智能原生：AI医疗应用破局者？
{"id":"512006","toptitle":"","toptitle_color":"","title":"智能原生：AI医疗应用破局者？","title_color":"","subtitle":"","subtitle_color":"","crtime":"2026-06-30 09:00:51","condition":"来源： 健康报 ","thumb": ""}
2025年8月，国务院印发《关于深入实施“人工智能﹢”行动的意见》，从国家层面提出“培育智能原生新模式新业态”。智能原生是什么？它能否破局人工智能（AI）医疗应用？本期“双月话题”聚焦“智能原生”这一前沿概念，邀请多领域专家，探讨智能原生对推动我国AI发展的作用，探索其破局AI医疗应用的可能性。
智能原生离我们还有多远
□中国信息通信研究院人工智能研究所大数据与智能化部主任 姜春宇
从概念层面看，智能原生（AI-Native）是指以AI为核心驱动力的系统性范式变革，即从设计初始便将AI作为根本驱动力构建的产品、企业或系统。需要强调的是，智能原生并非技术工具的简单叠加，而是产业逻辑、发展范式与竞争生态的全方位跃迁。
当前，大多数人对AI存在一定的认知偏差，普遍将其视为一种外挂工具，将其功能局限于提升工作效率，如辅助撰写文档或课件、解答日常问题、检索学术资料等。就如19世纪汽车诞生初期，很多人认为汽车只是“没有马的马车”，这种错误认知源于用旧形态定义新事物。
事实上，智能原生与在现有基础上叠加应用AI是完全不同的。后者就像在马车上安装发动机，而智能原生是从零开始设计一辆汽车，重新设计底盘、避震及动力系统。若人们仅将AI作为外挂工具，解决的仅是表层效率问题，无法实现质的突破。
从落地层面看，智能原生范式的形成需依托一系列关键技术基础设施的支撑。智算设施的规模化建设、大模型与智能体技术的持续进化、数据飞轮的快速形成，共同构成了智能原生运行的技术基础。
业内认为，智能技术在各类场景中的广泛应用，既会催生更多新的应用模式和业务形态，又会进一步深化人机协同方式，孵化出新的创新企业，形成新的商业模式和价值分配机制。
智能原生并非遥不可及的未来，而是正在发生的一场变革。它以技术为起点，重塑产品、重构产业、重织生态。当技术变革广泛延伸至社会的方方面面，智能原生所驱动的将不再局限于效率的提升，最终将引发生产方式、社会结构与人类能力形态的系统性进化。
在迈向这一愿景的过程中，不仅需要通过技术普惠来释放个体的创造潜能，还需要政府、企业、科研机构与个人多方协同共治，在开放创新中筑牢智能原生的安全底线，在价值对齐中引领智能文明迈向以人为本的新时代。
探索建设多智能体协同智能原生医院
□中国卫生信息与健康医疗大数据学会副会长 胡建平
数十年来，医院信息化建设从单体架构到机构服务总线（ESB）集成平台，再到微服务，为提升医疗服务质量和效率发挥了重要作用。然而，仍有四大问题至今未被触及。一是医疗数据主要依附于功能模块，未被作为独立要素进行设计，由此埋下“数据孤岛”问题的隐患。二是医疗流程以静态代码形式体现，但医学具有不确定性，静态代码与动态临床现实存在矛盾。三是AI仅作为外挂工具，用于优化已有步骤，没有重新定义步骤。四是在交互方面未能实现人的自然表达。
由此可见，必须跳出现有组织功能模块惯性，转向定义角色与能力，让AI赋能医疗系统的原始设计，即用智能原生理念破局AI医疗应用。
笔者认为，打造智能原生生态要覆盖5个维度：原生感知、原生逻辑、原生协同、原生交互及原生安全。
多智能体协同是智能原生的重要落地形式，但非唯一实现方式。底层原子服务（基础服务，如影像数据智能采集、检验数据智能驱动标准化与异常判定等）可实现原生感知和原生逻辑。独立智能体可自主编排多个原子服务完成复杂任务，而多智能体协同则进一步解决多角色全局协作这一核心难题。
打造“五层两纵”稳固结构
