“如果用户用公开的GPU算力数据来测算需求，结果可能会相差千里。”在12月18日于成都举办的“智算协同医疗生态链接未来”主题研讨会上，联想中国基础设施业务群战略管理总监黄山的这句话，揭示了当前AI医疗热潮中一个被忽视的现实：算力投入与实际应用效果间存在巨大鸿沟。

　　这场由联想、英特尔与循上医疗等机构参与的行业讨论，将焦点从技术演示转向了更棘手的落地难题——数据隐私的枷锁、医患信任的鸿沟以及算力投入的效率谜题，构成了AI医疗规模化必须面对的三大考题。而在医疗一线，循上医疗健康学院院长桑田坦言，真正的挑战在于“常规数据只基于平均寿命，但当我们将维度拉宽，判断标准和所需的医疗团队都完全不同”。

　　“数据不出院”与“可见不可用”

　　当前，人工智能技术正加速与医疗健康行业深度融合，但医疗机构在实际运营中仍普遍面临诸多挑战：各系统间信息孤岛现象严重，导致数据无法互通、管理效率低下；诊疗流程中手工操作环节多，易出错且耗费人力；面对患者日益增长的高质量、个性化服务需求，传统服务模式难以为继，制约了医疗服务效率与质量提升。

　　医疗AI的燃料是数据，但最严苛的锁链也在于数据。研讨会上，一个共识是：当前医疗数据的流动仍被严格限制在机构内部。“HIS系统数据只能在医院内网，不能出去，这是规定。”黄山指出。这意味着，即便医院内部希望训练一个AI医生助手，也必须先将患者姓名、身份证号等敏感信息彻底清洗脱敏，过程严格且成本高昂。

　　这直接导致医疗机构普遍存在的数据孤岛问题。然而，临床中对个性化、持续健康管理的需求，尤其是循上医疗所偏向的长寿医学、慢病逆转等前沿领域，恰恰需要更全面、多维度的个体数据。桑田举例说，在解决睡眠问题时，需要综合考量激素水平、重金属暴露、生活压力等多重因素，“我们需要大数据来告诉我们在诊疗方案上，用药的顺序和精度”。

　　面对这一矛盾，技术供应商开始探索新的可能性。黄山透露，一种被称为“可见不可用”的技术路径正在试验中，其核心是让数据在不出域、不泄露的前提下参与模型训练。例如，部分计算任务可在患者个人的加密设备上完成，系统只回收与模型优化相关的参数（如梯度），而非任何原始个人数据。模型会把隐私数据考虑进去，但看不见它，这种方法试图在合规红线内，为AI医疗拓宽数据边界，以支持更精细化的健康管理。

　　替代医生还是辅助工具？

　　AI在医疗中的角色，始终绕不开“替代”与“辅助”之争。在研讨会的采访环节，这一问题被直接抛给了技术方与医疗方。

　　“AI今天要代替牙医做专科诊断，这个事情我个人也是不敢相信的。”黄山给出了明确回答。他认为，AI当前更现实的价值在于充当社区医生或家庭医生的辅助角色，处理初诊咨询、健康建议等，从而释放稀缺的医疗人力。

　　桑田也持类似观点，他强调，AI是“工具”，其价值在于提升效率和精准度，而非替代医生的综合判断。“比如在肿瘤筛查中，AI能帮助医生一天阅读几百张影像；在用药环节，它能预警脑出血等风险，帮助医生和家属做决策。”

　　然而，建立这种辅助性信任本身并非易事。桑田进一步指出，医疗团队本身的观念转变是关键。“我们需要的是能持续突破、持续学习、拥抱变化的医生，而不是停留在原地。”这意味着，AI的落地不仅是技术问题，更是医疗体系内知识与工作流程的重塑。

　　与此同时，一个更现实的瓶颈浮出水面——算力投入的巨大成本与难以精确测算的回报。黄山指出，AI医疗的算力需求复杂且动态，仅凭硬件参数无法准确评估，需要结合算法、框架、业务场景进行系统级调优。这意味着，医院可能投入巨额资金建设算力平台，却未必能获得预期的应用效果。桑田从需求端印证了这一复杂性，他表示，循上医疗在长寿医学等领域的研究，需要处理远超常规疾病诊断的数据维度和分析模型，对算力的需求是独特且多变的。

　　因此，当前AI医疗的突破方向，正从追求“高大上”的算力峰值，转向构建“高效、低成本、可持续且安全”的算力服务体系。如何帮助医院精准规划算力、优化能源消耗，并在保障安全的前提下实现模型的持续敏捷迭代，成为技术供应商比拼的新战场。