医疗智能体技术狂飙，该如何让其稳健落地？

智能体是拥有自主感知、记忆、决策、交互与执行能力的智能系统，属于人工智能（AI）产品及服务的重要形态。当前，智能体正加速与物理世界深度融合，智能体产品与服务持续涌现，这一趋势在医疗与制药领域尤为突出。然而，智能体运行是否可控，测评是否专业，使用成本如何计算……在技术狂飙的同时，智能体催生的新挑战同样不容忽视。特邀请相关领域专家，就智能体的发展趋势与治理要点分享观点。

智能体发展超预期但面临严峻挑战

上海人工智能实验室领军科学家、上海创智学院副院长 乔宇

2026年，智能体发展进度超出了很多人的预期，同时，词元（Token）经济也孕育形成，但需要理性认识到，智能体技术在落地应用过程中仍面临诸多挑战。

一是真实场景中的可靠稳定运行挑战。

当前，智能体接收的任务通常包含多个执行步骤，要求智能体可靠、稳定地完成长程任务。尤其在医疗卫生、工业制造等低容错率场景中，多数智能体仍存在显著的性能瓶颈。即便是在简单办公场景下，智能体也时常出现误删文件、误发邮件等错误。

二是智能体评测体系与技术标准建设滞后于技术发展。

智能体评测逻辑与传统大语言模型存在本质差异：传统模型多为一问一答的交互形式，仅需预设标准与参考答案即可完成评测；智能体评测需覆盖真实场景任务与长程任务，不仅需要验证最终任务完成结果的正确性，还需对执行过程中每一步骤的准确性进行校验。当前，该领域亟须加大建设力度，通过务实举措加快推进评测体系与标准建设。

三是词元经济成本收益挑战。

目前，智能体完成一项简单任务，往往需要消耗数十万甚至上百万单位的词元，部分企业今年初允许员工不限量使用智能体后，最终核算发现人力成本低于词元消耗成本。

2026年，从国外的Anthropic模型、GPT5.6模型，到国内的GLM5.2模型，再到新近发布的Kimi K3开源模型，基础模型仍处于高速演进过程中。而关于智能体的技术发展趋势，行业是该选择基础模型技术路线还是Harness模块（工程基础设施参考框架）路线？笔者认为，核心方向是协同演进，即当基础模型性能提升后，需要开发与之匹配的Harness模块；而性能完善的Harness模块可支撑更复杂、更贴近真实场景的长程任务求解，该过程生成的任务数据可进一步用于下一代基础模型的训练。简言之，基础模型与智能体协同演进，将成为下一阶段智能体领域的核心发展趋势。

针对上述智能体行业面临的共性挑战，笔者也有三点建议。一是行业需要更高性能的基础模型，未来基础模型应当面向智能体应用训练优化，需具备更出色的推理能力、长程任务规划能力、问题场景下的反思与自我纠错能力，同时还要满足安全性与运行效率要求。二是Harness技术将进入快速发展阶段，可借助AI技术，设计更优化的Harness模块，实现基础模型与智能体的协同演进。三是需同步推进可信安全与治理体系建设，技术发展过程中必须始终重视安全治理工作。

强化体系支撑 推动智能体全域赋能

中国信息通信研究院华东分院副院长 廖运发

当前，AI正加速成为驱动经济社会高质量发展的关键引擎，深刻重塑产业形态与民生服务模式。2026年《政府工作报告》首次提出“打造智能经济新形态”。医疗健康是智能经济最具潜力和社会价值的落地场景之一。庞大的市场需求和复杂的业务场景持续刺激着AI算法、智能硬件等技术创新。

现阶段，以大模型为底座、智能体为载体的自主智能技术，已不再是医疗领域的辅助工具，而是贯穿全民健康全生命周期、赋能医疗健康全产业链的核心生产力，将全方位推动医疗健康行业提质增效、惠及民生，助力公众享有更健康、更高质量、更有尊严的生活。

