2025年12月20日至21日，医院物联网大会系列公益活动暨“行走的课堂”参访研学湖南站在长沙举办。华中科技大学同济医学院附属协和医院信息与数据中心副主任、中国医学装备协会医院物联网分会常务委员副秘书长刘炜应邀出席，并发表题为《人工智能大模型的应用》的主题演讲，系统分享了武汉协和医院在生成式人工智能技术落地医疗场景中的前沿探索、实践成果与未来展望。
01
生成式AI浪潮下的医疗机遇与挑战
以DeepSeek为代表的国产大模型“横空出世”，凭借开源生态、优异性能、低成本部署和垂直场景快速推理等优势，为医疗人工智能应用提供了新的技术基座。然而，大模型在医疗领域的深入应用仍面临多重挑战：
算力获取难：训练、调优与推理所需庞大算力带来高昂成本，且可信算力的性能与适配仍需时间；
算法接纳难：通用模型难以满足严肃医疗场景的专业性与可解释性要求；
数据准备难：高质量医疗语料制备复杂，数据安全与合规共享仍是难题；
场景落地难：医疗业务差异大、流程复杂，单个模型难以支撑全场景应用。
面对这些挑战，武汉协和医院以“医教研管服”五大业务域为主线，系统推进AI技术与医疗场景的深度融合。
02
武汉协和医院AI探索与实践全景
（一）夯实算力基础：构建“自建+租赁+共建”混合模式
医院建设了B级机房，规划面积1100㎡，通过自采30P算力、共建250P‑500P混合智算资源，搭建了覆盖数据集群、应用集群与监控平台的算力体系。配合200Gb/s高速网络，实现功能操作延迟＜100ms、图像加载延迟＜0.5s，为AI应用提供稳定高效的底层支撑。
（二）医疗场景：从影像AI到具身智能机器人
医院依托积累了4.91亿份DICOM数据、777万人次超声数据的“WH Union US”数据库——全球最大单中心多器官超声数据库之一，研发了全球首个突破100种超声诊断的视觉语言大模型“UltraUnion”。该模型基于2.45亿高质量超声数据训练，诊断性能可媲美高年资超声医师，支持8大解剖系统的报告自动生成。
更进一步的创新是“具身智能体检超声机器人系统”，实现机械臂自动扫描、AI大模型实时分析诊断的“扫—检—诊”一体化全流程，已在甲状腺、心脏、肝脏等多个部位开展应用，推动超声检查向自动化、标准化迈进。
（三）教学场景：AI赋能医学教育“管评创新”
医院自主研发“DeepDig UnionSeeker”智慧教学助手，通过22个智能体工作流整合，实现对教学病例的智能评分、要点提炼、优化扩充、临床思维提取与考题生成。系统已积累6000余个标准化病例，在云南临沧、重庆协和医院等区域推广，显著提升培训同质化水平与师生互动质量。
（四）科研场景：构建临床试验智能体体系
医院围绕新药研发，构建了覆盖方案设计、患者招募、数据采集、疗效评价、药物警戒等全流程的智能体应用集群。通过20个医药临床研究智能体与22个专病医疗智能体，实现受试者智能筛选、语音病历生成、风险预警、远程监查等功能，并基于“项目可信数据空间”与“个人可信数据空间”，以区块链技术保障跨机构数据安全共享与合规使用。
（五）管理场景：“信服小助理”提升运维效率
基于“大模型+垂直知识库”架构的“信服小助理”，实现运维需求秒级响应、工单自动生成与智能分派，故障处理时效提升70%，形成“普通问题自助解决、复杂问题协同处理”的分级运维机制。
（六）服务场景：全流程AI陪诊与智慧门诊
医院打造“AI智慧门诊”样板，2024年实现智能加号申请1.6万余人次、模型审核准确率约95%，“智能候诊室”服务患者13.9万人次，AI预问诊生成病历8.6万余份。通过诊前“数字医生”、诊中“就医指引”、诊后“连续医疗”的全流程陪诊服务，推动患者服务从“人找服务”向“服务找人”转变。
03
理性选择技术路径，构建智能医疗新生态
面向未来，刘炜提出关键思考：医院是否需要自主研发基础模型？通过对比分析，他指出在开源基础模型上微调具有“快速落地、风险规避、生态红利、成本可控”四大优势，其时间周期仅为自研的1/6，成本约为1/10，可快速达到主流模型90%以上性能，是更具性价比与现实可行性的路径。
下一步应持续推进三方面建设：
算力基础设施标准化：构建通用、超算、智算融合的算力体系，实现资源高效调度与绿色低碳运行；
多模态大模型融合发展：通过文本、影像、语音、电子病历等多模态数据融合训练，提升AI在复杂医疗场景中的推理与交互能力；
高质量专病数据集建设：加强数据治理、质量管控与多模态融合，为垂类模型训练提供扎实数据基础。
04
拥抱数智时代，共筑医疗AI未来
刘炜总结道，生成式人工智能正逐步从“技术工具”发展为“医疗体系的新生产要素”。武汉协和医院通过“场景驱动、分层推进、生态共建”的实践路径，初步构建了覆盖医、教、研、管、服的智能应用集群。未来，医院将继续以开放协同的姿态，与行业共同推进AI技术的标准化、合规化与普惠化，助力医疗健康事业迈向精准化、智能化、人性化的新阶段。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
