当78个科室的医生开始自己造AI：南方医院这场大赛暴露了医疗智能体的真实瓶颈
9月7日，历时五个月的南方医院智能体创新大赛收官：78个科室、600余名医务人员、191支队伍产出154份临床AI方案。大赛底座是南方医院与华为4月发布的HAIP平台（医院AI操作系统），核心能力NL2Agent——医护用自然语言即可生成业务智能体。一等奖"微径"（aHUS罕见病早筛智能体）将传统7-14天的诊断流程压缩至分钟级；肝癌MDT智能体以11个子智能体覆盖防筛诊治管全周期，MDT发起从数小时缩至几分钟。43支队伍获奖，优质项目将获算力、数据接口与立项预算支持。
一家医院，78个科室、600多名医务人员、191支队伍、154份临床AI方案——这不是哪家AI公司的hackathon，是南方医科大学南方医院自己的智能体大赛。9月7日收官的这场比赛，表面看是赛事新闻，底下其实藏着一条主线：医疗AI的需求定义权，正在从厂商手里转移回临床。
一、现象：600名医务人员、191支队伍、154个方案，医生为什么突然都会开发AI了
先把事实摆齐。
9月7日，历时五个月的首届"南方医院智能体创新大赛"成果发布会在广州举行。数据如下：78个科室参与、600余名医务人员、191支参赛队伍、累计产出154份临床AI参赛方案，最终43支队伍获奖。
一个自然的问题是：医生什么时候具备了"开发AI"的能力？
答案藏在平台里。这场大赛的底座，是南方医院与华为4月10日面向全球发布的HAIP解决方案（医院通用人工智能平台），定位是医院专属的"AI操作系统"。它的核心能力叫NL2Agent——医护不需要懂代码，用自然语言描述业务需求，就能生成可运行的智能体。
换句话说，不是医生学会了编程，是编程的门槛被降到了"会说话"。这154份方案不是154个软件项目，而是154份由临床一线亲手写下的需求文档——这个数据本身，比任何一个奖项都更有信息量。
二、NL2Agent：把需求定义权交还临床的技术前提
医疗AI行业有个老生常谈的错位：厂商照着自己的技术能力定义产品，医院照着自己的业务流程提"需求"，两边说的经常不是一件事。大量项目死在"技术做出来了、临床不用"——不是性能不行，是一开始就定义错了问题。
NL2Agent的架构意义在于给了一个技术解法：让最懂业务的人直接构造工具。医生描述"我想在门诊把这类高危患者自动识别出来"，智能体按描述生成，边用边改。需求-原型-反馈的循环从"跨组织的几个月"压缩到"同一个科室的几天"。
这背后的经济学逻辑也简单：**当需求定义的成本足够低，长尾需求就变得值得满足。**以前一个科室的定制需求找不到厂商愿意接（市场规模太小），现在医生自己就能做——154份方案覆盖78个科室，正是长尾需求被激活的直接证据。
三、两个获奖样本：aHUS早筛与肝癌MDT，各自解决了什么死结
看两个一等奖级别的样本，能看清"医生定义"和"厂商定义"的差别。
样本一："微径"——aHUS早筛智能体。肾内科主任医师谢迪团队开发，用时约一个月。非典型溶血性尿毒症综合征（aHUS）是一种罕见病，临床时间窗极其苛刻：发病7天内启动对因治疗，预后远优于7天后；但传统诊断路径平均要7-14天，甚至数月。智能体构建了高危识别、协同研判到记忆飞轮迭代的闭环，把识别-研判流程压缩到分钟级。
这个案例的关键在于：它解决的不是一个"AI识别准确率"问题，而是一个流程时间问题——罕见病诊断的瓶颈从来不是医生不会诊，是信息在路上跑得太慢。只有常年接诊这类患者的专科医生，才能精准定位这个死结。
**样本二：肝癌MDT智能体。**感染内科刘红艳团队开发，由11个子智能体分工协作，覆盖"防—筛—诊—治—管"全周期，把传统MDT（多学科会诊）的发起时间从数小时压缩到几分钟。
MDT难在哪？传统模式要求"三固定"——固定时间、固定地点、固定专家，资源门槛极高，基层基本玩不起。智能体把"召集"变成"触发"，专家的参与被异步化——死结同样是流程性的，而不是算法性的。
两个样本共同指向一个结论：**医院里最值得AI化的环节，往往不是影像识别这种"算法问题"，而是资源调度这种"组织问题"。**而组织问题只有院内的人看得见。
四、平台底座之争：从单点部署到"医院AI操作系统"
再往深一层看，这场比赛真正的主角其实是HAIP平台。
院长孙剑的介绍里有两个关键词值得圈出来：统筹全院算力、数据、模型资源，破解"单点部署、数据孤岛"。过去医院信息化被各个厂商的系统切成了竖井——影像AI一个系统、CDSS一个系统、随访一个系统，数据彼此不通。HAIP的野心是把这些竖井收拢到一个平台层，往上长出的每个智能体天然共享全院数据视图。
配套的还有治理安排：华为采用"数据不出院"的安全合规开发模式，千人规模技术社群支撑；生态层面南方医院已与联通（底层数据治理）、商汤（病理影像垂直大模型）战略签约。翻译一下：数据留在院内，平台方提供工程能力，专科AI能力按需接入——这个结构基本就是未来大型医院AI基建的标准形态。
赛后的资源承诺也在往实处走：医院将对优质项目优先给予算力、数据接口、立项预算支持，推动成果"从赛场走向诊室"。
五、趋势判断：医疗AI的下一个稀缺品不是模型，是懂临床的"提示者"
回到主线：需求定义权的转移。
过去十年的医疗AI叙事是"技术下沉"——实验室的模型找医院的场景。南方医院这场比赛展示的是反向路径："场景长出技术"——医院拿回定义权，AI能力作为基础设施被调用。
沿着这条线推演，一个判断是：**医疗AI的下一个稀缺品，不是更强的模型，而是"既懂临床流程、又善于把需求翻译成智能体行为的人"。**谢迪、刘红艳们就是这类人的雏形——他们一个月做出来的东西，外部团队半年未必理解到位。
模型会越来越便宜，平台会越来越通用，唯一无法量产的是"在真实临床环境里发现问题并把它定义清楚"的能力。这一轮大赛的意义，或许不是产出了154个智能体，而是让一家医院发现自己内部藏着一支154个需求定义者的队伍。
当AI的上手成本趋近于零，**提出正确问题的能力，就成了最后的护城河。**医院如此，行业也如此。
千方医数集编辑部 出品
