Token经济、Harness演进与医疗AI的容错大考 | 2026智能体落地全景观察

大数据文摘受权转载自中国信通院华东分院

2026年是智能体规模化落地元年，AI正在完成从“能说”到“会干”的关键一跃。智能体纷纷走出演示视频，进入诊室、急诊、药厂和实验室。伴随真实任务的执行，“Token经济”也随之蓬勃兴起。

但落地依旧远非坦途：长程任务如何可靠稳定地完成？评测与标准如何跟上技术的速度？动辄烧掉上百万Token的智能体，性价比是否真的打得过人？而在医疗这类对容错率要求近乎苛刻的领域，所有问题都被进一步放大。

在2026世界人工智能大会（WAIC）期间，由中国信息通信研究院（以下简称“中国信通院”）承办的“从大模型到智能体：迈向自主智能新纪元”主题论坛上，一场特别对话与一场压轴圆桌，给出了这些问题的完整答案。

图注：葛均波院士（右）与魏凯（左）深度对谈

特别对话的主角，是中国科学院院士、复旦大学附属中山医院心内科主任葛均波。他是国内医疗AI落地的先行者，早在2018年，他就在东方心脏病学会议（OCC）开幕式上与讯飞医疗的AI机器人“小葛”完成了一场“老葛与小葛的对话”；去年，他和团队公布了心血管专科大模型“观心”（CardioMind）。葛均波院士专程莅临本次 WAIC 论坛，与中国信通院人工智能研究所所长魏凯展开跨界对话，围绕智能体落地临床，直击临床医生最关切的核心问题：智能体进入诊室，先做“助手”还是先谈“替代”？医疗智能体最先能在哪些环节落地？未来的医生与AI，会是什么关系？

图注：魏凯主持圆桌，与乔宇、聂再清、季磊等专家共话“智能体：从科研突破到千行百业价值落地”

随后的压轴圆桌《跨界圆桌思辨：智能体，从科研突破到千行百业价值落地》仍由魏凯主持，嘉宾为：上海人工智能实验室领军科学家、浦江书院院长、上海创智学院副院长乔宇，清华大学教授、水木分子首席科学家聂再清，阿里巴巴达摩院院长助理季磊。他们中有人做基础研究，有人做AI制药，有人做产业落地。这场圆桌问题同样尖锐：过去一年，智能体是否超出预期？智能体的水平，由基础模型决定，还是由Harness决定？AI制药是加速器，还是能抵达人类达不到的高度？医疗智能体如何跨越严苛的容错率鸿沟？企业的研究院，又如何把成果从0做到1、从1做到N？

以下为本场圆桌对话的实录，经整理编辑，有删改。

一、特别对话：在离生命最近的赛道上，谈智能体的落地

魏凯

下面向您请教几个临床最关切的问题，也请和现场的产业、媒体同仁分享一下，一位医者对AI的真实思考。

第一个问题：医疗是对容错性要求极为严苛的领域。作为临床专家，您如何看待智能体进入诊室，参与疾病的辅助诊断和手术规划？从心内科的角度，您认为智能体最先能在哪些环节落地？

在临床大夫里，我个人算是关注人工智能比较早的。2018年，在浦东的一个会议上，开幕式就安排了一场“老葛与小葛的对话”。当时，科大讯飞的机器人通过了医学考试。我觉得那个并不难：只要把生理、病理、生化、内科、外科、妇产科这些临床知识输进去，它就能算出答案。那时候的模型，只能针对某一个专科的疾病、某一项检查结果给出判读。

去年我们公布了“观心”模型（CardioMind）。作为一个心血管医生，我们经过长期的计算、积累、算法改进和数据清洗，才把它做出来。为什么要下这么大功夫？因为医疗是一个安全性和容错率要求极高的领域。我们知道，一个沙发造错了，一条腿长一条腿短，还可以校正；人不行，多缝一毫米、少缝一毫米可能都不行。

智能体进入诊室，首先必须明确定位：它是医生的助手，而不是未经监督的决策者。它可以帮医生整合信息、提示风险、提高效率，但关键决策还应该由医生负责。要赢得医生的信任，也不能只看实验室里的准确率，更要经过多中心、前瞻性、真实临床环节的验证，证明它在不同医院、不同人群中都稳定可靠；同时判断依据要能追溯，适用范围和能力边界要清晰。