2026世界人工智能大会集中发布的多项医疗智能体创新成果，已充分印证自主智能技术正从碎片化工具应用向体系化赋能演进的发展趋势。

然而，技术落地离不开场景支撑与体系建设。眼下，医疗智能体体系支撑建设还面临诸多挑战。

一是标准体系不完善。

行业呈现应用火热、标准滞后的现状，缺少多智能体协同交互、跨机构对接的统一规范。各家产品互不连通，难以互联互通规模化推广。

二是数据供给陷入瓶颈。

医疗数据分散割裂，多模态数据治理难度大，叠加隐私保护不够，高质量合规训练数据不足，制约着智能体诊疗能力迭代。

三是临床安全与可靠性不足。

医疗属于高风险场景，智能体推理易产生幻觉、出现诊疗偏差，同时存在越权操作、行为不可溯源等安全隐患，伦理权责界定尚不清晰。

四是落地闭环尚未形成。

医疗智能体扎堆于问诊、影像阅片等热门场景，基层医疗、慢性病管理等刚需场景供给不足，研发、临床测试、落地迭代相互脱节，技术成果转化率偏低。

为推动AI医疗进一步走向规模化应用，近年来，中国信通院华东分院深度参与上海“模塑申城”人工智能+医疗专项部署及《上海市发展医学人工智能工作方案（2025—2027年）》落地，深耕医疗AI垂直领域，重点支撑医疗领域国家人工智能中试基地建设。团队聚焦医疗智能体场景适配、功能迭代、安全合规、标准规范四大核心方向，系统性地推进医疗AI应用场景梳理、数据工程建设、功能模块研发、技术验证与成果转化等工作。

与此同时，团队开展生成式AI应用评测备案咨询及AI智能体科技伦理审查，构建“技术研发—场景测试—落地应用—迭代优化”的闭环体系，为医疗智能体规模化、规范化落地提供坚实的技术支撑与实践范式。

具体而言，团队在研发端，依托现有行业研究积淀，梳理医疗刚需场景与技术标准，为智能体研发提供明确的产业需求导向；在测试端，依托国家级中试基地真实医疗场景及华东分院实验室能力，开展多维度、常态化的技术测评、场景适配验证与安全合规校验，持续打磨技术的实用性与稳定性；在应用端，通过生态建设、创新案例推广及“揭榜挂帅”等方式，推动成熟医疗智能体模块开展规模化落地试点；在迭代端，持续收集真实临床与民生服务场景的数据反馈，反向驱动算法优化、功能升级和标准完善，为医疗智能体规范化、安全化落地筑牢技术底座，形成可复制、可推广的行业实践范式。

只有坚持场景牵引、标准先行与安全可控，才能真正让智能体全域赋能医疗健康，助力将医疗健康事业推向更加普惠、高效与可持续的未来。

智能体赋能药物研发：不止于靶点筛选

清华大学智能产业研究院首席研究员、水木分子首席科学家 聂再清

智能体具备高通量文献挖掘与计算分析能力，可依托前沿算法完成分子生成、优化、活性预测等任务。在药物设计过程中，智能体可助力让过去的“不可能”成药靶点变成“有可能”成药靶点。值得一提的是，智能体可完全脱离动物实验体系，设计得到全新的抗体序列。

笔者团队借助ChatDD智能体，设计获得数十种抗体。经湿实验验证，其中21%的抗体展现出较高的亲和力，具备潜在的成药性。该研究结果证明，智能体已具备开发高质量候选药物的能力。

就智能体在药物研发中的定位，笔者认为，AI与领域专家协作开展研发已成为行业常规范式，目前越来越多的领域专家已开始使用智能体辅助研发工作，部分专家已形成工具依赖性。

不过，目前尚无药物研发能够实现从靶点筛选、抗原表位选择，到抗体序列生成、优化、排序，再到临床试验推进的全流程完全由AI全自动完成。其核心瓶颈在于药物研发过程涉及的大量人体作用机制尚未被AI充分解析。因此，目前对于智能体和制药的关系，更为准确的表述应是“由领域专家与AI协作完成”。

事实上，智能体赋能制药的过程中也引发了诸多新的挑战。

首先是技术层面挑战。

蛋白质序列决定其高级结构与生物学功能。基于这一规律，如何实现蛋白质语言与人类自然语言之间的互译？类比多模态视觉模型的文生图、图生文任务，能否将蛋白质变异的生物学意义以自然语言形式精准表征？这些问题仍有待进一步研究探索。

其次是应用层面挑战。

如何将领域专家的经验与直觉沉淀为AI模型的能力，进而构建数据飞轮实现AI助手性能的迭代提升，仍是待解决的关键问题。

最后是安全层面挑战。

众所周知，制药企业的研发信息具备高度保密性。如何防范数据泄露、保护临床数据隐私均成为核心挑战。还有一个问题值得注意：智能体既然可用于设计活性药物分子，也存在被滥用于设计有毒有害分子的风险。相关伦理规范亟待制定。除此之外，行业标准、工具接口规范，以及智能体研发能力的标准化评测工作等，也都需要产学研医多方协同稳步推进。统一、规范的行业规则体系建设将为该领域的健康发展筑牢根基。

编辑：夏海波 王玉（实习） 穆荣萱（实习）

校对：于洋

审核：胡彬 徐秉楠