引子：从一个明显的对比开始
2023年的ChatGPT可以回答"心衰患者应该用什么药"。
2026年的医疗AI智能体可以做的是：（1）自动调取该患者在HIS系统中的全部历史病历和检验报告，（2）比对最新的心衰治疗指南中与该患者年龄、肾功能、血压水平相匹配的推荐方案，（3）检查待开处方中的药物是否存在相互作用风险，（4）在确认无误后生成医嘱草稿，同时向患者手机推送用药说明和下一次随访预约链接。
从"回答问题"到"完成任务"，就是大语言模型到AI智能体的跨越。
这两者之间的能力鸿沟，不是"模型变强了一点"，而是"模型学会了行动"。它的后果不是"医生有了一个更聪明的问答工具"，而是"医院的工作流将要被重新组织"。本文试图讲清楚三件事：智能体到底是什么，它和普通AI助手有什么本质区别；它已经在医院里做了什么；以及它可能把我们带到哪里。
一、什么是AI智能体——给非技术读者的一份说明书
从"大脑"到"身体"
如果把一个大语言模型（如DeepSeek、通义千问、Claude）比作一个"大脑"——它拥有海量的知识储备和强大的推理能力，但只能通过"你问我答"的方式与你交互。
那么AI智能体就是在"大脑"之上增加了三个核心组件：
第一，感知能力——不只是接收你输入的文字，而是可以主动读取外部信息：一份CT影像、一条心电图波形、HIS系统里的一条检验结果、可穿戴设备上传的连续血糖数据。
第二，行动能力——不只是生成一段回复，而是可以执行具体的操作：调取数据库、填写表单、发送通知、控制设备、在电子病历中写入一行医嘱。
第三，规划与记忆——不是回答完一个问题就"忘记"了刚才的对话。智能体可以记住一个患者的完整诊疗过程，在一段时间内持续追踪其病情变化，根据新的检查结果动态调整后续计划。
用最简单的话说：大模型是"你问他，他回答"。智能体是"你交给他一个目标，他自己拆解、规划、调用工具、执行步骤、检查结果，直到目标完成"——你不需要告诉他每一步该怎么做。
一个直观的类比
如果你用过ChatGPT，你的体验是：打开对话框，键入问题，阅读回答，关闭页面。
如果你用过智能体，你的体验是：告诉它"帮我整理这个患者的术前评估"，它会自己去HIS查病历、去PACS调影像、去LIS取检验结果、自动填写术前评估表、标出异常值并给出处理建议。你不需要分别打开四个系统、不需要逐项核对、不需要手工填写——你只需要审核最终结果。
这个区别的本质是：大模型改变了"获取信息"的方式，智能体改变了"完成工作"的方式。前者影响的是医生查资料的时间，后者影响的是整个医疗工作流的设计。
智能体在医疗之外：已在改变哪些行业
在进入医疗场景之前，有必要简短地看一下智能体在其他行业的渗透，以帮助理解它的通用能力边界。
软件开发领域：OpenAI的Codex和Devin类智能体已经可以从一句自然语言需求描述出发，自动完成代码仓库搭建、依赖安装、编码、单元测试、部署和bug修复的全流程——程序员从"写代码"变为"审代码"。
金融服务领域：智能体可以同时监控数十个数据源——市场行情、公司公告、监管文件、新闻舆情——在检测到特定信号组合时自动触发交易或风险预警，并生成合规报告。
制造业领域：具身智能体（有物理身体的AI）正在工业质检、仓储物流和精密装配等场景中部署——它们不仅"看懂"了缺陷，还"伸手"把缺陷品挑出来了。
法律领域：智能体可以自动检索判例、比对合同条款、识别风险点和建议修改方案，将一份合同审查从数小时压缩到数分钟。
这些行业的共同经验是：智能体的核心价值不在"知道得多"，而在"能把知识转化为行动序列"。而医疗行业的环境——多系统、多模态、高时效要求、决策后果严重——恰恰是最需要"知识转化为行动"的领域。
二、智能体已经在医院做了什么？——2025-2026年中国医院真实落地全景
以下所有案例均基于2025-2026年的公开报道和官方发布。按临床应用场景分类，而非按医院分类——因为按场景分类，才能看清楚智能体在不同医疗环节中的能力图谱和覆盖密度。
场景一：影像诊断——从"AI看片"到"AI写报告、AI审核"
影像诊断是医疗AI渗透最早的领域，但此前的能力上限是"检出病灶并标注位置"。2025-2026年的智能体版本，将能力扩展到了"理解病灶的临床含义→生成结构化报告→辅助鉴别诊断"。