同时，医生还要能及时识别和纠正它给出的幻觉和错误信息。在数据和责任方面，要坚持患者的知情权。我们现在觉得，人工智能是冷冰冰地提供信息，但医学不是这样的，医学是有温度的关怀，除了治疗还要有人情，这一条必须保留。全过程要能追溯，出了问题是哪一个环节的问题，就由医疗机构、临床医生或者技术开发者承担相应的责任，不能简单地推给“算法”两个字。

说到伦理，中国科学院学部去年专门立了一个项，研究人工智能在医学应用中的伦理问题，我是召集人。病人隐私保护、数据清洗等很多问题，欢迎大家提出来，我们共同讨论。

回到你的问题：作为一个心血管医生，我认为最先落地的，是需求迫切、流程相对标准化、最容易做临床验证的环节，比如心电图、超声影像、显像、冠状动脉造影等，智能体可以帮助做危重症路径的规划和预警。

葛均波

魏凯

葛院士团队的“观心”大模型用了很前沿的多智能体技术，也把大模型最新的深度思考机制用到了诊疗智能体里。

第二个问题：作为临床医生中使用智能体的先行者，您的心路历程对其他科室的同行有哪些启示？跳出医疗行业，对其他行业的跨界应用又有哪些心得？

图注：中国科学院院士、复旦大学附属中山医院心内科主任葛均波

先说一个插曲。去年公布模型前，我们想给它起个名字。老百姓看病都求个心安，最开始起名叫“观音”。后来有人提醒我，“观音”有宗教色彩，而且走向国际的话，外国人没有这个概念。最后大家商定叫CardioMind，Cardio是心脏，Mind是思考、大脑。

葛均波

魏凯

这个名字非常贴切。

模型公布后，我们发现还有问题没解决：人是一个整体，不是只得心脏病，也不是只得脑卒中。后来我们把更多数据蒸馏进模型，让它把一个心脏病患者作为完整的人去看待、去诊疗。

这也回到刚才那个问题：智能体的发展，不是把模型做得越来越大，而是把临床问题解决得越来越好、越来越精准。

具体怎么做？我们坚持三条：第一，以临床需求为导向；第二，多模态融合的临床推理；第三，真实世界验证。模型公布前，我们拿到合作医院去验证到底能帮多少忙、是否准确。结论是：现在医学分工很细，我冠心病手术做得很好，但射频消融未必是强项，心衰也不一定。而在一些问题上，我们的模型胜过了专科教授。信息一旦整合起来，它能给出更准确的判断，告诉你应该往哪个方向走。

但话说回来，还是前面那句话：它是助手，不能替我们做决策。

葛均波

魏凯

我们可以充分利用大模型的泛化能力，将人体看作一个整体的对象，从而更好地辅助医生进行全局决策。

最后一个问题：作为临床医学家和医学界的泰斗，您是在离生命最近的赛道上大胆探索的先行者。在人工智能赋能千行百业的浪潮中，请您为医疗智能体的落地做一个小结。您希望未来的医疗智能体最终能进化成什么样？对于医疗人工智能的发展，您有着怎样的期待？

现在网络上对人工智能的声音很多，有人极度兴奋，有人非常悲观，甚至像马斯克说的那样，认为未来不需要医生，机器人做手术就行了。但我认为，医疗人工智能追求的终极目的，绝不是创造一个能够取代医生的智能体。

首先，我们要明确医生与AI的关系。未来，不是AI取代医生，而是“掌握AI的医生，一定会取代不掌握AI的医生”，这个结论我是肯定的。我们真正要打造的，是既能服务医生、又能服务患者，还能推动医学发展的“智能伙伴”。

其次，关于未来智能体的进化与落地。未来的医疗智能体，既要有强大的智能计算能力，又必须具备医学的严谨性和可靠的责任意识。它不仅能帮医生提高诊断效率，更能推动优质医疗资源下沉。比如，在基层慢性病筛查、早期预警等环节，智能体可能最早实现普及，让更多基层群众从中受益。

同时，我们必须坚守医学的初心。人工智能深刻改变医学的趋势不可阻挡，谁也阻挡不了，但医学的初心永远不会变，那就是提供最好的治疗，减少病人病痛。我们追求的不是单纯让人活到150岁，而是让每一个人活得有尊严、没有病痛。目前来看，AI可以提供效率，但绝不能替代医学的人文精神，更不能取代医生的责任与担当。

