医疗AI热闹了两年，行业新品持续涌现，医院纷纷上线部署。一个值得关注的特征是，当前绝大多数AI应用仍停留在单点提效，真正能够贯穿核心业务全链条的解决方案尚属稀缺。这恰恰揭示出从“局部提效”迈向“全局穿透”的巨大空间，也构成了行业下一阶段发力的关键方向。

盈康一生CTO倪永全

盈康一生CTO倪永全向动脉网系统阐述了盈康一生“数字超级智能+物理超级智能”的双轮战略的AI战略，并就旗下三家上市公司在各自领域AI重构的实践进行了分享。

以盈康一生横跨生命科学、临床医学、生物科技三条产业链的实践为切口，试图回答一个行业级命题：大健康AI的真实问题到底是什么？以及谁能回答它。

当前大健康AI面临多重结构性困局。

应用层面，大量AI应用停留在单点赋能，如AI影像、AI病历，彼此互无关联，难以贯穿核心业务链条。

体验层面，不少落地的AI项目更多体现在流程提效上，未能深度融入一线临床、科研流程，技术价值未能充分释放。

数据层面的问题更明显。倪永全指出一个被长期忽视的痛点：“目前的医疗大模型基于公开数据集或专家标注训练，但模型在真实场景中运行产生的反馈数据，类似医生的真实评价、患者的实际结果等，传统算法厂商是拿不到的，这意味着谁拥有真实场景的反馈通路，谁才能越过从‘能用’到‘好用’的鸿沟。”

在这套体系中，大多数医疗AI训练靠离线数据，一旦部署就断了联系，无法基于真实反馈持续迭代。

这些困局指向同一个根源：行业长期缺乏“数字智能”与“物理场景”之间的通路。软件厂商有算法但无法进入真实场景，医疗机构有场景但缺乏技术能力。双方之间的断层，就是行业最大的机会窗口。

盈康一生试图给出自己的解法。

依托自研盈康大脑IncGPT模型及端到端智能体平台，构建覆盖海尔生物、盈康生命、上海莱士三大上市主体的超级智能体矩阵，围绕样本科研、临床诊疗、浆产销研、生物实验室、智慧 IoT、医药营销等赛道分层落地数百项细分业务 Agent，贯穿全产业链各级业务流程，以智能体重构产业全链路，实现集团业务智能化提效、数据资产沉淀、产品与服务全域升级，打造大健康行业 AI 原生落地标杆。

在海尔生物的实验室，最活跃的AI应用开发者不是工程师，而是一线的生物科学家。

“我们做蛋白质折叠分析的平台并不是我们搞AI的工程师或者IT人员开发的，完完全全是由业务人员，也就是一线的生物科学家在智能体平台上自主构建的。”

倪永全透露，这些科学家没有编程基础，也不需要理解底层模型的参数调优，只需要输入自己的专业知识和目标定义，平台上的AI智能体就会将业务需求翻译成可执行的技能模块。

这套名为“小盈”的端到端AI智能体平台，目前已集成超过50个生命科学、生物医药等领域的核心能力组件，覆盖细胞筛选、靶点发现、药物研发报告生成等关键环节。科学家可以在平台上自主调用ESMFold等蛋白质结构预测引擎进行抗体折叠分析。

显然，让真正懂业务的人自己构建AI应用，远比让工程师猜测科学家需求有效率。

但倪永全也提到企业在组织管理层面遇到的现实挑战：如何引导资深行业专家将自身积累的专业经验进行数字化留存，转化为可复用的团队标准化能力？这是盈康一生在 AI 知识沉淀落地过程中持续探索的课题，同样也是行业内众多布局组织知识数字化的企业共同面临的探索方向。

肿瘤患者出院后的服务真空一直是行业讨论多年却难以攻克的老问题。盈康生命基于旗下医院每年服务20万肿瘤患者形成的大量连续诊疗数据，于今年4月上线智护盈康App，提供了一个值得参考的样本。

“智护盈康App”的定位并非一个简单的工具，而是盈康生命“一核多元”肿瘤微创综合诊疗体系向院外的延伸载体。

具体来说，智护盈康App是一个7×24小时的AI助手，围绕患者从院前、院中到院后的全流程，构建了七大核心功能模块。例如，作为产品核心智能交互入口，诊疗方案可依据院内诊疗方案提前进行主动关怀与前置干预；

智能治疗计划则与院内诊疗方案同步，自动匹配微创介入手术、化放疗等节点，生成可视化的诊疗日程表；多学科专属服务团队由医生、护士、营养师、康复师组成，围绕患者病情特点制定“诊疗—护理—营养—康复”全链条闭环管理方案。

这验证了一个更深层的模式：院外的全周期数据并非孤立存在，而是可以持续反哺院内诊疗体系的优化。通过App积累的患者院外康复真实世界数据，能够为临床科研、诊疗质量改进和医疗技术迭代提供真实、连续的反馈。这正是盈康生命从传统医疗服务向“AI赋能主动健康科技平台”转型的关键——AI不再是一个单点的效率工具，而是贯穿院内微创综合诊疗标准化与院外慢病全周期管理数字化的双向闭环。

“核心逻辑很简单：需求最刚性、痛点最集中、数据沉淀最深”，倪永全解释为什么选择肿瘤作为主赛道，“患者回到家后对持续化医疗服务有非常强的需求，传统模式下院外院内是割裂的，我们通过智能交互引擎把它打通了。”

AI制药是近年最热的医疗AI赛道之一，但至今为止，真正进入临床阶段的管线寥寥。上海莱士的解法朴实无华，将AI作为深度嵌入具体环节的效率倍增器。

在生物制药领域，上海莱士通过AI赋能全球首个靶向APC血友病单抗药物SR604研发，利用AI分子模拟技术筛选优化高亲和力抗体序列，攻克行业难点，已进入Ⅱb期临床试验。