北京天坛医院的"小君医生2.0"颅脑CT诊断智能体，可识别94种疾病，从图像分析到报告生成压缩至1分钟以内，准确率87.8%。目前已在14省市40余家医疗机构部署。值得注意的是——它不是在"帮放射科医生看片"，而是在"帮所有需要看颅脑CT的临床科室（急诊科、神内科、神外科）做快速初筛和报告生成"。这个使用场景的广度，远超单纯的"放射科AI工具"。
北京安贞医院的心血管超声诊断及决策智能体，已部署至全国31个省区市1,000余家医疗机构，包括西藏、新疆等边远地区。超声诊断的操作者依赖性在所有影像检查中是最高的——不同医生的切面选择、测量方式和诊断结论差异显著。安贞的智能体在跨操作者、跨设备的标准化诊断上实现了突破，这本身就是智能体在"鲁棒性"上的一个硬指标验证。
2026年6月，德国MIRA系统在《自然》杂志发表的评估结果显示，其诊断准确率87.8%，超越了6人专家组的78.1%。同期的谷歌AMIE在治疗精准度和指南遵循方面优于全科医生。这两个结果的共同信号是：智能体的诊断能力正在从"非劣效于人类医生"走向"在特定指标上超越人类医生"。
场景二：临床辅助决策——从"提醒"到"执行"
这是智能体概念在医院落地最彻底的场景，也是"回答问题"和"完成任务"区别最清晰的场景。
北京协和医院在2026年6月发布的"协和智枢"综合智能体矩阵，包含110余项专科专病智能体，覆盖罕见病、心肺影像、肿瘤放疗、妇科盆底、重症监护等领域。这些智能体不是各自独立的软件——它们是部署在同一架构上、共享患者数据底座、可以互相调用的"智能体集群"。
一个罕见病患者进入协和，可能同时触发多个智能体协同工作：遗传变异分析智能体（精准度99%）解读全外显子测序结果，文献检索智能体在海量文献中匹配相似病例报道，药物推荐智能体比对基因突变和靶向药物适应症，随访管理智能体生成个体化监测方案。"协和·太初"罕见病大模型上线一年内，有效问诊超9,000例，其中1,000多例罕见病患者在AI辅助下实现确诊——对于罕见病患者而言，确诊本身往往是整个诊疗旅程中耗时最长、最痛苦的一步。
北大第一医院的慢性肾脏病共病数字医生助手采用了"规则引擎+大模型"的双引擎架构——规则引擎负责安全底线（如危机值预警、不合理处方拦截），大模型负责个体化推理（如共病状态下的用药调整建议）。这个架构设计说明了一个关键的技术判断：在医疗场景中，智能体不能用纯LLM驱动——关键时刻需要硬编码的安全规则来做兜底。
场景三：病理与肿瘤——从"人看显微镜"到"AI做初筛"
广州医科大学附属第一医院的DeepGEM病理AI，可以从常规病理切片图像中预测肺癌的EGFR、KRAS等关键基因突变状态，准确率超过90%。
这个案例的意义超出了"AI辅助诊断"。在目前的临床实践中，检测EGFR突变需要做基因测序——费用数千到上万元，且需要数天到数周出结果。如果AI可以从成本几乎为零的常规HE染色病理切片中直接预测基因突变状态，它不是在"辅助"现有的诊疗路径——它是在改写这个路径。高通量、低成本、即时结果的基因突变初筛，将使精准靶向治疗的可及性发生质变。
南方医院的宫颈细胞学AI可识别15类病变，每例分析时间从人工阅片的5分钟压缩至30-50秒，已形成"AI初筛+医生复核"的工作模式。这个模式已在病理科日常运转中验证了可行性——它不是演示，不是试验，是日常。
场景四：手术全流程——从"规划"到"导航"到"术后管理"
手术场景的智能体应用分布在术前、术中、术后三个环节，各自有不同的技术成熟度。
术前规划：联影智能的手术路径规划智能体，输入CT/MRI后自动生成3D手术路径模型，标注神经、血管、重要脏器位置，模拟不同入路的出血量和风险指标，推荐最优路径。
术中导航：广医一院的肺结节裸眼3D导航手术，术前完成三维重建，术中实时对照病灶与周围血管的位置关系，帮助术者在不损伤关键结构的前提下精准切除。
术后管理：中山大学肿瘤防治中心与联影智能合作的病情管理智能体，在胸科病区试点，自动追踪术后患者的关键指标变化趋势，异常时自动推送预警，提升查房效率。