所以，我呼吁在座的每一位医生，都要抓住这轮人工智能发展的历史机遇。我们要坚持以临床需求为导向，以自主创新为动力，以安全可靠为底线，走出一条具有特色的医疗人工智能发展道路，为全球医学发展贡献更多的智慧与方案。

葛均波

魏凯

非常感谢葛院士的精彩阐述。千言万语，最终都要回归医者仁心，回归对生命的敬畏。无论人工智能多么发达，我们的核心目的始终是提升患者的生命质量，让人民群众享受到更优质、更普惠的医疗服务。

感谢葛院士！

二、跨界圆桌思辨：千行百业，离智能体还有多远

图注：魏凯主持跨界圆桌思辨

技术路线：基础模型与 Harness 协同演进

1.智能体这一年：超出预期，但挑战就在眼前

魏凯

去年在信通院WAIC论坛上采访乔老师，谈2024到2025年对AI的感受，乔老师当时的回答是“智能体应用是最大的亮点”。又过去一年，AI的发展用“一日千里”形容都不为过。

这一年您的体感是什么？超出预期，还是不及预期？

首先，我和魏所长已经连续三年在这里对谈，非常感谢每年有这样一个机会向大家做分享。回到智能体这个点，我觉得过去一年，智能体的发展是超出我的预期的，其中也孕育了现在大家经常说的Token经济。

但另一边，我们也要理智地看到，智能体技术在落地和应用中面临着很多挑战。

第一，是真实场景中可靠、稳定运行的挑战。现在给智能体一个任务，往往包含很多步骤，需要它非常可靠稳定地完成一个长程任务。特别是在医疗和工业这种容错率非常低的场景，很多智能体还面临很大挑战；甚至在一些简单的办公任务中，也经常可以看到智能体错删文件、错发邮件。

第二，是评测和标准要跟上。智能体跟以前的模型评测不一样，以前一问一答，定好标准和答案就能评测；智能体的评测需要真实场景的任务、长程的任务，有时候不仅要看最终做对没有，还要看过程中每一步是不是做对了。这方面需要以更大力度、更实的举措赶快抓起来。

第三，是Token经济的性价比。现在让智能体完成一个很简单的任务，动不动几十万、上百万Token就烧进去了。年初有很多企业鼓励员工不限量地用，到最后发现，用人好像比用Token还更便宜。

所以，我们既对未来充满希望，也要共同面对这些挑战，更好推动落地。

乔宇

2.路线之争：基础模型还是Harness？

魏凯

现在大家有个困惑：智能体的水平，核心是由基础模型决定的，还是由Harness那部分决定的？

图注：上海人工智能实验室领军科学家、浦江书院院长、上海创智学院副院长乔宇

这是个很好的问题。从技术来讲，智能体的核心确实是做Harness，建立记忆、技能、工作模板和工具调用体系之后，它就像助手一样，能帮我们自动完成很多任务。现在基础模型研发贵、投入大，Harness成本相对经济，还有很大的行业创新空间。

那是不是Harness的研究就可以代替基础模型的演进？

我的看法是：基础模型的进展，仍然是目前AGI进展的核心要素。今年可以看到，从国外的Anthropic、GPT-5.6，到国内的GLM-5.2，再到刚刚发布的Kimi K3，基础模型仍在高速演进。

未来是什么趋势？我认为是协同演进：有了更好的模型，就要做与之匹配的Harness；有了更好的Harness，就能围绕它解决更复杂、更真实、更长程的任务，这个过程中产生的数据，有可能再训练到下一代基础模型中去；基础模型更强了，又需要新的Harness。模型和智能体的协同演进，是下一个阶段的重要趋势。

乔宇

魏凯

这就是“共振”，可以说迈向了自进化的门槛。

AI 制药：AI 辅助新药研发，无法替代行业资深专家

3.AI制药：成为“老法师”离不开的助手

魏凯

AI在药物研发中仅仅是一个加速器，还是能做到人类无法做到的高度？是不是只是在10的多少次方里枚举可能性、降本增效，还是有更大的创造性？水木分子有哪些突破性进展？

图注：清华大学教授、水木分子首席科学家聂再清

AI制药现在应该具备了一种可能性：针对原来不可成药的靶点产生药物。传统做抗体药，要通过湿实验，或者把靶点打老鼠、打骆驼产生抗体再做“人源化”改造，但有些靶点根本诱导不出抗体，也就成了“不可成药”的靶点。而AI可以完全不依赖动物，从零设计出一条全新的抗体序列。这不只是理论：我们用ChatDD智能体从头设计的几十个抗体，经湿实验验证，21%表现出较高亲和力，具备成药的可能。AI已经具备了产出高质量药物的能力。

