本文介绍了医疗AI从辅助功能向完整工作流转变的过程，重点讲述了一场医学影像AI大会上的挑战赛。比赛中，AI智能体首次尝试独立承担任务，编写胸部CT影像报告。比赛设置了四种工作模式：医生单独写报告、医生搭配传统AI模型、医生协同智能体，以及智能体完全独立作战。数坤科技的医疗AI大模型在比赛中展示了独立写报告的能力，虽然得分略低于人机协作组，但用时明显领先，体现了AI在效率上的优势。这场比赛标志着医疗AI从"工具"向"角色"转变，虽然仍存在不足，但已证明AI独立完成任务的可能性，为医疗AI的未来发展奠定了基础。
医疗AI正在从一个辅助功能，逐渐进入完整工作流，并第一次尝试独立承担任务。
8月23日下午，上海国际会议中心的大屏幕上，一份胸部CT影像报告正在被逐字放大。四百多名放射科医生坐在台下，二十多位国内顶尖放射学专家组成的评委团拿着笔，准备给这份报告打分。
写这份报告的不是医生，是一个AI智能体。
这是第五届医学影像AI大会设置的一场挑战赛。和以往"AI辅助医生"的展示不同，这次大会把临床里的四种工作模式直接搬上了舞台：医生单独写报告、医生搭配传统AI模型、医生协同智能体，以及——智能体完全独立作战，没有任何医生介入。
十份真实病例，五份胸部CT、五份多部位DR，现场抽取，现场出结果。提供整套AI技术底座的，是数坤科技。它也是这场比赛里唯一一家愿意让自己的大模型在数百名专业人士目光下实时跑完全流程的企业。
一
过去两年，医疗AI是个不缺热度的赛道。
大模型概念爆发后，几乎所有头部医疗AI公司都发布了自己的"医疗大模型"产品。挂号问答、病历总结、影像辅助诊断、用药推荐——能挂的场景几乎都挂了一遍。融资发布会上，“重塑医疗”"颠覆诊疗"是高频词。
但如果把视线从发布会移到真实的科室里，情况会冷静很多。
一位三甲医院放射科主任的说法很有代表性："现在进得了科室的AI产品不少，但能真正嵌进工作全流程的，一只手数得过来。"大多数产品停留在"工具"层面——帮医生勾个病灶、提个醒、生成一段需要大量修改的草稿。医生的工作流没有变，只是多了一个需要切换窗口去看的辅助面板。
原因不复杂。医疗是一个对容错率极度敏感的行业。一个影像报告的结论，直接关系到后续的治疗方案。AI可以"辅助"，但一旦要它"独立负责"，从技术到监管到医院流程，每一道关都是门槛。所以行业里的普遍做法是：把AI放在医生前面做筛查，最终报告由医生签字背书。AI的价值被框定在"提效"，而不是"替代"。
这也是为什么，当大会提出"智能体独立写报告"这个组别时，愿意接招的公司不多。在数百名专家面前，让AI从零开始看影像、抓病灶、输出完整诊断报告，没有医生兜底——这等于把产品最脆弱的部分直接暴露在聚光灯下。
数坤科技的CT全胸智能体和DR全身智能体最终站到了台上。
二
比赛的规则设计本身就值得玩味。
它没有走"人机对抗"的老路——那种模式下，AI要么被神化，要么被挑刺。这次的四组对照更接近临床真实场景：模板化报告是基层医院的常态，传统垂直AI模型是目前的主流商业化形态，医生+智能体代表着正在探索的方向，而智能体独立作战，则是所有人都在谈论、但很少有人敢真的演示的未来。
每组还进一步区分了低年资和高年资医生。这意味着，AI的表现不仅要和人比，还要和不同资历的人比——它到底能帮到谁，能帮到什么程度，数据会说话。
十份病例的报告逐一投到大屏幕上。评委从影像细节、报告描述完整性、术语规范性、诊断逻辑几个维度点评并投票。
结果有几个值得注意的信号。
在部分病例中，低年资医生搭配多任务智能体的组别拿到了全场最高报告评分。这并不意外——智能体在病灶检出和结构化描述上的稳定性，恰好可以弥补低年资医生经验不足的问题。但它的意义在于：如果AI能让一个年轻医生的报告质量接近甚至超过资深医生的平均水平，那么它在基层医疗场景中的价值就不只是"提效"，而是"补位"。
