新華網瀋陽9月8日電（吳詩萌）9月7日，由新華網主辦的“工業互聯網+智慧醫療：生態鏈協同與高質量發展論壇”在遼寧瀋陽舉行。作為2025全球工業互聯網大會的重要組成部分，本次論壇聚焦工業互聯網與AI在醫療領域的應用落地實踐，搭建了涵蓋政府、科研院所、醫療機構、行業協會、工業互聯網企業等多方的交流&&，旨在通過跨領域思想碰撞，解構技術融合難點，探索産業協同模式，為智慧醫療發展注入“工業級”新動能。

  論壇特設“AI+硬體驅動醫療數據要素化”圓桌對話環節，上海尖晶投資有限公司董事長王明輝擔任主持人，邀請是石科技副總裁兼CTO侯建業、康眾醫能總裁徐群、中科溫州先進院院長周樹明、國創決策智能研究所執行所長郭宏博、深圳市網絡數據合規與流通促進會秘書長丁振戇五位嘉賓，圍繞基層醫療場景下數據採集、AI應用、算力架構、數據流通及融資創新等核心議題，結合各自領域實踐分享洞見，為基層醫療數字化轉型破解難題、指明方向。

  高質量數據分類型適配AI設備，構建基層數據“源頭活水”

  針對“基層醫療硬體與AI結合如何準確獲取高質量健康數據”的問題，深耕基層醫療設備領域十餘年的周樹明從設備分類切入，提出針對性解決方案。他&&，基層醫療服務與綜合醫療服務存在顯著差異，AI與硬體的結合需根據設備類型分類施策，才能精準獲取高質量健康數據。

  他進一步分析，基層醫療設備可分為三類，需適配不同AI技術：監測類設備（如健康手錶、非接觸式老人身體參數監測設備）側重“及時性”，需依託邊緣端垂類小模型、嵌入式模型，實現跌倒預警、健康趨勢預測等功能，形成商業閉環；檢測類設備（如生化、影像、超聲設備）側重“規範性”，可借助垂類大語言模型替代傳統專家診斷系統，規範基層醫生診斷行為，提升數據完整性；治療類設備（如康復理療、中醫治療設備）目前最欠缺“療效評估”，未來可通過AI構建治療閉環，成為基層醫療AI應用的重點突破方向。

  以個性化Agent為核心，構建長期醫療服務鏈路

  在數據採集話題之後，王明輝將討論焦點轉向“採集到的數據如何與大模型結合”，邀請郭宏博從技術角度分享醫療模型的基層應用路徑。郭宏博首先回應了當前行業對“Agent”概念的認知困惑，隨後以自動駕駛技術發展作類比，從AI技術發展階段與基層醫療需求結合的角度展開分析。他以指出2023年前的AI小模型已為醫療影像輔助診斷帶來影響，而當前大模型需聚焦“Agent變革”。

  數據是AI在基層醫療落地的核心基礎，需保障數據密度、採集方式與維度的豐富性，類似自動駕駛模型訓練的“數據支撐”邏輯。

  未來基層醫療AI應走向“個性化Agent服務”，為慢病患者、重病患者配備具備長期記憶功能的Agent，實現全周期健康管理與服務鏈結，而非停留在通用化AI應用層面。他舉例提到，團隊近期在海外發布的“Momento”技術，可通過“歷史疊加滾動升級”實現Agent個性化，這一思路可遷移至基層醫療場景。

  雲端側重前瞻，端側聚焦實效，平衡成本與需求

  大模型與Agent的落地離不開算力支撐。針對“基層醫療場景下，算力分佈與架構如何設計更合理、更適配業務特性”的提問，侯建業結合行業趨勢與實踐案例展開分析。他&&，從算力分佈來看，隨着算力近年來被列為重要發展命題，其布局呈現兩大方向：一是雲端或中心端，該層面更側重政策性與前瞻性。他此前任職的單位便是以政策性、前瞻性為導向的算力中心。二是端側，該層面更注重經濟性與時效性。顯然，未來主要算力將逐步向端側傾斜，當前行業正處於從中心端主導的概念普及階段，向端側驅動、兼顧時效與成本的發展階段過渡。