但另一方面，也不能说药物现在就能全自动由AI生产出来，这个还达不到。最主要的问题是：药物研发中很多人体机理AI还不清楚：信号通路、进入体内后发生什么反应，都还不清楚，需要“老法师”跟AI非常紧密地协作，才能做出好药。

一个好现象是：现在越来越多的“老法师”在使用智能体，很多已经离不开它了。智能体有高通量的阅读能力和计算能力，能用最先进的算法去枚举、计算、预测，再加上老法师的经验和直觉，未来几年大家会看到更多好消息。值得一提的是，我们还开源了OpenBioMedSkills技能集，专门面向生物医药，加上大模型就能做相关的智能体。

聂再清

魏凯

现在国内创新药爆发，刚好AI也崛起了，这两者是强相关吗？AI起了多大作用？

爆发更多跟中国制药的高效率相关，做实验、做临床有很多高效的地方。至于AI的作用，我感觉AI和“老法师”合作已经成为一种习惯，但我很难说有哪个药就是AI产生出来的，因为没有一个药能从靶点选择、位点表位选择，到抗体生成、优化、排序，再到临床，全部由AI自动完成。更准确的说法是：现在的药物研发，基本上是“老法师”跟AI一起完成的

聂再清

大厂落地方法论：达摩院医疗 AI 从 0 到 N 落地路径

4.医疗AI样本：从0到1，从1到N

魏凯

达摩院在AI赋能科研和产业化方面产出了大量成果。如果挑一个最成功的案例，你选哪个？有什么经验值得其他机构学习？

图注：阿里巴巴达摩院院长助理季磊

达摩院的发展模式一直是“科技创新+产业创新”，即先做0到1的前沿技术突破，再把技术应用到真实场景中。我们一直认为，应用是前沿技术检验的金标准。

最成功的不好说，但阶段性进展是有的。从实践看，目前我们的医疗AI，平台化和智能体化应用得不错，代表之一就是医疗影像方向。前期已经在胰腺癌、胃癌，以及葛均波院士提到的主动脉夹层等方向，连续发表了多篇《自然·医学》（Nature Medicine）等论文。在技术突破的基础上，我们又做了产品化，推出“一扫多筛”的达医智影，目前已在全球10多个国家推广，主要面向医疗机构和体检机构。

回头看，为什么能做起来？关键在切入之前先做足了调研：看哪个方向的需求更迫切，在需求之上，再探索新的方式和路径。例如，在杭州一个区级卫健系统试用，有3家二级医院和9个社区卫生服务中心，过去3个月我们筛查了约10万例平扫CT（不做造影剂的那种），目前从中查出了223例确诊肿瘤，其中68例是恶性肿瘤，68例里中48例是“癌中之王”胰腺癌，其中多数是俗称的“乔布斯癌”，而这48例中部分是T1、T2期，属于原来没有筛查方式、医生也查不到，现在能用轻量化的方式早期发现，早诊断、早治疗，提升生存率，同时降低公共卫生支出。这件事确实能救很多人。

基于过往经验，智能体要用起来，要坚持以解决痛点为出发点。目前，智能体应用分两大类：一类是嵌入已有工作流；另一类是AI原生的，比如OPC（One Person Company，一人公司），一个人靠N个智能体管理一家公司。但目前绝大部分场景是前者，而最大的困难是：怎么轻量化、高效率地嵌进已有工作流，产生价值而不是负担。就像乔老师提到的，我们初期也不限量地投Token，但实际ROI没那么高，这需要很强的行业Know-how。

嵌进去有多难？再举个例子。我们的主动脉夹层模型刚进医院时用得并不好。因为它的应用场景是急诊，急诊医生每天工作特别繁忙、跟时间赛跑，很难有机会跑到电脑前去看模型有没有告警。后来我们做了一个急诊智能体：把原来的模型变成一个Skill，再增加告警Skill，风险提示通过即时通讯或短信直接发到医生随身的终端上，进而真正有价值的应用起来。简而言之：怎么轻量化、高价值地融入已有工作流，非常关键。