综合所有病例，高年资医生+智能体的组合平均得分最高。这符合行业共识：最好的模式不是AI取代人，也不是人单独干，而是人机协同。资深医生的临床判断加上AI的全面检出和标准化输出，目前看是最优解。
真正引发讨论的是独立作战的智能体。它的平均报告得分略低于人机协作组，但用时明显领先。速度优势在影像科不是小事——一家三甲医院的放射科一天可能要处理上千份影像报告，报告医生的时间是最稀缺的资源。
“智能体今天敢于参赛，无论结果如何，代表的都是未来的方向。”—— 现场主持人
三
2022年底ChatGPT发布时，很多人意识到一件事：AI不再只是一个"更聪明的搜索框"，而是一个能独立完成任务的主体。它能写邮件、能写代码、能做分析——虽然不完美，但它不需要人在每一步都发指令。
医疗AI行业一直在等类似的时刻。
过去的医疗AI，本质上是"功能型"的。一个模型负责检出肺结节，另一个负责骨折识别，各自为政，像科室里的专科工具。医生需要在不同系统之间切换，把AI给出的碎片化信息手动整合进报告。AI参与了工作，但没有接管工作流。
智能体的不同之处在于，它试图把"看影像—识别病灶—判断征象—生成报告"这个完整链条串起来。这不是简单的模型叠加，而是工作流的重构。当一个AI能独立输出一份结构完整、术语规范的诊断报告时，它就从"工具"变成了"角色"——虽然这个角色目前还需要医生审核，但它已经在承担医生的一部分核心工作。
数坤这次的展示，还远谈不上完美。独立智能体的报告得分低于人机协作组，说明在复杂病例的诊断逻辑上，AI和资深医生之间仍有差距。但差距本身不是重点，重点是：这个差距已经缩小到可以在公开场合同台竞技的程度。
几年前，让AI独立写影像报告还是一个停留在论文里的设想。现在，它已经能在四百多名同行面前跑完十份真实病例，并且拿到一份"勇气证书"。这种从"不可能"到"不完美但可行"的跨越，正是一个行业转折点的典型特征。
四
比赛结束后，中华医学会放射学分会前主委刘士远教授为数坤智能体颁发了那份特别的证书——“见所未见·勇气证书”。
"勇气"这个词用在一家科技公司身上，听起来有些奇怪。但放在医疗AI的语境里，它指向的是一个真实的行业困境：技术在实验室里的表现和在真实临床中的表现之间，始终存在鸿沟。愿意把产品从实验室搬到公开擂台，接受行业集体检阅，本身就是一种态度。
数坤科技相关负责人在赛后的表述很克制：医疗智能体的目标不是取代医生，而是做更高效的人机搭档。这次参赛，是想通过真实比拼看清技术的长处和不足。
对于数坤而言，这场比赛的商业意义可能大于技术意义。在公司迈向公开市场的关键阶段，它需要向投资人讲清楚一件事：自己不只是一家传统的影像AI公司，而是在向医疗智能体平台转型。敢在公开场合让智能体独立"上考场"，是这种转型最直接的证明。
而对于整个行业来说，这场比赛留下的问题比答案更多：当AI独立写报告的准确率接近人机协作时，医生的角色会发生什么变化？监管将如何界定AI独立输出报告的责任？基层医院会不会率先采用AI独立模式来缓解人力短缺？
这些问题不会在一场比赛里得到答案。但至少，有人先把问题摆到了台面上。
医疗AI的ChatGPT时刻不会以某一次发布会的形式到来。它更可能是这样：某一天，你发现科室里的年轻医生开始习惯先看AI生成的报告再做修改；某一天，基层医院的影像报告不再因为缺少资深医生而积压；某一天，"AI独立写报告"从一个新闻事件变成了日常工作的一部分。
到那时候回头看，2026年8月的这场挑战赛，或许会被记成一个不起眼的起点。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
