问题——医疗健康服务正迎来由智能化工具驱动的结构性变局。宁光认为，近期国内外面向个人健康咨询与医学信息服务的产品快速迭代、用户规模攀升，反映出公众对专业化、个性化健康服务的潜需求被显著释放。随着“智能体”类应用持续进入健康管理、就医辅助与随访等环节，行业竞争焦点不再停留在“能不能做”，而转向“能否在临床真实环境中长期稳定地用、合规安全地用”。 原因——技术演进与市场需求叠加，推动医疗智能化从“辅助”向“替代”加速逼近。一上，大模型与检索增强等技术路线不断成熟，根据循证医学证据检索、临床指南解读、病历要点梳理等高频任务，专业化工具正尝试形成“可溯源、低幻觉”的支持能力，力图成为医生的“第二大脑”。另一方面，基层医疗资源不均、慢病管理需求旺盛、老龄化加深与公众健康意识提升，共同放大了对低门槛、高可及服务需求。宁光指出，技术进步的节奏已明显加快，从过去按年迭代转为按月更新，行业必须从被动适应转向主动塑造应用规则与边界。 影响——核心战场转向临床场景与信任体系，行业组织方式与从业者角色面临重构。宁光表示，医疗智能化并非简单“工具升级”，而可能改变诊疗信息流与决策流程：从患者端的健康咨询、风险评估、用药提醒，到院内的病历生成、检查解读、分诊导诊，再到院后的康复随访与慢病管理，应用链条越拉越长。随之而来的，是医疗机构对数据治理、合规管理、质量控制的要求显著抬升；对医务人员而言，也不仅是“会不会用工具”的问题，而是如何工具参与决策的情况下，重新界定责任边界与工作流程，形成可复核、可追责、可持续的协作机制。 对策——跨越“最后一公里”，关键在解决临床落地的基础性难题，先立规矩再求速度。宁光强调，实验室表现不等于临床效果，真实环境中的人群差异、病种复杂度、流程约束与合规要求，都会造成“水土不服”。面向可用、可信、可推广目标，应重点推进三上工作。 其一，破解数据割据，夯实通用性基础。医疗与健康数据长期存在标准不统一、结构化程度不足、跨机构共享困难等问题，导致模型训练与评估缺乏高质量、可复用的数据底座。宁光认为，应加快定义高质量健康数据要素与标准体系，推动临床数据规范化采集、标注与治理；在确保隐私与安全前提下，探索多中心数据价值融合的技术路径，提升模型在不同地区、不同人群、不同医院流程中的泛化能力。 其二，打破“黑箱”疑虑，建立可解释、可审计的临床信任链。宁光指出，医生无法为不可理解的建议承担责任，未来进入临床核心环节的系统必须能够给出依据、展示推理路径并支持追溯核验。要让系统“能说清楚为什么”，需要将循证证据、指南来源、引用文献与关键特征提示纳入输出规范，形成可审计日志与质量评估机制，并通过持续监测把“低风险试用”逐步过渡到“关键环节使用”，在可控范围内扩展应用边界。 其三，补齐复合型人才短板，形成医工协同的组织能力。宁光认为，推动医疗智能化落地不仅需要医疗专家与技术专家的合作，更需要懂临床、懂数据、懂产品与合规的复合型人才，能够在真实场景中完成需求定义、流程再造、效果评价与风险控制。建议医疗机构、高校与企业围绕临床数据治理、算法评估、医学知识工程和合规管理等方向，加快培养跨学科队伍，提升行业自我主导与自我迭代能力。 前景——从“试点示范”走向“制度化应用”，医疗智能化将更强调安全、有效与普惠。宁光判断，未来一段时期，行业竞争将更多围绕临床价值、成本效率和用户体验展开，谁能在合规框架下提供可复制的场景方案，谁就更可能形成可持续优势。随着标准体系完善、评价机制成熟与责任边界清晰，智能化能力有望在慢病管理、基层辅助诊疗、健康教育与院后随访等领域率先形成规模化应用，同时推动医疗服务从“以机构为中心”向“以人群健康管理为中心”延展。
医疗行业的变革从来不只是技术竞速，更是对制度、流程与伦理的系统考验。面对从“赋能”走向“替代”的趋势——关键不在于是否使用新技术——而在于能否把安全、可信、可追责的规则嵌入应用全链条。跨越临床“最后一公里”，需要医疗界与产业界共同把握方向、守住底线、补齐短板，推动创新真正转化为改善诊疗质量与提升民生福祉的长期动能。