挂号前，我先让它跑了一轮。
哪里不舒服，持续了多久。吃过什么药，都在这几步AI对话里交代清楚。
进了诊室才发现，医生也在用智能体。
这套东西不算新鲜。
但清华AIR最近孵化出一家公司，紫荆智康。
它做的紫荆AI医院，已经在多家医院上线测试。
图源公众号量子位。
听起来有点赛博朋克，可它已经在发生。
AI医院里，每位医生都能有一个属于自己的分身。
分身读病历，跟门诊，替医生盯着容易漏掉的细节。
可一个毛病，往往同时牵扯好几个科室。
总不能让骨科医生去看肺。
于是问题换了个方向。
不同专长的医生各有各的分身。这些分身能不能接着协作。
紫荆智康给出的答案，是多分身智能体协同。
落到产品上，就是把紫荆AI医院升级了一遍。
虚拟诊室和真实诊室，从这一版开始连在一起。
门诊的入口没变，里面的分工变了。
紫荆AI医院·多学科人机协作的发布页，演讲人是首席产品官乔宇宸，图源公众号量子位。
把多科室的判断带进同一间诊室
先说老问题。
好医生永远稀缺。
每个医生有自己的专攻，每家医院有资源的天花板。
一个患者的病横跨几个科室。现实路径往往是这样。
先挂内科。查不出所以然转外科。外科看完再约影像科。
几个科的号挂遍了，才轮得上一场多学科会诊。
结果到头来，最佳治疗窗口可能已经错过。
会诊本身也不便宜。光凑齐各科专家的时间，就是一笔费用。
多学科会诊要凑齐各科专家，图源公众号量子位。
紫荆智康的思路很直接。
让患者去找专家不现实。那就先让专家的分身集体到位。
同科室能解决的病，单个分身就够。
跨学科的复杂问题，则给这些分身搭一张会诊桌。
不同专长的智能体依次加入。一个医生能拿到的视角，就被撑开。
这成了诊室里最实在的 AI工具。
医生分身的学习面板，当前等级 14，已学过 90 份病历，呼吸系统疾病一栏是 29/800。
举个具体的例子。
一位因甲亢进内分泌科的患者。问诊时，系统同步收到他还兼有哮喘病史。
后续处置，就得同时考虑呼吸系统。
呼吸科的分身于是介入，提醒医生关注用药风险。
多分身协同的逻辑就在这里。
它把跨专科支持，前置到首诊和预问诊。
按需提醒这一形态，会诊开关关着，呼吸科分身提示可考虑把普萘洛尔换成美托洛尔。
具体怎么协同，紫荆智康给了两种形态。
会诊模式下先选智能体，可选的有陈清雅、杨伟强等多位分身。
医生照常门诊，系统判断要不要请别的科室插话。
多智能体分析界面，我的分身是医生分身 L11，右侧列出呼吸科专家对过敏性鼻炎和支气管哮喘的判断。
会诊模式更重。几个分身直接进同一个界面，把诊断和用药的建议摆出来。
医生负责权衡。
图面只打出 AgentHospital 一行字，图源公众号量子位。
意见一多，另一个问题就冒出来。分身之间说得不一样，听谁的。
紫荆智康的处理方式有点反直觉。
它没有主动去收敛分歧。而是把分歧明明白白摊开。
系统分别呈现建议，对不一致的地方高亮。
医生能看到每条意见来自哪个分身。剩下的，结合患者情况和自己经验定夺。
差异本身也有价值。
发布会现场，图源公众号量子位。
一位内科执业医师说过。它最重要的帮助，是补上医生可能没想到的方向。
建议和判断不完全一致时，他会回头看看输入的信息。
如果方向不一样，他会觉得这件事有意义。
所以多分身协同的价值，最后落在研判过程上。
这也是它比其它医疗智能体更能补全视角、更能追溯源头的地方。
微软在 MAI-DxO 的研究里模拟过医生团队。围绕病例一步步取信息，提假设，再选检查。借此看诊断准确率和成本的关系。
紫荆智康往前多走一步，强调分身和具体医生之间的绑定。
分身会在基础能力上持续学这位医生。一步步进化。
决策权最后仍然交回真人手里。
它做的不是又一个AI小工具，是给每个医生身后配一支随叫随到的专家队。
虚拟医院里的模拟对话，角色标着 Triage、Diagnosis 和 Medication 三段，患者先跟护士说 Good morning。
底座成型，让分身持续成长
要让成百上千个分身随时在线，各司其职。背后得有一套完整系统。
能力从哪来，怎么读懂不断增加的患者信息，怎么适应医生的习惯。
