AQ背后的逻辑：医院为什么更愿意接纳这类AI？

6月26日，蚂蚁集团推出的医疗健康AI应用产品AQ正式上线。它没有选择攻坚术中场景，而是聚焦在更常见的问诊咨询、导医分流、报告解读、用药指导等高频服务点上，试图成为医疗系统之外的智能缓冲区。AQ到底是否能解决患者的困惑？它又能否在医院体系中发挥出应有的效能？

为此，新京报新京智库组织了主题为AI+医疗健康管理创新应用研讨会。多位来自一线的专家从医院运营逻辑、质量管理要求、AI模型建设、制度合规边界等不同角度出发，分析了有些AI医疗产品为何更容易在医院落地。

AI医疗从手术室到医疗科普

在医院系统中，最复杂、最不容出错的场景是手术室。这里的每一次用药、每一项指标波动，都可能关系到患者生死。也正因如此，AI在手术室内的应用常被视为医疗人工智能的高地。

中国医学科学院阜外医院麻醉中心主任医师张喆介绍，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得那样缜密。

有的主流通用大模型也在尝试介入这一医疗场景，在术中实时提供决策建议、风险预测。但张喆指出，目前的通用大模型主要以文本或简单图像进行训练，无法原生解析监护设备实时输出的生理波形等高频生命体征数据流，也无法识别医生的诊疗操作和用药行为，因此难以胜任手术室内的秒级更新和实时反馈需求，而更适用于医学教育和事后分析等场景。

相比之下，虽然AQ并未直接切入手术场景，却从另一个角度切中了医院的刚需:为庞大的就诊人群提供术前分流和院外支持。

据AQ发布的信息，该产品已接入90万医生、覆盖5000家医院，并能通过AI名医分身提供24小时问诊服务，并将问诊内容同步到医生工作站，帮助快速完成患者医疗信息的采集，进一步提升医生工作效率，同时，非重症患者可在院外获得初步健康判断、报告解读和用药指导。

这一路径背后有蚂蚁医疗多年的沉淀用户规模和技术根基。据悉，AQ依托的蚂蚁医疗大模型在HealthBench与MedBench两大权威榜单持续领跑。其中，在OpenAI主导的HealthBench测评中，其复杂推理能力与医学共识能力(HealthBench Consensus得分0.9275)两项核心指标超过DeepSeek。

张喆从医院诊疗的实际场景出发强调，虽然AI在术中决策辅助方面的应用尚不成熟，但在提高手术团队诊疗效率方面可发挥重要作用。据研究报道，医疗文书工作占用了手术团队医护人员约50%的工作时间，如果AI能协助实时记录诊疗信息、优化流程管理、辅助团队沟通，将极大减轻医护负担。在院前阶段，通过自动导诊、报告解读等方式提前分流患者，也被视为医院整体效率提升的重要环节。

张喆认为，真正高价值的AI不是仅服务复杂诊疗场景，而是在医护最疲惫的重复性简单工作方面帮一把，让医生把有限的时间和精力用于核心诊疗环节。

正因如此，AQ虽然没有瞄准最复杂的术中场景，却在普遍、频发、高需求的医院外围服务中，承担了极具现实意义的减压阀角色mdash;mdash;它不以惊艳技术为卖点，而是把握住医院系统中真正沉重的部分，用可控、专业、闭环的路径，重塑患者与医院的连接方式。

而从医院整体运作的角度看，AQ正在做的，或许就是这类系统性价值的构建。

期待AQ助力普惠医疗早日实现

AI的真正价值，不仅体现在对医生的技术辅助，更在于能否从系统层面缓解医院的运行压力。特别是在我国医疗体系面临资源高度集中、医生负荷超载的背景下，像AQ这样的智能工具，其在医院体系中的现实作用，或将发挥远超想象的作用。

2025年初卫健委发布的《2024年全国医疗服务能力调查报告》数据显示，我国三级医院仅占医疗机构总数的7.8%，却承担了全国50%以上的门诊量。大量患者向大医院集中，使得号难挂医难见成为普遍现象。而AQ作为连接医院与患者的中间层，其设计初衷之一，正是让专业技术和优质资源共享给大众，从而实现让医疗普惠每个人的目标。