这三个环节目前仍是独立部署的，尚未打通为一个"覆盖术前-术中-术后全程的手术智能体集群"——但这是可以清晰预见的下一步。
场景五：随访与慢病管理——智能体释放的最大增量
在所有医疗AI应用中，随访和慢病管理可能是智能体对"覆盖人数"贡献最大的场景。因为这类场景对专科医生资源的需求远远超过了供给。
山东大学齐鲁医院与讯飞医疗联合研发的"齐鲁·星火"全病程管理大模型，自2025年4月至2026年2月已完成超过16万名出院患者的智能随访，覆盖率77.98%，患者满意度91.91%。
这个数字的意义需要与人工随访的基线对比才能理解。在没有智能随访系统的医院，出院患者的电话随访覆盖率通常在30%-40%之间——不是因为不想随访，是因为没有足够的人手。一个护士一天能打的随访电话是有限的，且大部分时间花在了重复性的问题解答上。智能体不是替代护士的临床判断——它替代的是"重复询问同样的术后注意事项""逐条记录患者的回答""标记异常并转交医生"这类高度重复的操作性工作。
联影智能与中山大学肿瘤防治中心合作的健康宣教护理智能体，以数智人（数字人类）形态实现实时交互——患者可以在胸科病区随时向数智人咨询术后护理问题，获得标准化、个性化的回答。这对于出院后回到家中、无法及时联系到主管医生的患者而言，其价值不亚于"把一位护士带回家"。
三、政策如何为医疗智能体铺路？——两份关键文件的逐层拆解
中国医疗智能体的加速落地，不是孤立的技术突破，而是在一个层层推进的政策框架下完成的。以下梳理两份最直接相关的政策文件，重点标出其中与"智能体"直接关联的条款和目标。
第一份文件：五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》
国卫办规划发〔2025〕30号，2025年10月由国家卫生健康委、国家发展改革委、工业和信息化部、国家中医药局、国家疾控局联合印发。这是截至目前中国在"AI+医疗"领域最系统、最全面的政策文件。
文件中，"智能体"被明确写入两个阶段性目标：2027年——"形成一批临床专病专科垂直大模型和智能体应用"。2030年——"基层诊疗智能辅助应用基本实现全覆盖"。
更关键的是，文件在八个重点领域中系统性布局了智能体的落地点：基层诊疗辅助（第2条）、临床专病辅助诊疗（第6条）、患者智能服务（第8条）、科研智能体共建共享（第16条）、以及"孵化专业化、专科化的医疗智能体"（第24条）——智能体不是一个笼统的"鼓励方向"，而是被嵌入到了每一个具体的应用场景中。
此外，文件明确提出了基础支撑体系的建设任务：国家和省两级全民健康信息平台、高质量数据集和可信数据空间的建设、国家人工智能应用中试基地——这些基础设施不是为了某一家医院或某一家公司建的，而是为医疗智能体的规模化部署提供统一的算力、数据和验证平台。
第二份文件：国家数据局高质量数据集建设行动方案（25号文）
前文已有逐条分析，在此不再重复。需要补充的关联点是：25号文的"六大行动"与五部门"AI+医疗"意见的"智能体目标"之间，存在一个被大多数人忽略的衔接——
智能体的表现上限由两个因素决定：模型能力和数据质量。模型能力的提升主要由AI厂商推动。数据质量的提升——尤其是经过专家标注的多模态AI-Ready数据集——主要由医院和数据治理服务商推动。五部门意见画出了"智能体在哪落地"的地图，25号文提供了"智能体落地所需的数据燃料从哪里来"的生产线。两份文件放在一起读，才能看到一个完整的布局。
第三重推动：北京中试基地与各省的跟进
2026年6月9日，北京市发布了国家人工智能应用中试基地（医疗）的阶段性成果。协和、天坛、安贞、同仁等医院的智能体均在该基地完成了从"实验室模型"到"临床可部署产品"的中试验证。
中试基地的本质是什么？是一个"风险缓冲层"。一个AI模型在实验室跑出高准确率，不能直接部署到临床——需要在一个"不是完全真实但接近真实的医疗环境"中验证其安全性、稳定性和鲁棒性。中试基地提供了这个缓冲层。
北京市中试基地的"五位一体"架构——算力服务、模型服务、数据服务、应用中试验证、安全评测——已经为其他省份提供了一个可参考的模板。随着更多省份建立类似的中试基地，医疗智能体的规模化部署将拥有标准化的验证和准入通道。