这也是紫荆智康要建一整套生态的原因。
两种模式的区别画成一张表，虚拟诊疗对着系统生成的患者智能体，真实诊疗对着现实中的患者。
类似的平台不是没有。
微软的 Healthcare Agent Orchestrator 会组织不同智能体分工，围绕肿瘤会诊这类任务搭工作流。
紫荆AI医院不太一样。它的分身是在真实门诊里长的。
路线源自清华AIR刘洋团队搭建 Agent Hospital 时提出的 SEAL，一套双层进化架构。
虚拟世界里，患者和医生护士全由智能体扮演。
分身每天在里面高强度接诊。几百万超拟真的患者轮着上门。
成功案例进病例库，失败的地方反思成规则。
几天时间就能跑完几十万个案例。
像 AlphaGo 的自我对弈，算力消耗还低得多。
但虚拟训出来的早期版本有个毛病。它倾向把可能性考虑得过满。
首席产品官乔宇宸讲过一个细节。
它推荐疗效最好的药，医生考虑患者经济情况，换成了医保内的。
真实验证于是补上这一环。医生的操作会回流，成为分身的微调材料。
分身行动像医生，思维也要跟着同步。
三端产品各管一段，患者端是随身的 AI医生，医生端是诊疗助手，医院端是运营平台，安卓和 iOS 都上了。
落到实际应用上，紫荆AI医院把系统铺到医生和患者的手机里，也铺进医院的管理后台。
患者端管预问诊和后续管理。医生端承接分身与决策辅助。医院端支持排班与数据。
接下去是专科工具和合作伙伴。
截至 2026 年 7 月，这套系统已经构建 54 位 AI 医生和数百万超拟真患者，覆盖数千种疾病。
清华长庚医院 18 个临床科室做过门诊测试。40 余名医生常态化使用，效率提升 30%。
MedQA 数据集上，准确率超过 96%。
曲线标着 Acc. in the virtual world 和 Acc. in the real world，蓝线虚拟，红线真实，横轴是被诊疗的患者智能体数量。
接下来要回答的，是怎么让这份支持走进更多医院。
AI医院的下一步，走向更多人
这些年医疗AI都偏向单打独斗。
厂商和医院都从一个具体任务切入。影像识别，病历生成，或者辅助问诊。
但真看病是一连串过程。
行业缺的是一套贯穿流程的生产级系统。
难就难在很少有人把技术、临床和工程绑在一起。
发布会现场的另一张，图源公众号量子位。
这是学术界和产业界共同面对的尴尬。
哈佛和斯坦福这些顶尖高校，医学AI生态最完整，但从实验走到临床缺系统工程验证。
梅奥诊所这类顶级机构临床资源深，需求也足。问题是缺顶尖AI人才，做不出原生系统。
硅谷的巨头走得远一些。医学只是它们众多分支之一，缺乏体系级创新。
要把这些能力合起来，紫荆智康眼下是 T0 级别。
它两年前才由清华智能产业研究院孵化。放在动辄十几年的医学领域，算初出茅庐。
团队的积累远早于此。
多篇论文上过 Nature Medicine 和 NEJM AI 等顶刊。
2024 年那篇 Agent Hospital 刷屏，被称作世界上第一个 AI 医院。
相关实践被 Nature 列为虚拟分身落地医疗的核心参考案例。
Nature 的新闻页，标题是 AI avatars are reshaping society in China，落款 2026 年 7 月 15 日。
紫荆智康算是一个非常典型的学术成果落地样本。
从清华AIR出发，到登上顶刊，再到走进真实诊室。
One More Thing
今天的发布会上，还有一个细节让我动容。
君子当以厚德载物，承袭自清华的普惠特质，这家公司在推进技术时没落下人文关怀。
它主张通过价值对齐，把医学人文变成算法能理解也能执行的约束。
系统在设计之初就锁定了人和机器的协同边界。它明确自己的辅助位置。
智能体的构建上，也不追求一个全能的超级个体，而是保留差异和多样。
落到实处，是专业能力往下放。让基层医生和乡镇机构，也能摸到一线资源。
这条路不轻松。每一道合规关卡、每一位医生的习惯切换，都要在实践里磨。
它选的是从虚拟世界到真实诊室，更慢也更稳。
医生多一份有效支持，患者就少走一点弯路。
生命得以延续，技术才算兑现了价值。