  “我個人同時參與醫療大模型研發，我們團隊開發的醫療大模型，其發展路徑也印證了這一趨勢。”侯建業介紹，模型初期訓練依託千張中心端算力完成，後續在深圳某醫院部署時，恰逢相關支持資金到位，才正式進入醫院實際應用階段。通過與醫院持續溝通推進推廣，已能看到具體落地成效，可量化統計每日接待患者數量、系統瀏覽量、訪問量及人工替代規模等數據。

  明確權屬與匿名化，激活基層醫療數據資産

  聚焦醫療數據這一敏感個人信息，丁振戇強調需重點關注兩個核心維度。“一是數據權屬界定模糊，當前不少醫療數據&&歸集了大量基層醫療數據，但這些數據的所有權究竟歸屬誰，至今沒有明確答案，這是數據流通前必須優先解決的問題。”二是基層醫療機構的數據權利界定，他舉例説明：“即便地方衛健委搭建醫療數據&&，其核心作用也只是協助基層醫療機構管理數據，而非擁有數據所有權。多數醫院、衞生院具備獨立法人資格，若將數據視作資産，理應納入其資産序列；尤其公立醫院的數據資産，還需接受財政部門監管，因此數據權屬本質上應回歸基層醫療機構的資産屬性。”  

  在醫療數據使用規範上，丁振戇特別指出匿名化機制的重要性：“若要將數據用於人工智能體的開發與應用，必須先建立完善的匿名化規則。數據經匿名化處理後，若無法再關聯至個人，就能脫離《個人信息保護法》的約束，進而在AI應用研發、價值轉化過程中，充分釋放其使用價值與收益潛力。”

  以RWA模式破解資金痛點，打通規模化落地鏈路

  圍繞康眾醫能在基層醫療領域的業務創新方向、核心模式理念，以及作為上市公司子公司的具體推進路徑與後續發展計劃，徐群結合行業趨勢與企業實踐進行了詳細介紹。他&&，自去年DeepSeek引發行業關注後，AI賦能千行百業的落地潛力得到廣泛認可，醫療領域更成為AI落地的核心賽道之一，眾多企業紛紛入局基層醫療市場探索實踐。

  “在實踐中我們發現，基層醫療AI落地面臨三大核心痛點。”徐群坦言，一是基層醫療機構財政及院方預算普遍緊張；二是AI技術落地前期投入成本較高；三是傳統金融機構對“AI服務+數據要素”模式的信用水平與現金流穩定性難以評估。“這導致不少試點工作因資金問題推進受阻，大規模推廣更無從談起。”

  為破解這一困境，康眾醫能開展了針對性探索。徐群介紹，團隊認為將AI服務的可確認、可驗證回款與數據要素使用收益權相結合，打造合規可落地的真實世界資産（RWA），是突破資金瓶頸的可行路徑，並為此設計了四步實施策略：第一步是明確可證券化資産範圍，經探索確定為智能硬體租賃與維保回款、AI服務回款、去標識化數據使用收益回款三類，均能産生穩定現金流；第二步是構建現金流計量標準，團隊已建立一套可計算、可追溯的計量體系；第三步是搭建風控與融資架構，以上市公司信用為依託構建風控體系，將底層資産現金流打包設立特殊目的載體（SPV），聯合地方國資、銀行理財、險資等機構優先認購；第四步是保障合規與數據安全，全程採用法幣結算、託管監管及鏈上確權機制，確保證券化標的為服務回款與數據使用許可收益權，而非敏感個人數據。

  “通過這四步舉措，我們成功將AI硬體、區域數據流通與創新金融模式相結合。”徐群強調，此舉可實現“以用促融、以融促建”的良性循環，最終推動AI技術在基層醫療領域的規模化落地。

  本次“AI+硬體驅動醫療數據要素化”圓桌對話，匯聚算力、設備、科研、AI、合規等多領域智慧，從技術落地、模式創新、政策適配等維度為基層醫療數字化提供了可操作的實踐路徑，不僅為“工業互聯網+智慧醫療”生態鏈協同發展注入基層視角，也為健康中國建設夯實了基層醫療數字化基礎。