迈瑞、腾讯联手，帮医院修设备

作者 | 秦酒

编辑 | 于中瑾

这次不是给人看病，而是给机器“看病”。

01

迈瑞x腾讯

医疗行业首个技术服务大模型落地

近日，迈瑞医疗联合腾讯云智能体开发平台ADP，上线了全球首个医疗技术服务大模型。

据证券时报报道，医院设备科工程师和一线医护人员，可通过迈瑞旗下“瑞智服”小程序和全球服务官网，获得7×24小时在线技术支持。

（迈瑞“瑞智服”小程序界面）

医疗设备直接关乎患者生命健康安全，尤其在急诊、ICU等科室，设备故障从来不是小事。一旦处置滞后，轻则延误治疗，重则酿成医疗事故。

过去，一台设备报警或停机，值班人员往往只能翻阅厚厚的说明书查询，或者等工程师支援，中间时间差极为漫长。

伴随设备技术迭代加快，型号也越来越庞杂，加上医疗设备本就横跨机械、电子、光学、软件等多学科，传统的人工服务模式已经难以跟上节奏。医院设备科缺人、缺知识、缺工具成为普遍困境。

迈瑞和腾讯的联手，正是切中了这个被忽视已久的痛点。要医治患者，需先“治”好医疗设备。

AI大模型正好解决了当前人工值守医疗设备服务过程中的痛点，补齐了医疗设备服务中的“知识差”和“时间差”。

据证券时报报道，迈瑞医疗相关负责人介绍，该医疗技术服务大模型内置了5000余项临床关键知识和500余项设备语料训练数据，覆盖生命信息与支持、体外诊断、医学影像等核心业务领域。在专业测试评估中，关键问题回答准确率达到99%，能够支撑年均百万级服务咨询的秒级响应，显著提升医院设备运维效率。

放眼迈瑞的全球版图，业务覆盖200多个国家和地区，涉及跨区域服务时差、语言差异等多重难度，这种量级的需求，传统人工模式注定难以承载。但通用大模型在医疗设备这类高精度专业场景中，往往出现答非所问、张冠李戴情况，在设备运维中代价极高。

目前，该服务已覆盖全球190多个国家和地区，支持百余种语言，日均产生专业问答超过1700次。

02

AI医疗的下一站：

医疗场景与AI“双向反哺”

值得注意的是，迈瑞和腾讯此次合作，不止是将目光从辅助诊断投向设备运维，其深层价值在于“双向反哺”。

腾讯云ADP（智能体开发平台）将迈瑞医疗的非结构化文档转化为企业级知识库。通过API直连技术资料平台，实现知识“零延时同步”，又基于“用户反馈-自动归类-专家审核-知识更新”闭环机制持续迭代。

简单来解释，就是迈瑞把海量的设备说明书、维修手册、培训资料等全部“喂”给了腾讯云的ADP平台。ADP就像一个超级大脑，把这些杂乱的信息消化、整理成结构清晰的知识库。当工程师提问时，系统能秒级调取最精准的答案。更关键的是，这套系统会“越用越聪明”：工程师每一次提问、每一次纠错，都会自动回流到知识库，经过审核后完成知识更新。今天答不上来的问题，明天可能就已经学会了。

这或许正是医疗AI区别于通用AI的地方。它要学的不是公开数据，而是壁垒深厚的医疗专业知识、难以系统化的临床经验和千变万化的真实场景。

这一点在医学影像上表现更为明显。AI即使吸纳了海量的医疗知识数据库，但始终读的是“死书”，医院每天都在发生复杂多变的真实治疗案例和影像数据，如何实现医疗场景和AI算力的持续反哺，是AI医学影像领域面临的难题之一。

谁能拿到真实的临床场景、持续的高质量数据、一线医生的实时反馈，谁就能让AI在医疗领域真正站稳脚跟。设备运维如此，临床诊断更是如此。

医学影像服务是一个连续流程，任何一个环节能力不足，都会影响最终服务质量。相比设备运维，医学影像服务的专业密度更大，更为复杂琐碎。

据弗若斯特沙利文统计，假设开单、扫描、诊断和临床应用四个关键环节均达到较高水平(90%)，整体服务能力仍约为0.94≈66%。这表明医学影像服务质量并非由单一环节决定，而是取决于全流程各环节完成度的协同水平，任一环节存在短板都会对最终影像价值产生影响。目前提升各环节能力的重要方法就是运用AI。

值得注意的是，相比过去停留在辅助诊断层面的AI医疗，“场景+数据+AI”三位一体的自我进化生态，正在成为AI医疗发展的下一个风口。

如由第三方医学影像服务龙头一脉阳光孵化的影禾医脉，于2025年1月推出了全球首个跨模态医学影像L0级基座模型“影禾觅芽®”。不同于市面上多数医疗AI公司调用通用大语言模型做提示词工程或RAG检索增强，影禾医脉从零训练视觉基座模型。

影禾医脉的创新不在于做了一个大模型，而在于构建了一套让模型“持续生长”的机制。

这套生长机制之所以可行，离不开一脉阳光沉淀多年的数据底座。截至2025年末，一脉阳光在全国20个省份运营117个影像中心，合作医疗机构超1100家，累计沉淀约2800万例标准化医学影像数据，存储规模5PB，日均新增约2万例。

一脉阳光所拥有的千万级真实数据储备，加上影禾医脉从零训练视觉基座模型的能力，共同构成了"场景+数据+AI"的生态基础。

据了解，影禾医脉提供完整的AI-DIY工具链，允许医院基于本地数据对模型进行微调和自迭代。医生在复核修改AI报告时产生的反馈数据，可直接用于强化学习，实现“工作即训练、使用即进化”。

影禾医脉CTO张杏林表示：“客户拿到的是一个可以持续生长的基础设施，而不是一个一成不变的静态软件。”

国际上也已有动作。美国影像连锁巨头RadNet于2026年3月以约2.693亿美元收购欧洲AI公司Gleamer SAS；在澳大利亚，影像连锁I-MED Radiology Network早期投资了“Harrison.ai”项目。

可以看出，医学影像AI正在与线下连锁服务场景进行深度捆绑，这或许正是医学影像AI未来发展的风向标。