AQ对医院的实际价值，在不少医生看来，首先是分担了大量非必须面对面完成的任务。

江苏省昆山市第一人民医院骨科主任医师、质量管理部主任陆轲表示，像AQ这样的AI模型，其实可以把很多事务性的工作前置掉，帮医生节省时间和精力。其实很多患者来医院就想确认一下检查结果、用药是不是可以继续。这类需求很多时候都不一定要跟医生当面沟通，如果能借助如AQ这类系统进行解答，减轻医生的负担是有可能的。

例如在报告解读环节，据官方数据，每天有上千万份医学检验报告出具，但90%的人看不懂报告内容。过去，医生需要花费大量时间为患者解释这些报告。据介绍，现在AQ通过其自研的多模态识别模型，支持拍照上传检验单，系统自动分析异常指标、提供解读意见，还能将重要指标变化关联历史记录，提示用户是否需要进一步就医。

此外，AQ在名医AI分身功能上，已在多家医院开展试点合作，并在运营效率上取得了实际成效。比如上海仁济医院泌尿科与蚂蚁集团共建的RJUA智能体，已在上线半年内服务30万患者，占门诊总量超过50%。上海仁济医院泌尿科主任医师潘家骅表示，这几乎相当于用AI再造了一个泌尿外科。

张喆也介绍，AI如果能在术前做出较为精准的个体化风险预测，并在术后给予患者康复指导与用药提醒，将能够缓解手术团队医生面临的全流程诊疗压力。因此，未来的AI，不是让医生离场，而是让医生不再孤军奋战。

这正契合了AQ正在建设的健康管理生态:支持用药计划、慢病监测、设备对接、饮食与运动建议等多维健康档案管理服务。通过对接患者端和医院端数据，AQ不仅服务患者，还成为医院院前+院后服务闭环的重要基础设施。

因此，可以说AQ是在医院体系中构建起了AI的外延触角。它不以高技术门槛取胜，而是在每一个琐碎但高频的医疗环节中，用切实有效的功能，让医院运行得更高效、医生工作更聚焦、患者体验更顺畅。

应急总医院医务处副处长、副主任医师郑山海表示，期待像AQ这样的大模型能够助力我国早日实现普惠医疗。

技术之外是制度:为什么医院更容易信任AQ？

在医院引入AI的过程中，技术并非唯一的考量因素，甚至不是最优先的条件。对医疗机构而言，能否被信任、是否合规、安全边界是否清晰，往往比模型参数、运算速度更为关键。

这也是为什么，相比起性能出众的通用大模型，医院更倾向于使用具备制度托底和专业责任的模型体系，而AQ正是这样一个产品。

郑山海表示，医疗场景下使用AI模型，必须考虑其合法性和资质，如果它给出的内容出错了，有没有办法复核？这些问题都决定了它能不能用在医院。主流通用大模型更适合医生去验证，而不是病人直接使用，病人使用时必须清楚使用这个模型可能存在误导。

张喆也表示，AI一旦深入手术室这种高风险场景，其最大挑战不是建模能力，而是可解释性和信任机制。张喆强调，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。

陆轲同时指出，像AQ这样的产品，并非闭门造车，其研发基础建立在临床知识图谱与医生反馈机制之上，更贴近医院真实的工作场景与决策流程，具备较强的实用性和可落地性。

陆轲进一步解释，AI若要真正融入医疗体系，必须明确其应用边界与角色定位。当前医疗AI的使用可以分为三个层级:患者自用、基层医生辅助(如初诊分诊、慢病随访)以及专家决策支持(如辅助诊断、术前规划)。不同层级对应不同的风险等级，也应设置不同的幻觉容忍度和审核机制。

就像电影有分级制度一样，医疗AI也需要根据使用人群、使用场景以及预期干预深度，制定相应的分级准入和监管体系，陆轲强调。

在模型提示语设计方面，AQ也体现出更高的自律。例如所有输出内容均以AI生成标注，不作为最终医疗建议，而是引导用户在必要时仍需就诊或建议咨询医生。这一做法虽然在体验上少了些果断，却在医院评估其安全性和合规性时，反而加分。