这种务实态度，恰恰是当下AI制药行业稀缺的品质。

倪永全认为，盈康一生在三个产业的实践表明，AI在大健康领域的价值，不在于它能替代什么，而在于它能否嵌入真实工作流、与物理场景形成持续数据闭环。拥有自有场景和数据的企业，在这方面具有天然优势。

背后支撑这套逻辑的，则是盈康一生AI中台的“1+3+X”架构：让数据在三大板块间自由流动、让AI能力按需组合、让每一次“数字到物理”的闭环都可追溯。

“1”是核心底座盈康大脑（IncGPT）+盈康数据湖+盈康统一算力平台，自主研发通过国家生成式AI备案、深度合成算法备案的生命科学垂直大模型；“3”是海尔生物、盈康生命、上海莱士三大业务支撑；“X”是覆盖智慧样本、细胞培养、智慧药房、主动健康管理等多元场景的生态应用。

盈康一生的AI战略中，“物理智能”这个提法在医疗行业中颇为少见，但它却点出了整个医疗AI行业的战略盲区。

倪永全结合产业实践分享了自身思考：“数字智能负责虚拟空间内的数据运算、方案推演，物理智能落地于真实产业场景完成环境感知与业务干预，两类智能体系不存在主次之分，需要搭建双向数据流通渠道，形成循环迭代的协同体系。当下不少AI项目难以释放长期业务价值，核心原因在于数字模型缺少来自线下真实场景的数据回流，也无法反向指导线下业务开展，数字与物理场景的协同链路未能打通。”

他随后用一个例子对此进行了说明：“训练具身智能处理实验异常，不可能在真实实验室反复制造事故来训练。但我们可以把各种异常情况在数字空间里进行模拟和构建，待验证通过后再放回物理场景落地。正是这种双向迭代，才敢说AI真的有用。”

这种双向迭代或许会成为行业评判AI含金量的一把尺子。如果AI不能持续接收真实世界反馈，无法对真实世界产生可验证的干预，其本质上仍是孤立的软件工具。

访谈中倪永全谈及行业发展中普遍存在的结构性短板：临床医师在日常工作中会形成对 AI 模型使用效果的直观感受，而大部分专注算法研发的技术企业，较难持续收集一线临床人员的真实使用反馈，不利于模型长期迭代优化。

的确，公开数据集和离线标注能解决“从0到1”的问题，但从能用进化到好用，则需要真实场景中持续回流的反馈。然而，在医疗领域，合规要求让这种反馈几乎不可能穿透。

反过来，拥有自有医院、实验室、药企的机构，天然具备跑通闭环的条件。当然，倪永全也强调，这一切的前提都是数据合规：“各个产业都有自己清晰的数据边界，合规安全是所有事情的底线。我们采用数据湖和脱敏服务组件的方式，确保数据在安全可控的环境中流转，以服务形式被调用。”

模型可以复制，算力可以购买，但医院-社区-家庭的双向连续数据只能从场景里长出来。打通院内院外连续数据闭环，是医疗 AI 行业重要的竞争发展方向，也是盈康一生核心的差异化优势之一。

推动AI落地，光有技术不够，更要有适配的组织机制。

倪永全分享了一个内部实践的案例：“我们也同样面临资深专家专业经验数字化转化意愿不足的难点，对此团队设计出一个内部技能贡献管理平台，将每一项业务技能配备独立存储仓库，并配套对应的内部激励机制。目前该机制与平台正在搭建中，但未来如何让专家持续贡献隐性知识仍是需要长期探索的课题。”

当然，他也坦承这件事还有很大挑战，还需要进一步探索。

在当下火热的具身智能，盈康一生也有发言权。这是因为本质上，盈康一生提到的物理智能也包含了具身智能。

当前整个医疗行业都在探索具身智能的落地路径，行业各方各有自身落地短板：通用服务机器人企业的产品更多适配物资转运等标准化基础场景，针对生物医药实验室、临床诊疗等细分专业场景的适配能力仍有提升空间；医疗机构则缺少将临床专业知识数字化、嵌入智能硬件产品的技术条件，行业各方存在天然的能力互补空间。

倪永全则为行业提供了一个更清晰的框架。

在科研端，个性化研究对实验方案的泛化性要求越来越高，传统自动化产线无法应对柔性需求。倪永全认为，这正是具身智能的用武之地，长远来看，依托具身智能与 AI 智能体的协同，有望逐步实现科研人员提出实验假设、AI 辅助完成大部分标准化实验流程的自动化科研模式。

在服务端，盈康一生提出不做硬件本体，但把临床积累的对患者的理解以可嵌入的AI Agent来实现。如此一来，例如康养查房机器人、居家辅助机器人可通过Agent驱动解决通用具身智能对医疗理解不足的问题，并且实现持续学习持续进化。

“我希望看到的是通过AI赋能和数据智能驱动，构建数字与物理智能的双轮，形成跨产业协同创新的体系。完善的产业协同落地体系，是我们构建差异化竞争力的关键支撑之一。”

这个采访尾声倪永全提出的观点抓住了行业最核心的矛盾：大健康AI不缺炫目的单点技术或是参数越来越大的模型，缺的是让技术扎根到真实场景、形成持续进化闭环的体系和机制。

行业对医疗 AI 价值的评判标准，也正迎来优化升级的契机。对于医疗落地场景而言，依托真实临床数据高频迭代的垂域小模型，往往能匹配更精准的业务需求；具备场景反馈闭环的垂直应用，落地效果通常优于缺少真实业务数据迭代的通用大模型。

这套落地导向的评价思路，或许能为行业评判医疗 AI 落地价值提供一个新参考维度。