在南方医院，临床医生开始「造」AI工具

南方医院让临床医生用自然语言「造」AI工具，本质是一次医疗AI生产关系的重构——最懂临床的人第一次拿到创造工具的能力，技术厂商主动退到底座层。这不是单纯的技术升级，而是创新逻辑从「技术能做什么」转向「临床需要什么」。以我做了25年IT的视角看，这件事真正值得关注的不是平台多炫，而是它把横亘在业务方和开发方之间那道墙，铲平了一截。

先说个我常遇到的场景。当年做企业软件，业务主管说「我觉得这里该加个功能」，开发排期三个月，交付的时候发现跟他想要的差着十万八千里，因为时间紧，返工都来不及。这种「需求方造不出工具、开发方看不懂业务」的尴尬，几乎每个行业都有。南方医院这次做的，就是把这道鸿沟填上——只不过填沟用的不是更多的人力，而是「零代码+自然语言」这套新基建。

一、先说痛点：最懂问题的人，恰恰造不出工具

文章开头这个aHUS（非典型溶血性尿毒症综合征）的案例，信息量很大，我用大白话翻译一下。这是个进展凶险的罕见病，发病时微血栓堵全身小血管，肾脏首当其冲，急性期死亡率高达25%。关键是——有药可治，但黄金窗口只有症状出现后的24到48小时。7天内快速识别并治疗，预后远好于7天之后。

可现实是啥？患者要在肾内科、血液科、感染科、风湿免疫科之间辗转，确诊周期以天算。等你把各科室医生召集起来、资料整合完，黄金窗口早过了。谢迪医生脑子里明明有一整套排查路径——先确定是血栓性微血管病（TMA），再逐一排除TTP、恶性高血压、药物诱发等八九个专科的可能——但「把这套逻辑变成一个可运行的系统」，过去几乎不可能。

为什么不可能？我算过这笔账。做高危筛查的临床决策支持系统，光外包费用就不菲；更要命的是沟通——做数据采集的不懂AI，做AI的不懂业务流，医生脑子里完整的临床逻辑，工程师要花很长时间才能搞懂那些细到极致的诊疗决策节点。等双方对齐需求，排期又得按月算，最后做出来的东西往往和预期差很远。肝病中心刘红艳团队甚至试过一款EMDT系统，投入不小，最后因为技术门槛和运营成本太高没撑下来，那个构想被搁置了整整十年。

二、技术底座：华为HAIP + Nexent到底解决了什么

今年4月，南方医院与华为签约，基于DCS AI解决方案的HAIP平台落地，核心组件是Nexent智能体平台。它的关键动作就一个：把「造工具」的门槛，从「会写代码」降到了「能把需求说清楚」。

用我的话讲，过去是「医生写需求单→排队等排期→IT部排期→反复沟通业务逻辑」这条长链条，现在变成了「医生用自然语言描述临床逻辑→平台零代码可视化生成智能体原型」。谢迪说的原话很有代表性：「知识库直接上传就行，不需要编程，它自动帮你拆解、生成知识库。」先粗略说要什么，平台出框架，再按临床需求逐步修正——哪个指标要重点看、哪条逻辑链要改，一步步调成想要的样子。

这里我要泼一小盆冷水，保持客观。零代码可视化平台，本质是把「翻译」这个环节自动化了——它替医生干了过去工程师干的活，把临床语言翻译成系统逻辑。但翻译再先进，也替代不了医生对临床逻辑本身的判断。平台的价值是把门槛降下来，而不是把医学底线兜起来。这一点，后面详说。

三、三个真实案例，放在一起看更清楚

我们拿这次参与开发的三位医生做一个横向对比，数据摆出来，谁解决什么问题、用什么思路，一目了然。

三个案例有个共同点：都是「低频但高风险」或「组织成本极高」的场景。aHUS抢救抢的是24-48小时窗口；产后出血基层医院数年碰不了一次，一碰就加倍凶险；肝癌MDT做了十五年却累到「每次会诊像组织一场大型会议」。这些恰恰是传统IT开发最不想碰、又最该做的活——因为需求低频、定制成本高、短期看不到规模效应，过去只能靠「人肉协调」硬扛。

四、辉哥的IT视角：这事儿到底新在哪

我做了25年IT，见过无数「需求-开发」的悲剧。这次南方医院的做法，让我印象最深的不是某个功能，而是生产关系的重新设计：过去，定义问题的人和解决问题的人是脱节的；工程师主导设计，医生只能写需求单、排队、被动适应。现在，医生直接参与应用层设计，把临床经验转化成系统规则；厂商退到底座层，只管算力、模型、安全、治理。这跳出了简单的甲乙方关系，是真正的分工。

具体到技术细节，两个设计我觉得有「护城河」价值，值得同行参考。一个是人机对话式修正——医生发现AI判断错了，直接点击修正，修正内容进知识迭代流程，经专家审核、版本管理、验证后更新知识库。这相当于把「人在环中（Human-in-the-loop）」做成了产品级的常态，而不是demo里的摆设。另一个是记忆飞轮——每次线下MDT的汇总结果持续反哺系统，经过审的真实世界病例不断沉淀，智能体增强相似病例检索能力。这正是数据飞轮的典型打法：用得越多，越准。

产科训练案例里还有个关键细节我特别认可：霍智锋明确说「规则不是AI生成的，是医生十几年临床经验制定的」，病情演进靠确定性状态机引擎把控。这点很关键——很多人一谈AI就幻想它自己拍板，但真正能落地的系统，是把「判断逻辑」钉死在人的专业经验上，AI只负责执行和呈现。这种克制，才是医疗行业该有的清醒。

五、客观评测：优点和风险都得摆上台面

六、总评：方向对了，但别神化

作为老兵，我给的评价很直接：方向对、切口准、机制稳，但现在是「早期探索」，不是「成熟产品」。它解决的痛点是真的（低频高风险、组织成本高的场景过去做不了），思路是真的（生产关系重构），但从十天出原型、一个多月出demo，到真正嵌入病历系统、支撑日常诊疗，中间隔着工程化、合规化、规模化三道坎。我看好这个方向，但会盯着它的真实世界数据落地——毕竟在医院，PPT做得再漂亮，也不如一组 retrospect（回顾性）验证有说服力。