从这个意义上讲，AQ所代表的，是一种可监管、可解释、可交接责任的AI范式。

6月26日，蚂蚁集团推出的医疗健康AI应用产品AQ正式上线。它没有选择攻坚术中场景，而是聚焦在更常见的问诊咨询、导医分流、报告解读、用药指导等高频服务点上，试图成为医疗系统之外的智能缓冲区。AQ到底是否能解决患者的困惑？它又能否在医院体系中发挥出应有的效能？

为此，新京报新京智库组织了主题为AI+医疗健康管理创新应用研讨会。多位来自一线的专家从医院运营逻辑、质量管理要求、AI模型建设、制度合规边界等不同角度出发，分析了有些AI医疗产品为何更容易在医院落地。

AI医疗从手术室到医疗科普

在医院系统中，最复杂、最不容出错的场景是手术室。这里的每一次用药、每一项指标波动，都可能关系到患者生死。也正因如此，AI在手术室内的应用常被视为医疗人工智能的高地。

中国医学科学院阜外医院麻醉中心主任医师张喆介绍，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得那样缜密。

有的主流通用大模型也在尝试介入这一医疗场景，在术中实时提供决策建议、风险预测。但张喆指出，目前的通用大模型主要以文本或简单图像进行训练，无法原生解析监护设备实时输出的生理波形等高频生命体征数据流，也无法识别医生的诊疗操作和用药行为，因此难以胜任手术室内的秒级更新和实时反馈需求，而更适用于医学教育和事后分析等场景。

相比之下，虽然AQ并未直接切入手术场景，却从另一个角度切中了医院的刚需:为庞大的就诊人群提供术前分流和院外支持。

据AQ发布的信息，该产品已接入90万医生、覆盖5000家医院，并能通过AI名医分身提供24小时问诊服务，并将问诊内容同步到医生工作站，帮助快速完成患者医疗信息的采集，进一步提升医生工作效率，同时，非重症患者可在院外获得初步健康判断、报告解读和用药指导。

这一路径背后有蚂蚁医疗多年的沉淀用户规模和技术根基。据悉，AQ依托的蚂蚁医疗大模型在HealthBench与MedBench两大权威榜单持续领跑。其中，在OpenAI主导的HealthBench测评中，其复杂推理能力与医学共识能力(HealthBench Consensus得分0.9275)两项核心指标超过DeepSeek。

张喆从医院诊疗的实际场景出发强调，虽然AI在术中决策辅助方面的应用尚不成熟，但在提高手术团队诊疗效率方面可发挥重要作用。据研究报道，医疗文书工作占用了手术团队医护人员约50%的工作时间，如果AI能协助实时记录诊疗信息、优化流程管理、辅助团队沟通，将极大减轻医护负担。在院前阶段，通过自动导诊、报告解读等方式提前分流患者，也被视为医院整体效率提升的重要环节。

张喆认为，真正高价值的AI不是仅服务复杂诊疗场景，而是在医护最疲惫的重复性简单工作方面帮一把，让医生把有限的时间和精力用于核心诊疗环节。

正因如此，AQ虽然没有瞄准最复杂的术中场景，却在普遍、频发、高需求的医院外围服务中，承担了极具现实意义的减压阀角色mdash;mdash;它不以惊艳技术为卖点，而是把握住医院系统中真正沉重的部分，用可控、专业、闭环的路径，重塑患者与医院的连接方式。

而从医院整体运作的角度看，AQ正在做的，或许就是这类系统性价值的构建。

期待AQ助力普惠医疗早日实现

AI的真正价值，不仅体现在对医生的技术辅助，更在于能否从系统层面缓解医院的运行压力。特别是在我国医疗体系面临资源高度集中、医生负荷超载的背景下，像AQ这样的智能工具，其在医院体系中的现实作用，或将发挥远超想象的作用。

2025年初卫健委发布的《2024年全国医疗服务能力调查报告》数据显示，我国三级医院仅占医疗机构总数的7.8%，却承担了全国50%以上的门诊量。大量患者向大医院集中，使得号难挂医难见成为普遍现象。而AQ作为连接医院与患者的中间层，其设计初衷之一，正是让专业技术和优质资源共享给大众，从而实现让医疗普惠每个人的目标。

