
在医疗信息化行业,要不要上 AI 早已不是问题,上得起、管得好、还不出事才是关键。
在医疗信息化行业,要不要上 AI 早已不是问题,上得起、管得好、还不出事才是关键。
2026 年,上海中医药大学附属曙光医院把通算与智算合并到同一个数据中心底座上,做了一次系统性的改造:信创扩容的内存采购需求砍掉一半,79 张异构 GPU 的整体利用率从不到 20% 提升到 60% 以上,整个过程中 HIS、EMR 没有出现一次业务中断。
这个建设过程中有哪些做法值得借鉴,医院尝试把这条路径完整地摊开。
业务跑得很满,但撞上了「三堵墙」
曙光医院是一所三级甲等综合性中医院,年门诊量 400 余万人次、出院 12 万人次。2024 年 HIS 系统更新后,计算机中心累计受理并推进近 15000 个信息化需求,完成率超过 90%,平均每个工作日近 20 个。

目前医院数据中心拥有 3 个机房,服务器 280 余台、存储 63 台套、各类交换机 6605 余台、安全设备 100 余台、其他配套设备 30 余台,虚拟机数量接近 1000 台。
在这样的规模下,扩容早已不是加几台机器的事,而是牵一发动全身。就在今也正是这一年,医院明确感觉到遇到几堵过不去的「墙」。
第一堵墙:内存涨价,撞上了信创的硬任务。
今年推进信创超融合扩容,按传统方式进行,光内存一项就要多花一倍。信创是一项必须完成的硬性任务,预算却没办法完全支撑——这是 2026 年很多医院共同的困两难。
第二堵墙:临床智能体"叫好不叫座"。
医院这两年探索了不少临床相关的智能体,但真正嵌入临床流程还需要时间打磨。更现实的问题是结构性的:有科室团队支撑的强势科室走得快,更多其他科室有想法、缺工具、缺人。AI 的氛围没有真正铺开,平台建好了,使用的人却不多。
第三堵墙:GPU 需求激增,管理越来越难。
东、西院区已部署海光 K100 AI、NVIDIA L20、T4、H20 等多种型号 GPU,现有智能算力资源共 79 张,形成了国产与 NVIDIA 技术体系并存的算力环境。同时,云上租赁算力与本地数据中心算力交织在一起,技术变化快、管理手段少、缺乏统一视角。
三个问题看似分属预算、应用、算力三个层面,但在曙光医院看来,它们指向同一个根因:通算一套、智算一套,各自建设。所以,2026 年医院的数据中心升级目标被定得很明确——把传统业务和 AI 业务放到同一个数据中心底座上一起规划。
规划先行:不画两张图,只画全局一张图
在动手之前,医院先把未来五年关键的三个目标想清楚:一是搭建一套基于信创与非信创融合的通算一体化平台,统一纳管医院服务器;二是建成算力统一管理平台,统一管理、统一分配算力资源;三是通算与智算的安全同步建设。

这三件事对应到三层架构上,就是一张三层图纸:
上层是应用构建。以零代码的智能体开发平台(Agent Builder)为核心,让医院既能快速构建智能体,也能承接复杂场景;再通过统一管理平台,把通算的传统业务(HIS、EMR)与智算的智能体资源纳入同一套视图。
中层是管理与调度。资源可视、用量可计量、权限可管控——这一层决定了后面所有"精细化运营"能不能成立。
底层是统一承载。用 AI 超融合同时承载传统虚拟机与智能体业务;用混合算力平台 AI 算力网关对接云上、云下各类 GPU 资源以及多种大模型,实现算力的调度与治理。
这套整合了"AI 超融合+智能体开发平台+ AI 算力网关混合算力平台"的通智算一体化方案,是医院与深信服在前期设计中共同打磨出来的。但真正决定方案形态的,不是技术清单,而是一条硬约束:所有改造必须处于在线状态下完成。门诊不停、住院不停,HIS 和 EMR 必须 7×24 小时可用。
突破三重瓶颈,走出曙光医院自己的路径
1. 内存分层,以更小硬件投入实现等效业务效果
面对内存涨价,最常见的反应是重新申请一次预算,或者砍规格、降配置。曙光医院选了第三条路——先把需求本身分析清楚。
常规计算思路下,当 ISV 说业务需要 256G 内存时,业务真的每时每刻都把 256G 吃满吗?
医院用资源监测工具对现网业务做了持续观测,发现峰值之外,冷数据长期占据 50% 以上。真实的需求被证伪了一半验证,方案空局面间就打开了。医院与深信服一起上线了超融合的内存分层能力:热数据保留在物理内存,冷数据自动下沉至 NVMe SSD,通过全局冷热识别、QoS 保障和故障兜底机制,确保业务时延不退化。
为了验证方案的可行性,曙光医院基于实际业务环境进行了严格的上线前测试:在同一业务负载下,分别搭建 512G 物理内存、以及 256G 物理内存+256G 分层内存两组环境,每组各跑 2 个达梦国产数据库虚拟机;先执行加仓动作,加仓完毕后再同时执行性能测试脚本,直接对比 TPS。

