AI医生分身进诊室 54个虚拟医生先跑了几十万病例

一位内科执业医师讲过AI在门诊里最有用的时刻。当AI给出的建议跟医生自己的判断不完全一致时，医生会回头检查输入的信息，看看到底是什么原因，如果AI给出的方向跟自己倾向的判断不同，反倒会觉得这条分歧很有意义。这句话点出了医疗AI真正的落点，它不是替医生下诊断，是给医生提供一条原本没想到、但能追溯到原始依据的思路。分歧不是故障，分歧才是它存在的理由。分歧不是故障，分歧才是它存在的理由。

把这样的分身做成能用的产品，路径是紫荆智康走出来的。这家公司由清华智能产业研究院孵化成立，两年前才起步，研发的紫荆AI医院系统已经在全国各地的医院陆续上线测试。这次升级的核心是多分身智能体协同技术，也就是把不同专长的医生分身放进同一个协作机制里。2024年那篇Agent Hospital论文一度被称为世界上第一个AI医院，相关实践后来被《Nature》列为AI虚拟分身落地医疗领域的核心参考案例。

多分身要解决的是一个很具体的麻烦。医学讲究专业，一个病往往同时牵扯多个科室，现实里的路径是先挂内科，查不出所以然转外科，外科看完再约影像科，几个科室的号都挂遍了，才轮得上发起一次正式的多学科会诊，而这种会诊本身也不便宜，凑齐各科专家的时间就得付一笔不低的会诊费。紫荆智康的思路是既然让患者去找专家不现实，那不如让专家分身先集体到位，同科室能解决的单个分身就够用，相当于把高水平专家的AI分身请进普通门诊，跨学科的问题则干脆给这些分身搭一个多学科协作会议。

有个场景能看出这套机制的颗粒度。一位因甲亢进入内分泌科的患者，问诊过程中系统同步收集到患者还兼有哮喘病史的信息，对当班诊室来说后续处置就要同时考虑呼吸系统的情况，于是呼吸科分身介入，提醒医生关注后续用药的相关风险。跨专科支持被前置到了首诊和预问诊这些更早的环节，患者走进这间诊室的时候，背后已经有了一整个医生团队在打辅助。那些原本属于疑难重症专属的多学科支持，有可能变成日常诊疗的标配。

意见多了还会带出新问题，分身之间说得不一样怎么办。这套系统的处理方式挺反直觉，它不主动去收敛分歧，而是把分歧明明白白摆出来，分别呈现不同分身的建议，对不一致之处高亮提醒，医生能看到意见来自哪个分身，再结合患者情况、相关依据和自己的经验完成最终判断。分身会在基础能力之上持续学习真人医生完成自进化成长，最终再把决策权交还给真人医生。系统的定位从一开始就被锁定在辅助这一侧，不做那个替人做决定的东西。

数字上，紫荆AI医院截至2026年7月已构建54位AI医生和数百万超拟真AI患者，覆盖数千种疾病。北京清华长庚医院已有18个临床科室开展门诊测试，40余名医生常态化使用，医生整体诊疗效率能够提升30%。基准测试方面，AI医生在MedQA数据集上的准确率超过96%，并在多个国际医学评测数据集中均取得最高成绩。54个虚拟医生对应的是数千种疾病，这套虚拟世界里的病例量已经远远超过任何一家三甲医院一年能接诊的总数。

让它能持续变强的，是源自清华AIR刘洋教授团队在Agent Hospital构建之初提出的SEAL，也就是基于拟像的可进化智能体学习，这是一套虚拟世界训练加现实世界验证与微调的双层进化架构。虚拟环境里患者、医生、护士都由智能体扮演，AI医生每天在里面高强度模拟诊疗，数百万超拟真AI患者求医问药，组成闭环的医疗虚拟世界。成功案例进病例库供后续参考，出问题时从失败里反思提炼经验，逐步形成可复用的规则。短短几天时间，AI医生智能体就能完成几十万甚至上百万案例，把罕见病、复杂病、多病程组合全部跑一遍，类比AlphaGo的自我对弈。

不过虚拟世界训练出的早期AI有明显毛病，它倾向于把各种可能性考虑得过度充分。紫荆AI医院首席产品官乔宇宸透露过一个细节，AI给医生推荐的是疗效最好的药，但医生考虑到患者的经济情况，换成了相对便宜、进了医保的药。正是引入现实世界的验证与伴生成长，系统才让分身与真人医生一起工作，再把医生的操作反馈进内部微调。Agent不仅要行动像医生，思维也要和医生同步。这一段是整套系统里最像人的部分。对做医疗健康这条线的创业者来说，这套系统的产品化路径值得拆开看。患者端负责预问诊、健康资料与后续管理，医生端承接分身、病历及决策辅助，医院端支持排班、权限与数据管理，三端把底层能力带到了不同角色面前。行业里医疗AI长期偏单打独斗，厂商和医院习惯从一个具体任务切入，比如影像识别、病历生成或辅助问诊，但真看病肯定是一连串过程。这个缺口对能同时hold住前沿技术、临床和工程三方的人，才是真正的位置。也是这条线上为数不多还能靠专业壁垒站着的位置。

创业找资源，上乌鸦部落。