AQ对医院的实际价值，在不少医生看来，首先是分担了大量非必须面对面完成的任务。

江苏省昆山市第一人民医院骨科主任医师、质量管理部主任陆轲表示，像AQ这样的AI模型，其实可以把很多事务性的工作前置掉，帮医生节省时间和精力。其实很多患者来医院就想确认一下检查结果、用药是不是可以继续。这类需求很多时候都不一定要跟医生当面沟通，如果能借助如AQ这类系统进行解答，减轻医生的负担是有可能的。

例如在报告解读环节，据官方数据，每天有上千万份医学检验报告出具，但90%的人看不懂报告内容。过去，医生需要花费大量时间为患者解释这些报告。据介绍，现在AQ通过其自研的多模态识别模型，支持拍照上传检验单，系统自动分析异常指标、提供解读意见，还能将重要指标变化关联历史记录，提示用户是否需要进一步就医。

此外，AQ在名医AI分身功能上，已在多家医院开展试点合作，并在运营效率上取得了实际成效。比如上海仁济医院泌尿科与蚂蚁集团共建的RJUA智能体，已在上线半年内服务30万患者，占门诊总量超过50%。上海仁济医院泌尿科主任医师潘家骅表示，这几乎相当于用AI再造了一个泌尿外科。

张喆也介绍，AI如果能在术前做出较为精准的个体化风险预测，并在术后给予患者康复指导与用药提醒，将能够缓解手术团队医生面临的全流程诊疗压力。因此，未来的AI，不是让医生离场，而是让医生不再孤军奋战。

这正契合了AQ正在建设的健康管理生态:支持用药计划、慢病监测、设备对接、饮食与运动建议等多维健康档案管理服务。通过对接患者端和医院端数据，AQ不仅服务患者，还成为医院院前+院后服务闭环的重要基础设施。

因此，可以说AQ是在医院体系中构建起了AI的外延触角。它不以高技术门槛取胜，而是在每一个琐碎但高频的医疗环节中，用切实有效的功能，让医院运行得更高效、医生工作更聚焦、患者体验更顺畅。

应急总医院医务处副处长、副主任医师郑山海表示，期待像AQ这样的大模型能够助力我国早日实现普惠医疗。

技术之外是制度:为什么医院更容易信任AQ？

在医院引入AI的过程中，技术并非唯一的考量因素，甚至不是最优先的条件。对医疗机构而言，能否被信任、是否合规、安全边界是否清晰，往往比模型参数、运算速度更为关键。

这也是为什么，相比起性能出众的通用大模型，医院更倾向于使用具备制度托底和专业责任的模型体系，而AQ正是这样一个产品。

郑山海表示，医疗场景下使用AI模型，必须考虑其合法性和资质，如果它给出的内容出错了，有没有办法复核？这些问题都决定了它能不能用在医院。主流通用大模型更适合医生去验证，而不是病人直接使用，病人使用时必须清楚使用这个模型可能存在误导。

张喆也表示，AI一旦深入手术室这种高风险场景，其最大挑战不是建模能力，而是可解释性和信任机制。张喆强调，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。

陆轲同时指出，像AQ这样的产品，并非闭门造车，其研发基础建立在临床知识图谱与医生反馈机制之上，更贴近医院真实的工作场景与决策流程，具备较强的实用性和可落地性。

陆轲进一步解释，AI若要真正融入医疗体系，必须明确其应用边界与角色定位。当前医疗AI的使用可以分为三个层级:患者自用、基层医生辅助(如初诊分诊、慢病随访)以及专家决策支持(如辅助诊断、术前规划)。不同层级对应不同的风险等级，也应设置不同的幻觉容忍度和审核机制。

就像电影有分级制度一样，医疗AI也需要根据使用人群、使用场景以及预期干预深度，制定相应的分级准入和监管体系，陆轲强调。

在模型提示语设计方面，AQ也体现出更高的自律。例如所有输出内容均以AI生成标注，不作为最终医疗建议，而是引导用户在必要时仍需就诊或建议咨询医生。这一做法虽然在体验上少了些果断，却在医院评估其安全性和合规性时，反而加分。

从这个意义上讲，AQ所代表的，是一种可监管、可解释、可交接责任的AI范式。