在医疗领域，临床诊疗本质上是主诊医生动态协调多专业角色协同过程。智能原生架构的技术使命，就是将这一现实协作模式直接映射为系统运行机制，即在底层智能原生的感知与逻辑基础之上，以多智能体协同解决全局协作问题。这标志着从“人操作机器”向“人指挥AI团队”的根本转变。其中，智能体不预设固定流程，而是基于语义理解实时决定执行路径的运行时实体，本质上是执行体而非功能模块。原子服务是固定工具，具有单一职责，禁止内部编排，智能体对其只能调用，无法修改。智能体协同即主诊医生智能体动态安排各专业角色，任务完成后即解散团队。这也是真实世界分工的数字映射。
具体构建智能原生系统时，需构建“五层两纵”稳固结构。
一是数据与对象层。 核心实体应被建模为主动数字对象，具备状态机与事件发布能力。其状态变更可自动驱动智能体。临床反馈构成数据飞轮，形成提升服务质量的正反馈闭环。
二是能力层。 提供共享原子服务，可依据医院规模进行设计划分，其中绝大部分服务支持跨专科共享。原子服务仅响应“执行什么”的指令，不参与“何时触发”与“如何组合”的决策。这一约束可确保无论上层智能体如何动态试错，底层业务始终运行于确定的轨道上。
三是共识与编排层。 通过“发布—安排—承诺”协议，将真实世界的角色分派模式转化为机器协议，实现去中心化协商。
四是多智能体层。 可按需组建团队，任务完成后即刻解散团队，具备主动问诊与临床语境理解能力。
五是交互层。 可采用多模态对话模式，实现信息的动态生成与主动触达。
“两纵”即安全审计功能与可观测性机制。安全审计功能记录各智能体的决策思维链及原子服务调用链，确保责任可追溯。可观测性机制提供全链路监控，当多智能体层无法正常运行时，系统将自动触发降级模式，直接调用能力层的原子服务，以保障业务的最低运行连续性。
构建主动型安全治理防线
安全治理需从外挂式防御系统演进为原生免疫系统。低风险场景下由AI自主执行任务，高风险场景则触发硬中断机制，需经医生确认后再推进。安全治理的核心原则是“AI提出建议、人类作出决策、系统执行操作”。要构建三层AI幻觉防御体系：数据层设置事实锚点、智能体层开展思维链自检、输出层标注置信度。
此外，还要建立三大内生风险应对机制与措施。第一，针对系统性脆弱性，预设降级模式作为韧性底线；第二，针对自动化偏见，嵌入主动异议与技能保持机制；第三，针对责任弥散，建立覆盖全链路的决策追溯体系，确保人机分工可还原、可审计、可归责。
分阶段推进建设工作
智能原生医院的核心价值，在于实现从“人找信息”向“信息主动触达人”的根本性转变。智能原生架构依托多智能体集群在后台自主完成信息汇聚、流程调度与记录生成，使医生彻底摆脱繁杂的表单填写工作，将认知资源重新聚焦于临床决策与患者沟通环节。
建设智能原生医院可采用两种AI介入模式并行模式，分3个阶段进行。
AI介入模式一是让单个/多个智能体独立运行、互不协同，在零风险下建立信任基线。模式二是在信任建立后逐步切换，由主智能体动态编排多角色协同完成复杂任务，按场景复杂度与风险等级自动调整。
阶段一为智能增强期，采用只读权限，以模式一为主要运行方式，旨在建立信任基线。
阶段二为局部自治期，授予低风险场景写入权限，引入智能原生底座，并在头部医院开展模式二的闭环试点。
阶段三为智能原生期，即实现智能原生架构广泛应用，且两种AI介入模式实现常态化并行。
总的来看，智能原生的终极目标不是制造比人更聪明的机器，而是构建一种全新的人机共生关系。大语言模型的持续进化与多模态能力的融合，将不断扩展智能原生架构的能力边界。5个维度原生性与多智能体协同共同构成了一套可迁移的系统设计方法论。
人们将见证的不只是一座医院的建成，而是一种全新系统设计范式的诞生。这一范式将重塑医疗服务的底层逻辑：患者获得更高质量的个体化诊疗，医生回归临床决策的核心价值，管理者实现从被动应对到主动预判的高效模式跃迁。
从“试错”到“计算”：智能原生重构新药研发底层逻辑
□中国科学院杭州医学研究所研究员、博士生导师 张亮
新药研发是医学科研领域公认的“硬骨头”。一款新药从研发到上市，往往需要漫长的周期和巨大的投入，而高失败率难题始终未能被真正破解。以抗肿瘤新药研发为例，一款药物能否研发成功，与肿瘤靶点、突变组合、分子结构和免疫反应等多因素相关，常规实验能够触达的范围始终有限，大量的资源被消耗在难以预判结果的试错之中。