测试结果证实,开启内存分层后,国产数据库 TPS 下降不超过 10%,属于业务可接受区间;医护端的访问几乎没有任何变化;而内存采购需求直接减半,原本卡住的信创项目,预算一下就满足了。
2. 让 AI 从信息中心硬推变成科室主动要
临床智能体落地的难点,往往不在模型能力,而在两件事:构建门槛太高,使用动力不足。曙光医院的做法是换了个顺序:先让信息中心自己把 AI 用起来,再把工具递给临床。
第一阶段是"自己人先行"——在运维、运营类场景里先用 AI 提效:日志巡检、告警归因、知识库问答。这些场景边界清晰、反馈即时、失败代价低,最适合把平台跑通、把流程磨顺。
第二阶段才是把平台交给科室。信息中心搭建起一个零代码的智能体构建平台,医生、护士、行政人员不需要懂代码,通过可视化拖拽,把大模型、知识库和业务流程组合起来,就能构建属于自己科室的小助手:病区交班助手、医保规则问答助手、科研文献综述助手……
平台侧有两个细节值得注意。一是准确度优先于模型规模:通用大模型知识广,但不了解医院内部信息,必须结合院内知识库与 RAG 来回答;平台内置的优化引擎会根据回答效果反馈优化检索参数,让回答越来越精准。二是配套应用管理:智能体多了以后,版本、权限、使用情况需要统一管,否则很快会重演"GPU 孤岛"的故事。
真正的变化发生在使用侧:AI 从信息中心单向的推给业务,变成了业务自己主动获取。这也是解决"叫好不叫座"的关键——不是把工具做得更炫,而是让业务部门的人能快速高效上手。
安全的问题,医院主要遵循以下三层做法:
1. 没有额外预算时,用底层数据治理兜底。在数据层根据数据分类分级要求进行脱敏加密,比如患者的隐私数据、统方数据等做屏蔽或脱敏,从源头控制智能体能"看到"什么。在数据层对敏感、隐私数据(如统方数据、患者隐私字段)做屏蔽或脱敏,从源头控制智能体能够触达到哪些数据。
2. 有条件时叠加管控工具。通过数据围栏、提示词管理等手段,对问询内容做安全管控,二者结合实现更好的管控效果。
3. 对外开放前必须合规。平台在面向患者开放前,自身先完成备案与模型测评登记,确保达到安全基线再批准上线。如此一来,安全不是上线之后补的补丁,而是场景设计的一部分。
3. 如何将 79 张卡变成算力"一张网"
算力治理主要解决管理的复杂。曙光医院此前的状态很典型:科研团队 A 有若干张卡,团队 B 有若干张卡,型号从 NVIDIA 的 T4、L20、H20 到国产的海光 K100 AI 都有,跑的模型各不相同。资源账算不清,调度全靠人协调,利用率自然上不去。而未来,云上租赁算力与本地算力还要并存,管理复杂度只会更高。
对此,曙光医院认为有必要建一个统一的算力调度管理平台。
统一纳管:不管是云上还是云下的算力资源,谁买的、什么型号,全部接入平台;
统一入口:对科室提供一致的算力申请与使用入口,按项目、按科室计量、用量;
统一视图:按科室、项目、模型查看资源使用情况,把分散的 GPU 转化为可统一调度的算力服务。
目前,曙光医院现网 79 张 GPU 异构显卡已全部完成统一接入和管理。整体 GPU 利用率从不到 20% 提升到 60% 以上。信息中心第一次可以做到"全院算力一盘棋,每一张卡的利用率、每个模型版本的使用情况都看得见"。
结语:通算与智算,不是两道选择题,是同一道规划题
回头看,曙光医院这次改造真正的转折点,不是某一项技术上线,而是问题被重新定义的那一刻:内存涨价不是"要不要买"的问题,而是"该不该买这么多"的问题;智能体落地不是"模型好不好"的问题,而是"谁来建、建给谁用"的问题;GPU 不够用不是"再买几张卡"的问题,而是"已有的卡如何用好"的问题。
医院的数智化,正在从单纯"买设备"的阶段,进入"顶层规划设计"的阶段。通算和智算不再是两道选择题,而是同一道规划题。一体化的本质,是让医院今天投的每一分基础设施预算,都同时服务于「"跑好现在的 HIS"和"跑好明天的 AI"。
来源:互联网



