Zijing Zhikang, incubated by Tsinghua AIR, releases multi-agent collaborative technology and upgrades Zijing AI Hospital

不会……只有我这样做吧？

哪里不舒服、持续了多久，还包括既往病史，这些零零碎碎的信息，都在预问诊阶段准备妥帖。

等到和医生面对面，结果发现医生也在 Vibe Working ：

Agent协助医生下判断，诊室之外的随访与健康信息管理也由AI跟上。

乍一听有点赛博朋克，但却是实实在在发生在现实的一幕。

张亚勤院士创办的清华AIR，最近又跑出来一家明星AI医疗企业——

紫荆智康 。

单说咱去看病，一个毛病可能就同时牵扯到多个科室。

医学又是最讲究专业实力的，总不能让骨科医生来给你看肺部问题……

所以当不同专长的医生拥有各自的分身，这些分身之间又能否进一步协作？

围绕这个问题，紫荆智康此次带来了医学领域的 多分身智能体协同技术 （Multidisciplinary Human-Agent Collaboration），并进一步升级“紫荆AI医院”（Agent Hospital）。

先说老问题。

医疗行业有个绕不开的现实： 好医生永远稀缺 。

每个医生都有自己的专攻方向，每家医院也有着各自的资源承载上限。

看病难，难如上青天。

通常一个患者的病症如果横跨多个科室，现实路径是这样的：

先挂内科，查不出所以然转外科，外科看完再约影像科，几个科室的号都挂遍了，才轮得上发起一次正式的 多学科会诊 （MDT）。

结果到头来，最佳治疗窗口可能已经错过了。

而且一次MDT本身也不便宜，光凑齐各科专家的时间，就得付一笔不低的会诊费。

紫荆智康的思路比较直接，既然让患者去找专家不太现实，那不如 先让专家分身集体到位 。

反之如果是那些跨学科的复杂问题，紫荆智康则干脆给这些分身搭了个 多学科协作会议 。

当具备不同专长的Agent分身依次加入分析，单一医生能获得的专业视角直接被大幅度拓宽。

举个例子，现在有位因甲亢进入内分泌科的患者，在问诊过程中，系统同步收集到患者还兼有哮喘病史的信息。

对当前诊室而言，后续处置就需要同时考虑呼吸系统的情况。

于是呼吸科分身介入，提醒医生关注后续用药的相关风险。

这就是多分身智能体协同的基本逻辑，它能够 把跨专科支持前置 到首诊、预问诊这些更早的环节。

换句话说，患者走进这间诊室时，就有一整个医生团队在打辅助，那些疑难重症专属的多学科支持就有可能成为日常诊疗的标配。

具体怎么协同的？紫荆智康提供了两种形态。

一种是 按需提醒 。

医生还是照常进行门诊，随着患者不断提供新信息，系统识别其它专科参与的需要，再把相关分身的意见以提醒方式呈现给医生。

期间并不会打断原有的诊疗流程。

另一种是 会诊模式 。

对于已经明确需要多个专科共同分析的病例，多个分身直接参与其中，并在界面上围绕诊断、用药等环节呈现对应建议。

医生要做的，就是用自己的专业知识，比较权衡这些不同视角。

当然，意见多了，还会产生另一个问题： 分身之间说得不一样，咋办？

老实说，紫荆智康的处理方式挺反直觉。

它没有主动去收敛分歧，而是把分歧明明白白摆出来。

系统会分别呈现不同分身的建议， 对不一致之处高亮提醒 。医生能够看到意见来自哪个分身，再结合患者情况、相关依据及自己的经验，完成最终判断。

因为差异本身也有价值。

如果它根据现有资料给出的想法和我倾向的事情是不同方向的， 我会觉得很有意义 。

接下来我就需要非常慎重地去鉴别到底哪一个更符合实际情况。

所以多分身协同的价值，最终还是要落在 后续研判 过程上。

对比其它医疗Agent，这也是紫荆智康的系统能够更好地补全专业视角、提供可追溯源头的核心所在。

事实上，这也并非紫荆智康一家之言。

比如微软在MAI-DxO研究中，通过模拟医生团队，围绕病例逐步获取信息、提出诊断假设并选择检查，以此研究诊断准确性与成本之间的关系。

紫荆智康进一步强调的，则是 分身与具体医生之间的联系 。

这里的医生分身会在基础能力之上，持续学习真人医生，完成自进化成长，最终再将决策权交还给真人医生。

不过要让成百上千个分身随时在线、各司其职，背后还需要一套完整系统。

分身从哪里获得能力，如何理解不断增加的患者信息，怎样适应医生的工作习惯，又如何接入医院原有流程……环环相扣，都会影响最终的使用效果。

类似的医疗智能体平台也有，比如微软的Healthcare Agent Orchestrator，会组织起不同的智能体处理信息，并围绕肿瘤会诊等复杂任务构建工作流。