季磊

魏凯

作为企业的研究院，你们落地项目的时候，很多是要驻场把数据和流程挖出来再结合。驻场式的项目做一两个可以，怎么赋能更大的群体？

简单来说就是“科研+产业”，先科研再产业。一共四个阶段。以医疗为例，0到1：跟国内外顶尖医生合作、在医院驻场做模型，一半是我们提供算法、算力，另一半是医生的数据和知识沉淀；现在也用对比学习、自监督学习降低标注成本，但最终医生要签字，还是需要权威医生把关。1到10：产品化做市场验证和技术价值体现。10之后比较成熟了：成立小规模商业化团队，可持续地向全球推广。再往上，60分冲100分的时候：孵化成独立团队，真正全面推广。

季磊

魏凯

这是企业研究院的优势，把0到1和1到N无缝衔接，经验很宝贵。

全行业共性挑战：数据、统一标准、可信安全评测

5.共同的考题：数据、标准、评估、安全

魏凯

理想很丰满，现实挑战还是很多。大家谈谈：有哪些挑战？有什么建议？信通院能做些什么？

这一年来，信通院也做了一些工作。提到评测，我们的原则是“以终为始”：从用户视角出发，看智能体怎么真正干活，怎么稳定、可靠、安全地把活干好。同时，我们还在研究智能原生（AI-native）模式，即业务流程如何转换，数据如何治理，技术如何嫁接到真实场景里去。此外，生态培育方面也在推进。

除了这些，大家还有哪些建议？

三点。第一，大家肯定希望有更好的基础模型。未来的基础模型应该是为智能体应用而训练的：更好的推理能力、规划应对长程任务的能力、遇到问题时的反思和自我纠错能力，当然还有安全性和效率。第二，Harness技术会快速发展。本次大会上听到很多关于RSI的讨论，即用AI的方法设计更好的Harness，实现模型和智能体的协同演化。第三，可信安全与治理。我们发展技术的时候，永远不应该忘记安全治理这一面。

乔宇

也是三方面。技术上：蛋白质语言决定结构和功能，它怎么和自然语言互译？就像多模态视觉模型图生文、文生图，能不能把蛋白质变异意味着什么，用自然语言表达出来？还有很多工作要做。应用上：怎么把“老法师”的经验和直觉沉淀成AI的能力，形成数据飞轮，让助手越用越强。安全上：药厂信息很机密，怎么防数据泄露？临床数据隐私怎么保护？AI能设计出药，也可能设计出有毒有害的分子，这些伦理红线，需要信通院牵头做白皮书、标准、工具接口规范，以及智能体研发能力的评测。

聂再清

魏凯

有两个点我印象深刻：一是把“老法师”的经验蒸馏给AI；二是安全，国际上共同关注的CBRN风险，B就是Bio（生物），模型会不会设计出不符合人类利益的生物制品，这是全球共同关心的前沿风险，不能被坏人利用去设计病毒、毒药。

我们也提炼了三点：数据、标准、评估。数据：医疗之外，我们还有基因实验室、虚拟细胞方向，这些领域的数据获取是极为谨慎的，但数据是生产资料，没有生产资料怎么生产模型？这是最大的卡点。标准：智能体之间、智能体与Skill之间，都需要统一标准，现在还没有，这个需求也会很现实。评估：应用时总遇到一个问题，你说你好，他说他好，究竟谁好？需要信通院这样的第三方机构，做公平、公正、公开的评价，我们也希望靠真正的实力把技术推广出去。

季磊

魏凯

最终还是用户说了好才是好，第三方只是做信息披露性质的辅助工作。三位专家深刻谈了各自的实践经验，也分析了挑战，既有前瞻展望，也有务实指引。对我个人最大的收获是：每年和几位专家一起“对对表”，看看共同努力的方向不要跑偏，始终走在服务产业发展的轨道上。希望明年再聊的时候，又像乔老师说的那样，出人意料地进展了一大截。

谢谢各位嘉宾，今天的圆桌讨论到此结束。

整场论坛形成统一产业共识：2026 年智能体进入规模化落地阶段，技术迭代速度超预期，但稳定运行、Token 成本、行业标准、可信安全仍是全行业共性难题；落地必须坚持 “场景需求为先”，智能体定位人类辅助工具，而非替代者。医疗、制药等高危领域，更要严守容错底线与伦理规范，同时依托信通院第三方评测、行业互通倡议，共建统一生态标准，推动 AI 真正普惠千行百业。

点「赞」的人都变好看了哦！