四、未来：当智能体集群覆盖一家医院的全部工作流
前面描述的五个场景——影像诊断、临床决策、病理、手术、随访——目前是各自独立部署的。但在政策框架和技术演进的自然推动下，一个可以推演的未来是：这些智能体将在三个维度上发生融合。
融合一：从"单点智能体"到"智能体集群"
协和医院的110余个智能体已经在共享同一个数据底座。当一个患者从"初次就诊→影像检查→病理确诊→手术→术后随访→复发监测"的完整旅程中，每一步都有对应的智能体在独立工作——但这些智能体之间目前并不自动传递信息。
下一步是打通：影像诊断智能体发现的肺结节，自动触发病理智能体的优先级调整；病理智能体确认的基因突变类型，自动触发临床决策智能体的靶向药匹配；用药方案确定后，自动触发随访智能体生成个体化的不良反应监测计划和复查时间表。
这不是科幻。这是一个数据底座统一、API标准统一、患者主索引统一之后，技术上可以自然发生的演进。协和今天的110个智能体各自独立运行，和明天的110个智能体协同工作——中间只隔着一个"工作流引擎"。
融合二："医生自建智能体"——从"用AI"到"教AI"
广州南方医院的"南医小智"平台，让医生无需编写代码即可自己创建专科智能体。中山大学肿瘤防治中心的"千人千面智能体平台"已帮助医生自主建立了168个智能体。
这个模式的价值不是"医生省了找程序员的时间"。它的价值在于——只有临床医生知道自己在哪些环节需要什么样的智能辅助。一个放射科医生需要的是"自动对比同一患者三次复查CT的结节体积变化并生成趋势图"。一个内分泌科医生需要的是"根据最近三次血糖数据和用药记录调整胰岛素剂量建议"。这些高度专科化、高度个性化的需求，任何统一开发的"通用医疗智能体"都无法满足。
"医生自建智能体"意味着智能体的开发从"供给侧推动"变为"需求侧拉动"——医生不再是被动等待AI厂商开发出自己需要的工具，而是可以主动创建、测试、迭代自己科室的专用智能体。这种模式如果规模化，医院将不再有"一个AI系统"，而是有"数百个专科智能体"，由不同科室的医生各自维护，在同一个医院数据底座上运行。
融合三：从"医院内"到"医院间"——智能体的跨机构协作
五部门意见中明确提出"基层诊疗智能辅助应用基本实现全覆盖"的2030年目标。实现这个目标的路径，不是为每一家基层医院单独开发智能体，而是让头部医院开发和验证的智能体"下沉"到基层。
北京协和的110个智能体已下沉至30余省份的县域和乡镇。安贞的超声智能体已进入1,000+医疗机构。同仁的眼科智能体已覆盖全国30省，并开始向东南亚和海湾国家输出。
但这个"下沉"模式目前有一个未解决的问题：基层医院的设备和操作环境与开发智能体的头部医院有差异。协和开发的罕见病智能体，在基层医院可能因为基因检测设备不同、数据格式不兼容而无法直接使用。解决这个问题需要的是"边缘适配层"——一个能在不同医院的不同基础设施环境之间做数据格式转换、模型适配和性能优化的中间件。目前这个层级的产品化程度还很低。
五、AI产业的技术曲线，会把医疗智能体的天花板推到哪里？
上面讨论的是智能体"已经在做什么"和"下一步可以做什么"。这一章讨论的是智能体"最终能做到什么"——这取决于AI底层技术的能力曲线会如何演进。
从2023年到2026年，AI底层能力发生了四个方向上的跃迁。每一个跃迁，都对应着医疗智能体能力天花板的实质性抬升。
方向一：多模态融合——让智能体"看懂"一个患者的所有数据
2023年的模型只能处理单一模态：要么看文本，要么看图像，做不到两者融合。2026年的主力模型（GPT-5.2、Gemini 2.5 Pro、DeepSeek-V4、通义千问最新版）已经可以原生处理文本、图像、音频和视频的联合输入。
对医疗智能体意味着什么？一个未来的智能体可以同时"看到"患者的CT影像、"听到"患者描述症状的语音、"读到"病历中的既往史、"比对"最新的临床指南、"检索"相似病例的文献报道——并在一次推理中综合所有这些信息，给出一个考虑了所有维度的建议。人类医生在理论上可以做这件事，但在实际门诊的3-5分钟问诊时间内几乎不可能完成。智能体不受时间限制。
方向二：长上下文窗口——让智能体"记住"一个患者的全部历史