这一核心技术路线，源自AIR刘洋教授团队在Agent Hospital构建之初提出的 SEAL ，即基于拟像的可进化智能体学习。

这是一套 「虚拟世界训练+现实世界验证与微调」 的双层进化架构。

在虚拟环境里，患者、医生、护士等角色均由 智能体 扮演。

成功的案例 可以进入病例库，供后续任务参考； 出现问题时 ，再从失败中反思、提炼经验，并经过整理，逐步形成可复用的规则。

类比AlphaGo的自我对弈，AI医生在虚拟医院里自我进化。能力稳步提升的同时， 算力消耗也远低于传统大模型训练 。

于是 真实诊疗 上场。

通过引入现实世界中的验证与伴生成长，系统让分身与真人医生一起工作，再把医生的操作反馈进内部微调。

Agent不仅行动像医生，思维也要和医生同步。

患者端 负责预问诊、健康资料与后续管理； 医生端 承接分身、病历及决策辅助； 医院端 支持排班、权限与数据管理。

三端产品把底层能力带到了不同角色面前。继续接入专科工具和合作伙伴，则是在此基础上推进的下一步。

目前，这套系统已经在真实医院中交出了成绩单。

截至2026年7月，该系统已构建54位AI医生和数百万超拟真AI患者，覆盖数千种疾病。

北京清华长庚医院已有18个临床科室开展门诊测试，40余名医生常态化使用，医生整体诊疗效率能够提升 30% 。

基准测试方面，AI医生在MedQA数据集上的准确率超过 96% ，并在多个国际医学评测数据集中均取得最高成绩。

接下来要回答的，就是如何让这份专业支持走进更多医院，惠及更多患者。

厂商也好，医院也罢，都习惯 从一个具体任务切入 ，比如影像识别、病历生成或辅助问诊。

但要说真看病，肯定是一连串的过程。

就没人想做吗？那倒也未必，难就难在很少有人能把前沿技术、临床与工程绑在一起。

这是学术界与产业界共同面对的尴尬处境：

哈佛、MIT、斯坦福这些 顶尖高校 ，的确拥有最完整的医学AI创新生态。但从实验走向临床，还缺乏系统工程验证。

顶尖医疗机构 （如梅奥诊所、多伦多总医院、克利夫兰诊所）倒是坐拥深厚的临床资源，也有丰富的患者需求。

生产级AI原生医疗系统的落地，需要让这些能力形成合力，所以当下 紫荆智康是T0级别 。

紫荆智康算是个新玩家，两年前才由 清华智能产业研究院 （AIR）孵化成立。

放在单项研究动辄十几年的医学领域，的确显得初出茅庐。

但团队的研究积累远早于此，成员本身长期扎根智慧医疗：

多篇论文相继登上《Nature Medicine》《NEJM AI》等医学AI顶刊。

其中，2024年海内外刷屏的Agent Hospital论文一炮而红，被称作 “世界上第一个AI医院” 。

相关实践还获得了 《Nature》 的重点关注，并被其列为AI虚拟分身落地医疗领域的核心参考案例。

紫荆智康算是非常典型的 学术成果落地 的成功范例。

从清华AIR出发，到登上顶刊，再到走进真实诊室，这支团队正在一步步将学术积累转化为医生和患者都用得上的产品。

在今天的发布会上，紫荆智康还有个关键特质让我很动容。

君子当以厚德载物， 承袭自清华AIR的普惠特质 ，紫荆智康在技术的推进过程中，也始终没有落下医学的人文关怀。

紫荆智康主张，通过 价值对齐 ，将医学人文理念转化为算法可理解、可执行的约束与偏好。

落到实处，就是专业级能力的下放，让更多基层医生、赤脚医生乃至乡镇机构都得以享受一线资源，是实实在在造福于广大患者。

诚然，这条路并不轻松，每一道合规关卡、每一位医生习惯的切换，都要在具体实践中打磨。

紫荆智康选择的这条 从虚拟世界到真实诊室 的路，更慢但也更稳。

不过可以预见的曙光是，当医生每多一份有效支持，患者就能少走一点弯路。

生命得以延续，科技的价值才得以真正彰显。