传统模式被颠覆
过去，药物研发常从一个“看起来有希望”的靶点开始，研究者围绕既有假设补数据、做实验。AI的出现，为新药研发提供了从“试错”转向“计算”的新路径。
在研发设计之初就以AI为核心驱动力，重构“数据—模型—实验—反馈”的闭环，这是智能原生理念在新药研发领域的具体应用。
英国的一家新药研发公司借助AI，使其牵头开发的强迫症候选药物成功进入1期临床试验。该项目从启动到完成探索性研究耗时不到12个月，而传统方法完成同类探索过程，通常需要数年时间。这一案例让业界看到，AI不仅能提高效率，也可能改变候选药物产生的方式。
由另一家国外药物研发公司披露的研究显示，AI驱动的表型筛选能在大量化合物中捕捉到与疾病相关的“逆转”信号，并将候选药物作用与特定疾病机制连接起来。这一发现提示，AI新药研发的关键价值不只是帮助更快找到候选分子，而是把生物学洞察、药物设计和临床验证串成连续证据链。
新范式逐渐形成
在中国科学院杭州医学研究所团队的实践中，上述变化正在上演。还是以抗肿瘤药物研发为例，传统路径通常是先由研究者锁定靶点，再围绕靶点进行实验设计。有了AI，研发路径更强调从样本和数据出发：从肿瘤组织、循环肿瘤细胞等样本入手，整合基因组、转录组、蛋白质组、代谢组及质谱信息，再由AI预测新抗原、发现潜在靶点。待靶点确定后，研究者还会让AI继续参与mRNA疫苗元件设计、免疫调控元件筛选、线状与环状mRNA翻译效率预测和优化等过程。
让“上一步输出结果”成为“下一步输入内容”，用实验结果反哺模型迭代。由此形成的不是新药研发流程的单点提速，而是研发决策逻辑的整体重塑。
mRNA序列设计也是AI赋能新药研发的典型例子。例如，编码某个拥有数千个氨基酸的抗原蛋白时，需要搜索的序列数量为10100量级，犹如在沙漠中寻找一枚关键硬币。寻找工作仅靠人工枚举和实验筛选几乎不可能完成。由笔者团队参与开发的Lin-earDesign算法，能把mRNA设计转化为类似计算语言学中的“最优路径搜索”问题，可在约11分钟内完成刺突蛋白mRNA序列设计，同时还能提高分子稳定性和蛋白翻译效率。
由此可见，AI新药研发的意义不仅在于“快”，还在于把传统方法难以触达的高稳定性设计区间带入可探索范围。
在恶性肿瘤机制研究中，AI同样可以帮助研究者进入过去难以覆盖的维度。2024年，由笔者团队参与的一项北京大学研究的结果成功在《细胞》杂志发表。研究者从海量RNA修饰信息中，识别出m6A修饰的着丝粒RNA对维持癌细胞着丝粒完整性具有关键性作用。这为理解恶性肿瘤细胞增殖和寻找潜在治疗靶点提供了新线索。机制研究与药物研发相互衔接，正在形成从疾病机制发现到治疗策略探索的闭环。
不少人担心AI会取代研究者。事实上，AI的优势在于快速收集和整合信息，在巨大的候选空间中完成搜索、预测和优化，帮助研究者制定更多的潜在方案。然而，新药研发的真正挑战往往就是最后的判断：一个靶点是否值得继续投入，一条技术路线是否具有临床价值，一个实验信号是否足以支撑下一步验证，一个候选药物是否能够承担安全性和有效性的风险。
笔者认为，现阶段对“AI会不会取代研究者”这一问题更为准确的理解是：AI正在成为科学决策的重要辅助系统，而不是最终决策者。
与此同时，人们也要看到，AI给出的结论并非一定正确，模型偏差、数据不足和不可解释性都可能放大风险，甚至诱导错误判断。因此，越是让AI进入科研决策环路，越需要建立可解释、可追溯、可验证机制。不排除未来AI会在决策环路中承担越来越重要的作用，但在可见的将来，涉及生命健康研究的关键决策仍需要研究者来拍板。AI可以帮助人类做出更好的决策，但最终责任也必须由研究者承担。
随着多模态生物医学数据的逐渐积累、实验自动化能力提升以及模型与真实世界证据深度融合，AI新药研发将进一步加速发展。研发团队的核心能力将不再是做多少实验，而是能否提出好问题、构建好数据、训练好模型、设计好验证路径。
总的来看，AI新药研发的目标，不是让机器代替人做科学研究，而是让研究者们从更高的维度、以更快的速度，接近疾病和治疗的真相与本质。