DeepSeek-V4支持百万字级别的上下文窗口——足以一次性载入一个慢性病患者的全部历史病历、检验报告、影像描述和用药记录。
这对于慢性病管理和复杂病例的多学科会诊有颠覆性的影响。一个糖尿病患者在过去五年中所有的血糖波动、药物调整、并发症进展、住院记录——在传统诊疗中，没有一个医生能在短短几分钟的门诊中回顾所有这些信息。智能体可以在几秒内完成全程回顾，并从中提取出人类可能遗漏的长期趋势和微弱信号。
方向三：推理能力的代际提升——从"模式匹配"到"逻辑推理"
2026年的推理模型（DeepSeek-R1、OpenAI o3/o4、Claude Opus 4.7的扩展思考模式）展示了与2023年模型完全不同的推理模式：它们不再是"根据训练数据中的统计模式做预测"，而是可以"在推理时主动拆解问题→提出多个假设→逐一验证→排除不成立的→输出最终结论并展示推理过程"。
这个能力与临床诊断中的"鉴别诊断"过程高度同构。当前的医疗智能体更多依赖的是"模式识别"——根据大量训练样本中学到的统计关联来判断"这个影像表现大概率是什么病"。但下一阶段的医疗智能体，将具备类似资深医生的"鉴别诊断推理"能力：在多个可能的诊断中，根据每个诊断的关键特征、支持证据和排除依据，进行结构化的比较和排除。
方向四：智能体的"具身化"——从给出建议到执行操作
联影智能在2025年RSNA展出的具身智能机械臂，代表了智能体"手"的能力。结合达芬奇5的My Intuitive+平台——它在每一台手术中自动采集视频和运动学数据，自动生成AI洞察和建议——一个可以预见的未来是：手术智能体不是"术前给一个3D路径建议"，而是在术中实时感知组织状态、预测出血风险、向术者发出预警并建议调整策略。
需要注意的是，具身智能体在医疗中的应用有一个绝对不可逾越的红线：最终的操作决策权和执行权必须始终在人类医生手中。智能体可以"建议"、"预警"、"模拟"、"导航"——但不能"自主执行"。这不是技术做不到，是伦理不允许。五部门意见的第一句原则就是"赋能而不替代"。
六、被智能体重新组织的医疗：一个可以推演的图景
前面五个章节分别讲了技术、案例、政策、路径和天花板。最后一个章节，我们把这些串起来，推演一个智能体全面渗透之后，医院、患者和整个医疗行业可能发生的结构性变化。以下不是预言——它是在已有技术、已发布政策和已落地案例的基础上，按逻辑推演的下一阶段。
对医院：从"医生驱动"变为"人机协同的工作流网络"
当前一家医院的运转，核心流程是"医生发出指令，其他环节响应"——医生写医嘱，护士执行；医生开检查，放射科执行；医生写手术通知单，手术室安排。
当智能体集群覆盖到一定密度时，医院的运转逻辑将发生一次静默的转变。不是"AI替代医生发号施令"——是大量不需要医生亲自判断的重复性操作，由智能体在医生设定的规则框架内自动完成。
一个住院患者的日常血糖监测和胰岛素剂量微调，不再需要医生每天查房时手动调整——血糖管理智能体根据连续血糖监测数据和预设的调整规则自动生成建议，医生在手机端一键确认。一个术后患者的出院随访，不再需要护士逐个打电话——随访智能体自动推送问卷、自动解析回答、自动标记异常并转交主管医生。
这会把医生从大量"没有临床决策含金量的重复劳动"中释放出来，把有限的精力和时间聚焦在真正需要人类判断力的环节——复杂诊断、治疗方案的关键决策、与患者和家属的沟通、紧急情况下的快速判断。
对患者：从"我看了一次病"到"我被持续管着"
当前的就医模式是"间断式"的——生病了去医院，看完病回家，下次不舒服再去。中间的"院外时间"是医疗系统的盲区。
智能体可以改变这个结构。一个高血压患者，不再是"每三个月去医院量一次血压、医生根据那一次的数据调药"——而是智能体通过可穿戴设备持续追踪血压趋势，在趋势异常时主动联系患者和医生，根据连续数据动态微调用药方案，在需要面诊时自动预约最近的合适的门诊。
这不是"更频繁地看病"——这是把"看病"从"点到点的离散事件"变成"一条覆盖院前、院中、院后的连续照料线"。对患者而言，这意味着从"我怕忘了问医生这个问题"到"智能体已经帮我把问题提前整理好了、推送给了医生、并在我离开医院后继续跟踪我的恢复情况"。
