“如果用戶用公開的GPU算力數(shù)據(jù)來測算需求，結(jié)果可能會相差千里。”在12月18日于成都舉辦的“智算協(xié)同醫(yī)療 生態(tài)鏈接未來”主題研討會上，聯(lián)想中國基礎(chǔ)設(shè)施業(yè)務(wù)群戰(zhàn)略管理總監(jiān)黃山的這句話，揭示了當(dāng)前AI醫(yī)療熱潮中一個被忽視的現(xiàn)實(shí)：算力投入與實(shí)際應(yīng)用效果間存在巨大鴻溝。

圖片來源：主辦方供圖

這場由聯(lián)想、英特爾與循上醫(yī)療等機(jī)構(gòu)參與的行業(yè)討論，將焦點(diǎn)從技術(shù)演示轉(zhuǎn)向了更棘手的落地難題——數(shù)據(jù)隱私的枷鎖、醫(yī)患信任的鴻溝以及算力投入的效率謎題，構(gòu)成了AI醫(yī)療規(guī)�；仨毭鎸Φ娜罂碱}。而在醫(yī)療一線，循上醫(yī)療健康學(xué)院院長桑田坦言，真正的挑戰(zhàn)在于“常規(guī)數(shù)據(jù)只基于平均壽命，但當(dāng)我們將維度拉寬，判斷標(biāo)準(zhǔn)和所需的醫(yī)療團(tuán)隊(duì)都完全不同”。

“數(shù)據(jù)不出院”與“可見不可用”

當(dāng)前，人工智能技術(shù)正加速與醫(yī)療健康行業(yè)深度融合，但醫(yī)療機(jī)構(gòu)在實(shí)際運(yùn)營中仍普遍面臨諸多挑戰(zhàn)：各系統(tǒng)間信息孤島現(xiàn)象嚴(yán)重，導(dǎo)致數(shù)據(jù)無法互通、管理效率低下；診療流程中手工操作環(huán)節(jié)多，易出錯且耗費(fèi)人力；面對患者日益增長的高質(zhì)量、個性化服務(wù)需求，傳統(tǒng)服務(wù)模式難以為繼，制約了醫(yī)療服務(wù)效率與質(zhì)量提升。

醫(yī)療AI的燃料是數(shù)據(jù)，但最嚴(yán)苛的鎖鏈也在于數(shù)據(jù)。研討會上，一個共識是：當(dāng)前醫(yī)療數(shù)據(jù)的流動仍被嚴(yán)格限制在機(jī)構(gòu)內(nèi)部�！癏IS系統(tǒng)數(shù)據(jù)只能在醫(yī)院內(nèi)網(wǎng)，不能出去，這是規(guī)定�！秉S山指出。這意味著，即便醫(yī)院內(nèi)部希望訓(xùn)練一個AI醫(yī)生助手，也必須先將患者姓名、身份證號等敏感信息徹底清洗脫敏，過程嚴(yán)格且成本高昂。

這直接導(dǎo)致醫(yī)療機(jī)構(gòu)普遍存在的數(shù)據(jù)孤島問題。然而，臨床中對個性化、持續(xù)健康管理的需求，尤其是循上醫(yī)療所偏向的長壽醫(yī)學(xué)、慢病逆轉(zhuǎn)等前沿領(lǐng)域，恰恰需要更全面、多維度的個體數(shù)據(jù)。桑田舉例說，在解決睡眠問題時，需要綜合考量激素水平、重金屬暴露、生活壓力等多重因素，“我們需要大數(shù)據(jù)來告訴我們在診療方案上，用藥的順序和精度”。

面對這一矛盾，技術(shù)供應(yīng)商開始探索新的可能性。黃山透露，一種被稱為“可見不可用”的技術(shù)路徑正在試驗(yàn)中，其核心是讓數(shù)據(jù)在不出域、不泄露的前提下參與模型訓(xùn)練。例如，部分計算任務(wù)可在患者個人的加密設(shè)備上完成，系統(tǒng)只回收與模型優(yōu)化相關(guān)的參數(shù)（如梯度），而非任何原始個人數(shù)據(jù)。模型會把隱私數(shù)據(jù)考慮進(jìn)去，但看不見它，這種方法試圖在合規(guī)紅線內(nèi)，為AI醫(yī)療拓寬數(shù)據(jù)邊界，以支持更精細(xì)化的健康管理。

替代醫(yī)生還是輔助工具？

AI在醫(yī)療中的角色，始終繞不開“替代”與“輔助”之爭。在研討會的采訪環(huán)節(jié)，這一問題被直接拋給了技術(shù)方與醫(yī)療方。

“AI今天要代替牙醫(yī)做專科診斷，這個事情我個人也是不敢相信的。”黃山給出了明確回答。他認(rèn)為，AI當(dāng)前更現(xiàn)實(shí)的價值在于充當(dāng)社區(qū)醫(yī)生或家庭醫(yī)生的輔助角色，處理初診咨詢、健康建議等，從而釋放稀缺的醫(yī)療人力。

桑田也持類似觀點(diǎn)，他強(qiáng)調(diào)，AI是“工具”，其價值在于提升效率和精準(zhǔn)度，而非替代醫(yī)生的綜合判斷�！氨热缭谀[瘤篩查中，AI能幫助醫(yī)生一天閱讀幾百張影像；在用藥環(huán)節(jié)，它能預(yù)警腦出血等風(fēng)險，幫助醫(yī)生和家屬做決策�！�

然而，建立這種輔助性信任本身并非易事。桑田進(jìn)一步指出，醫(yī)療團(tuán)隊(duì)本身的觀念轉(zhuǎn)變是關(guān)鍵�！拔覀冃枰氖悄艹掷m(xù)突破、持續(xù)學(xué)習(xí)、擁抱變化的醫(yī)生，而不是停留在原地�！边@意味著，AI的落地不僅是技術(shù)問題，更是醫(yī)療體系內(nèi)知識與工作流程的重塑。

與此同時，一個更現(xiàn)實(shí)的瓶頸浮出水面——算力投入的巨大成本與難以精確測算的回報。黃山指出，AI醫(yī)療的算力需求復(fù)雜且動態(tài)，僅憑硬件參數(shù)無法準(zhǔn)確評估，需要結(jié)合算法、框架、業(yè)務(wù)場景進(jìn)行系統(tǒng)級調(diào)優(yōu)。這意味著，醫(yī)院可能投入巨額資金建設(shè)算力平臺，卻未必能獲得預(yù)期的應(yīng)用效果。桑田從需求端印證了這一復(fù)雜性，他表示，循上醫(yī)療在長壽醫(yī)學(xué)等領(lǐng)域的研究，需要處理遠(yuǎn)超常規(guī)疾病診斷的數(shù)據(jù)維度和分析模型，對算力的需求是獨(dú)特且多變的。

因此，當(dāng)前AI醫(yī)療的突破方向，正從追求“高大上”的算力峰值，轉(zhuǎn)向構(gòu)建“高效、低成本、可持續(xù)且安全”的算力服務(wù)體系。如何幫助醫(yī)院精準(zhǔn)規(guī)劃算力、優(yōu)化能源消耗，并在保障安全的前提下實(shí)現(xiàn)模型的持續(xù)敏捷迭代，成為技術(shù)供應(yīng)商比拼的新戰(zhàn)場。