.png)
目录
一、前言
展望（预测）未来是一项风险极高的工作，但也是架构师的底层技能，即在没有结构的地方预见结构的能力。
本文试图挑战一下这个工作，一是在之前的思考（主要内容源自米健2024年3月，在青岛展会上发布的《数字化区域急危重症医学中心——智慧医院建设新范式》PPT中的一张架构图）基础上稍微补充说明一下，以便快速完成架构组本月的文章任务；二是停下来整理和迭代一下自己思路，缓解一下AI快速发展带来的焦虑。肯定有很多偏颇疏漏，大家多多拍砖，任何问题意见建议随时提出（企业微信：梁梁）。
本文的逻辑是，从某些第一性原理（比如人工智能的发展规律、关于技术和人性的一些基本共识）出发，推演技术发展路径和社会需求变化，延及未来医院的终极形态，然后反推未来十年的医院信息系统架构。
二、未来简史：技术篇
（一）假设
1、规模法则：智能产出是资源投入的对数——量变的过程是边际收益递减的。
2、涌现法则：系统复杂程度达到临界点后，性能会飞跃式提升——质变是可能的。
3、人类对机器智能本能好奇是无止境的，且大模型正在耗尽现有互联网的数据资源。
4、人类可以获得更多算力：无论通过摩尔定律下电力成本降低还是量子计算第二曲线。
（二）演绎
1、2024年，所有在线（2C）软件都接入大语言模型能力。
2、2025年，所有离线（2B）软件都接入大语言模型能力。
3、2026年，互联网数据供给的增长跟不上、AI训练数据需求的增长，更多行业的离线数据上线流通，数据要素市场开始快速发展。
4、2027年，每个人都有一个AI助手，可以通过手机使用，现有APP消亡一半。
5、2030年，通用人工智能初步成熟，并开始普及；普及的结果是：每个人类组织都有一个AI大脑，事务性的脑力劳动开始被大量替代。
6、2040年，具身智能初步成熟，并开始普及；普及的结果是：每个人类家庭都有一个机器人，事务性的体力劳动开始被大量替代。
三、未来简史：民生篇
（一）假设
1、人工智能加快医学发现和药物开发，人类可以掌握更多用于保持健康的新技术。
2、新技术首先会被用来拉大差距，然后才能普惠，但社会整体福利还是会提升。
3、传统人类难以与同时代的人造物产生共情，但新时代的原住民可能有所不同。
（二）演绎
1、2024年，国家发布AI应用场景指南，鼓励医疗AI应用发展。
2、2025年，上游AI技术获取成本快速降低，医疗下游应用进入爆发和野蛮生长期。
3、2026年，国家出台医疗AI测评和监管标准，医疗AI企业开始优胜劣汰。
4、2028年，部分医疗AI产品纳入国家支付免费使用目录，进入每个人的AI助手，由个人所在辖区实体医院兜底，并提供线下配套服务。
5、2030年，基本实现“健康中国2030”目标，目前常见慢性病发生和发展速度开始得到控制，急危重症发生率和死亡率明显下降；急诊、ICU和手术室医疗服务，AI参与度达到40%；门诊和普通住院医疗服务，AI达到60%；医技和辅助性科室服务，AI达到80%；大型医院的门诊和普通住院患者明显减少，医疗人力资源快速下沉（主流患者更愿意为社区医护人员提供的情绪价值付费），但设备和数据资源还是集中在医联体头部大医院手中。
6、2035年，部分地区开始试点国家或地方财政完全支付的免费医疗服务；2040年，支付方、供应商、医生与患者在政府AI监管下最终结成利益共同体，医院需要对负责社区的每个人制定和维护全生命周期的健康计划，并从健康结局指标中获益。
四、未来医院的组织形态
（一）假设
1、这里讨论的未来医院，是2050年左右的终极形态。
2、2025年到2050年之间，可以出现多种中间过渡演化状态，暂不细化展开。
（二）演绎
1、医院成为一个没有明显边界的组织，大部分医疗服务在物理边界（如医院大楼或院区）以外开展，如门诊和急诊（社区卫生站、地面和空中救护车）、普通住院（居家）——医护人员专科属性下降，在AI和远程医疗支持下，都具备多专科一体化技能。
2、部分医疗服务还需在物理边界内进行，如依赖大型设备的检查（核磁共振、造影等）、有风险的复杂手术（神经外科、器官移植科等）、危重症监护（ICU）和需面对面进行的康复和体检——类似与车辆保养维修，医院物理实体成为人类碳基躯体的4S店。
五、未来医院信息系统的概念架构
（一）假设
1、2050年已不存在医院信息系统的概念，AI大脑驱动的信息系统就是医院本身，医院（以及当时的企业和其他组织）都是机器与人类的共生体，其中80%都是AI员工。
2、过远的畅想，必要性不大，这里主要讨论2030年左右的医院信息系统，也就是本次产业革命起步阶段、医院面临重大转型机遇和挑战阶段的信息系统建设。
（二）演绎
1、以医学通用大模型为核心、融合了医院战略管理思路和优势学科知识、具备多模态数据利用能力的AI大脑，是大模型应用逐步从边缘（独立工具）、到科室（专科智能体）、再到全院集中部署（云化调度）的最终形态。
2、AI大脑的内部：可以采用一个通用大模型+N各专科小模型的混合模型架构；也可以通过后训练将部分小模型能力内化到通用大模型混合专家机制中，以提升推理效率。
3、AI大脑之上，根据各科室、场景或角色分化的需要进行智能体开发：简单需求可以直接采用智能体低代码开发框架，进行专科场景下的知识增强和任务编制；复杂需求可以先基于专科数据集和语料库，用微调、蒸馏等方法做场景化再训练和验证，再装进智能体。
4、传统的HIS/CIS/EMR/LIS/PACS等应用系统，通过不同智能体实现智能化转型和更加深入的融合贯通；但AI治理，如何确保场景分化后的各种专用模型和智能体，与承载医院管理思路和行业监管要求的AI大脑保持行为一致，开始成为一个新的课题。
5、AI大脑之下，面向大模型推理和训练需求，需要设计融合度更高的数据中台，比如多模态数据和多领域专家知识（可认为是以一种更高质量的数据）归一化、对齐化、向量化和索引优化；原有多个独立专病库会被打破，每个专病只是一个标签。
6、传统的数据集成平台上可灵活配置的数据管道，继续可以在数据治理中发挥作用；只是用新版互联互通数据标准增强过的智能体，能够自动生成对接不同应用系统的接口代码；还能自动分析老旧系统的数据结构，接口费成为一个历史故事。
7、在端侧，从每盒药品耗材、手术器械，到各类人员、甚至重点病区的空气和光线，更多物理实体会被数字化；医护人员书写文书时间大幅降低，鼠标和键盘使用率降低，支持多学科协作和多场景穿越的穿戴式视音频终端，在人机交互中比重快速提高。
8、穿戴式终端的后台是AI全院运营指挥中心，无人坐席自动日常请求（如调用机器人）调度，紧急情况还可以呼叫快反小组；这个中心能力外延，就是面向周边社区的24H专业急救指导和身心健康咨询，唯一让院长烧脑的是让哪个部门来承担这个中心建设。
评论