多智能体协同重构医疗AI！清华AIR孵化：医生AI分身“坐诊”医院
内容提要
紫荆智康由清华AIR孵化，推出“紫荆AI医院”系统，其核心为多分身智能体协同技术：不同专科的AI分身可同科支持或跨科会诊，出现分歧时高亮呈现供医生研判。系统基于SEAL架构，在虚拟医院训练、真实门诊微调，持续进化。截至2026年7月，已构建54位AI医生，覆盖数千种疾病；在清华长庚医院18个科室测试中，诊疗效率提升约30%，MedQA准确率超96%。
延伸解读
多分身协同：把MDT前置到首诊
文章指出，传统跨科室就诊需依次挂号、转诊，最终才发起多学科会诊（MDT），可能错过最佳治疗窗口。紫荆AI医院让不同专科的AI分身在同科支持或跨科会诊中提前介入，把多学科视角前置到预问诊和首诊环节。这意味着疑难重症才享有的MDT支持，有望成为日常诊疗的标配，但前提是系统能准确识别何时需要其他专科参与。
不收敛分歧，而是高亮呈现
当多个AI分身意见不一致时，系统没有强行统一结论，而是分别展示建议来源并高亮分歧，由医生结合患者情况与自身经验做最终判断。文中一位内科医师认为，AI建议与自己的判断不同时反而有价值，能促使回顾输入信息、审慎鉴别。这种设计把AI定位为补充视角的辅助工具，而非替代决策者，但也对医生的研判能力提出更高要求。
虚拟训练加真实微调的双层进化
系统基于SEAL架构，先在虚拟医院中由智能体扮演患者、医生等角色进行高强度模拟诊疗，快速积累罕见病与复杂病例经验；再通过真实门诊中医生操作反馈进行微调。文章举例，AI曾推荐疗效最好的药，医生却因患者经济情况换成医保内较便宜的药，说明虚拟训练出的AI需在真实场景中学习现实约束。这种路线更慢，但强调与真人医生思维同步。
落地成绩与待解难题
截至2026年7月，系统已构建54位AI医生，覆盖数千种疾病；在清华长庚医院18个科室测试中，40余名医生常态化使用，诊疗效率提升约30%，MedQA准确率超96%。这些数据来自测试阶段，文章也承认合规关卡、医生习惯切换等仍需在具体实践中打磨。读者应关注其从单院测试走向更多医院时，能否保持效果并适应不同流程。
Q&A
紫荆AI医院的多分身智能体协同技术具体是怎么工作的？
该技术让不同专科的AI分身协同支持医生诊疗。同科问题由单个AI分身提供建议；跨科复杂问题则启动多学科协作，多个分身依次加入分析，提供各自专业视角。协同方式有两种：按需提醒（系统识别需要其他专科时以提醒方式呈现意见，不打断流程）和会诊模式（多个分身直接参与，围绕诊断、用药等呈现建议）。当分身意见不一致时，系统会高亮显示分歧，供医生结合患者情况研判。
紫荆AI医院的AI医生是如何训练和进化的？
基于SEAL架构，采用“虚拟世界训练+现实世界验证与微调”的双层进化模式。在虚拟医院中，AI医生每天高强度模拟诊疗，处理数百万超拟真AI患者，成功案例进入病例库，失败案例则反思提炼规则，快速积累经验。随后在真实门诊中，AI分身与真人医生一起工作，将医生的操作反馈进内部微调，使AI的思维与医生同步，实现持续进化。
紫荆AI医院目前取得了哪些实际应用成果？
截至2026年7月，系统已构建54位AI医生和数百万超拟真AI患者，覆盖数千种疾病。在北京清华长庚医院，已有18个临床科室开展门诊测试，40余名医生常态化使用，医生整体诊疗效率提升约30%。在基准测试中，AI医生在MedQA数据集上的准确率超过96%，并在多个国际医学评测数据集中取得最高成绩。
多分身协同如何处理AI分身之间的意见分歧？
紫荆智康没有主动收敛分歧，而是将不同分身的建议分别呈现，对不一致之处高亮提醒，并标明意见来源。医生可以结合患者情况、相关依据及自身经验做出最终判断。这种设计保留了差异的价值，帮助医生回顾信息、鉴别更符合实际的方案，补充可能忽略的方向。
紫荆AI医院与传统医疗AI相比有什么不同？
传统医疗AI多从单点任务切入（如影像识别、病历生成），缺乏连接不同角色、贯穿诊疗流程的系统。紫荆AI医院则构建了生产级AI原生系统，其AI分身能在真实门诊中持续学习进化，实现同科支持和跨科协作，将多学科支持前置到首诊环节。同时，系统强调以人为本，明确AI的辅助定位，保留智能体的差异性，并将专业能力下放至基层。
紫荆智康这家公司是什么背景？
紫荆智康由清华智能产业研究院（AIR）孵化成立，团队长期扎根智慧医疗，多篇论文登上《Nature Medicine》《NEJM AI》等顶刊。其Agent Hospital论文曾被称为“世界上第一个AI医院”，并获得《Nature》重点关注。公司致力于将学术积累转化为医生和患者可用的产品，推动医疗AI的普惠应用。
