个极具吸引力但落地困难的命题。

互联网观察家、知名人工智能评论员信海光指出，要实现实时感知、动态分析、风险预警等功能，必须打通大量硬件设备，包括穿戴设备、医院系统、互联网连接等。“目前各类数据如医院信息、保险记录、可穿戴设备数据等仍处于‘信息孤岛’状态，并且格式并不统一，彼此分离。”

陆轲从医疗信息系统建设者角度，将落地难题划分为三个层面：数据层面上，全国医院使用的HIS系统不统一、标准不一，导致数据在医院间难以互联互通；算法层面上，目前的AI预测模型多为小模型且功能单一，难以实现多病种、多变量的整合预测；应用层面上，能真正落地到患者端的应用非常少，“我们连简单的数据都拿不到，还谈何预测？”

不过，值得注意的是，一些具有生态优势的平台正在探索解决方案。以AQ为例，该产品依托支付宝医疗健康的庞大用户基础，提供健康科普、报告解读、就诊咨询、健康档案管理等超100项AI服务。更重要的是，AQ支持与鱼跃、三诺、华为、苹果等多种可穿戴设备、居家检测设备打通，根据血糖、睡眠等多维度信息提供健康建议，为解决健康档案碎片化问题提供了新思路。

而随着中国社会老龄化加速，慢性病管理成为医疗系统的重要课题。陆轲指出，AI的加入为传统的“全生命周期管理”理念带来全新升级的机会。在数据整合与连续治疗路径辅助方面，以高血压患者为例，过去多个科室之间的信息断裂会导致治疗计划不连贯，而AI可通过统一平台整理患者历史用药、治疗效果与并发症风险，为医生提供回顾与建议。

针对中国超过2.6亿慢性病患者的管理需求，AQ则推出了一系列管理工具。比如健康档案，用户授权后，可以在AQ保管自己的健康档案，AI辅助提醒用药、定期复诊检查，以及健康状况的分析。对于很多糖尿病患者，他们需要经常进行血糖测量，AQ也支持慢病患者常用的医疗设备打通，在健康档案中做更全面的分析与健康建议。

医疗服务重塑：从基层赋能到分级诊疗加速

对于AI如何赋能基层医疗的问题，与会专家从不同的角度进行探讨。郑山海对“医疗下沉”的概念进行澄清。他认为，当前基层医疗服务的核心功能还未厘清。基层医疗更应承担“居民健康守门人”的角色。“真正的医疗下沉主要是要在整个国家医疗投入、医疗人员安排上做到正常的金字塔结构，如果我们还是60%、70%的人员在三级医院，10%、20%的人员在社区医疗机构的话，靠AI不叫把‘医疗下沉’，只是把某些医疗流程在基层得到提升”。

这也就凸显了AI在教育和能力提升的重要性。晁彦公指出，中国医生水平差异极大，“最好的医院可能是世界领先”，而边远地区或基层的医生，无论是经验、规范或是思维方式，则有着巨大的落差。所以，AI可以通过数字化工具和系统培训，提升基层医生的信息分析能力与规范意识。

AQ不仅在医学专业问答和健康科普上解决大众需求，在医疗资源连接方面也连接大量真实的医疗服务资源。在AQ上，20万真人医生开通了在线问诊服务，2名院士领衔了150余位名医开通了名医AI分身，7 X 24小时为用户提供医疗陪伴。

除此之外，陆轲表示，AI在基层医疗可以聚焦边缘场景，包括结构化建档、疾病筛查前置、可视化辅助诊断等，尤其在影像领域如肺结节识别等，AI可辅助基层医生读片。

在讨论AI是否能成为分级诊疗加速器时，陆轲认为，虽然AI能提升分级诊疗效率，但无法解决“真正让病人安心在社区”的根本信任问题。“社区有AI，三甲医院也有AI，病人仍会选择大医院。”这背后牵涉的是政策、医保支付、人才培养等多重因素。

不过，展望AI医疗的未来发展，晁彦公还是表达了审慎乐观的态度：“未来已来，但过程可能仍然很曲折，甚至可能面临失败，回到原点。不过，我相信此‘原点’一定不是彼‘原点’，在新的认知条件下，此‘原点’会成为变革的新起点。”

新京报记者 郑伟彬

编辑 肖隆平

校对 李立军