但这里有一个需要正视的矛盾：这种"持续被管理"的体验，对于健康素养较高的患者是赋权，对于数字素养较低、更习惯传统就医模式的老年人可能是负担。智能体对患者体验的最终影响，取决于交互设计的人性化程度——而不是AI能力本身。
对医疗行业：从"资源短缺"到"能力复制"
中国医疗资源的结构性矛盾，本质不是"总量不够"——是"分布极度不均"。全国3亿多儿童只有不到21万儿科医师。超声科合格的诊断医师高度集中在三甲医院。罕见病患者平均要经历4-5家医院、数年时间才能确诊。
智能体解决这些问题的逻辑不是"生产更多医生"——培养一个能独立执业的医生需要10年以上——而是"复制头部专家的诊断和决策能力"。北京安贞的超声智能体在1,000+医疗机构中提供的诊断参考，本质上是安贞医院心脏超声专家的诊断能力被标准化、数字化之后的大规模分发。北京儿童医院与百川合作的AI儿科医生，本质上是300名儿科专家的临床思维被拆解为1,000余条原子化临床路径之后的"能力复制"。
当这种"能力复制"达到一定密度——当基层医生在每一个关键决策点都有智能体的实时辅助，当每一个罕见病患者都能在第一时间被智能体识别出"这个症状组合可能是某个罕见病"并自动匹配到最近的诊断中心——中国的医疗资源不均问题，将从"供不应求的不可解方程"变成"优质能力被智能体放大之后的分布式系统"。
一个长期的图景：医疗的"操作系统"级别的重构
当下的医疗信息化——HIS、PACS、LIS、EMR——本质上是一套"记录系统"：记录医生做了什么决策、开了什么药、患者付了多少钱。它不参与决策，不预测风险，不主动干预。
融入智能体之后的下一代医疗信息系统，将不再是"记录系统"，而是"决策-执行-记录"三位一体的"操作系统"。
在这个操作系统中，人类的角色也将发生变化。医生的核心价值将从"我知道这个病怎么治"转向"我在多个可能的方案中做出最适合这个患者的选择"——前者是知识，可以被AI学习和复制；后者是判断，需要人类的价值观、同理心和对个体命运的责任承担。护理人员的核心价值将从"执行医嘱"转向"与患者建立信任、观察AI难以捕捉的细微变化、在紧急情况下做出快速反应"。
这不是一个"AI取代人类"的故事——这是一个"被重复性劳动占据的人，终于可以去做只有人能做的事"的故事。而让这个故事变成现实的，不是某一家公司的某一个模型——是政策、数据、算力和临床需求在同一时间窗口的汇聚。这个窗口，就是现在。
写在最后
2026年6月，北京协和医院的110余个智能体正在全国30余省份的基层医疗机构中运行。这些智能体中的绝大多数，两年前甚至不存在。
如果以这个速度推演，2028年——五部门意见的第一个关键目标年——一个三甲医院的日常运转中，智能体参与的比例可能超过多数人的想象。不是"医生被替代了"，而是"过去一个医生只能管20张床，现在因为有智能体分担了重复性工作，可以有效管理40张床、同时把更多时间花在最需要人类判断力的复杂病例上"。
最后的判断留给读者：当"赋能而不替代"从一个政策原则变成一个可操作的技术现实，改变的将不只是医生的工具——改变的将是"什么是医生""什么是医院""什么是看病"这些最基础的定义。
本文信息截至2026年6月。政策依据：国家卫生健康委等五部门《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》（国卫办规划发〔2025〕30号，2025年10月）；国家数据局《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25号，2026年6月）；工信部/国家数据局"模数共振"行动（工信厅联科函〔2026〕193号，2026年4月）。案例来源：北京市国家AI应用中试基地（医疗）阶段性成果发布会（2026年6月9日）；人民日报大健康观察"哪些AI医生已上岗"（2026年6月16日）；Nature同期两篇医疗AI模型论文（2026年6月）；各医院官方发布及公开媒体报道。本文中的未来推演基于已有技术和政策的逻辑延伸，不构成对任何企业或产品的预测。
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
