算力变局之下,大模型的真正考场在疾控一线

2026-11-18  争上游

最近黄仁勋辞任英伟达CEO的消息震动了全球AI产业链,英伟达市值单日蒸发约1.2万亿元人民币。短期看,美国既有可能进一步收紧AI芯片出口管制,英伟达系列算力卡进入国内的难度持续加大,国内算力供给的能见度难免受到扰动。但把视线拉长,这件事的真正含义并不在于某一家公司的管理层更迭,而在于它再一次确认了一个早已开始的方向:中国AI算力的自主化,不是可选项,而是必答题。中长期看,国内对国产算力的采购占比将进一步提升,国产算力有望成为国内AI相关资本开支的中流砥柱。国产芯片在性能与生态上仍有长路要走,但“被卡住”的风险本身,正在倒逼一条更完整的自主链条加速成型。



更重要的是,中国大模型的发展已经过了“离了谁就转不动”的阶段。2026年,粤港澳大湾区首个“国芯训国模”万卡智算集群在韶关落地,9000P全国产算力资源池投入运行;科大讯飞星火X2.6首次在全国产算力平台上完成训练,代码、智能体、超长上下文等复杂任务能力同步提升。这些进展说明,即便外部算力环境出现波动,国内大模型的技术迭代和产业落地已经有了可以依托的底座。AI向前走的大势不会因为一次人事变动而改变,真正会改变的是竞争的重心:从“谁有最大的通用模型”,转向“谁能在具体行业里把模型用对、用稳、用出价值”。



过去两年,AI大模型领域谈论最多的是参数规模、榜单排名和API价格;而今年的一系列信号表明,大模型正在从“能力展示”阶段进入“产业深融”阶段。企业智能体的采纳率从2024年底的17.3%快速攀升至2026年上半年的40.3%,AI原生应用的月活跃用户接近5亿。模型本身不再是稀缺品,稀缺的是高质量行业数据、对业务规则的深刻理解,以及把模型能力嵌入流程、约束在安全边界之内的工程能力。训练行业模型解决垂直行业里的深度问题,需要的是高质量的行业数据集。通用能力可以买来,行业纵深买不来。

在众多垂直领域中,疾控是一个特殊的存在。它不直接产生显性的经济产值,却决定着一个社会在面对传染病威胁时的反应速度和底线安全。“预防是最经济最有效的健康策略”,而预防的前提是早发现、早研判、早处置。长期以来,疾控体系的日常运转高度依赖人工:病例报告逐条审阅,流调信息分散在多个环节,聚集性信号的识别靠经验与简单统计,知识散落在个人电脑和纸质文件中。这些环节单看都不是“大问题”,但叠加在一起,就构成了监测敏感性的瓶颈。当新发传染病或不明原因症候群出现时,发现得晚一步,处置成本就高出一个量级。

政策层面已经给出了明确的方向。“十五五”开局之年,《疾病预防控制“十五五”规划》将“数智疾控”写入顶层设计,明确提出给疾控工作配备“AI助手”,并要求“开发人工智能大模型和智能体,为传染病防控工作赋能增效”。按照规划节奏,2026至2028年打基础、建平台,打造首批10个“人工智能+”典型应用场景;2029至2030年深融合、强应用,让AI智能体全面进入疫情态势感知、风险评估和智能分析等核心业务。这意味着,疾控领域的大模型应用不再是一个“要不要做”的探讨题,而是一个“怎么做才有效”的实践题。

实践已经给出了初步答案。浙江将智能体与多模态大模型嵌入电子病历监管,覆盖2502家中小医疗机构,累计归集分析诊疗数据近780万条,风险线索从复核到执法核查的平均时长缩短30%以上。南京依托大模型升级监测预警平台,重点传染病风险识别智能体在登革热病例搜索中减少约60%的人工工作量,流调辅助智能体自动提取时间、地点和接触人群信息并生成可视化轨迹。北京协和医学院群医学及公共卫生学院将大模型与智能体技术系统性引入监测分析和风险评估场景,获评国家疾控局“人工智能+”优秀案例,其核心经验正是把专家经验和历史案例转化为可持续运行的智能体应用,推动疾控从“经验驱动”向“人机协同智慧决策”转变。这些案例的共同点不在于模型有多大,而在于模型被放进了真实的业务流程,被规则约束,被人复核,被数据反馈持续修正。



但要把这些点状经验变成面上的能力,绕不开一个结构性难题:疾控体系是省、市、县三级架构,如果每一级都各自采购算力、各自对接模型、各自维护知识库,重复投入暂且不论,更严重的是口径分裂和能力落差。省级有技术力量但缺少统一抓手,基层有场景需求却没有技术通道。一个省域范围内,真正需要的是一个“能力中枢”——它不替代任何既有业务系统,而是把算力、模型、知识、数据、工具统一纳管,以智能体和轻应用的方式向三级机构输出,让基层在不增加技术投入的前提下获得可用、可控的AI能力。

这一思路在争上游科技参与的省域疾控联合体大模型垂直应用服务平台中得到了较为完整的体现:平台定位为“省级统筹、三级共用、安全可控、智能体驱动”,向下统一纳管算力与模型资源,向上以智能体承载监测预警、流调排查、报告生成、知识检索等业务场景,安全与运维体系横向贯穿,确保所有能力在私有化环境中运行、在审计机制下调用。它所做的不是“再建一个系统”,而是为全省疾控的人工智能应用提供一个可管理、可评测、可追溯的运行底座。



这种“底座+智能体”的路径,恰好对应了疾控大模型落地的几个关键约束。

第一是安全可控。疾控数据涉及个人健康信息与公共卫生安全,模型不能“裸跑”,输出不能没有依据,写操作不能脱离人工确认。平台将规则引擎置于刚性约束位置,大模型负责语义理解与生成,小模型承担统计与预测,规则引擎守住业务口径底线,三者分工而非互相替代。

第二是知识可溯源。疾控决策的依据是政策、指南、案例和文献,模型给出的判断必须能够关联到具体来源和版本,否则在业务上无法被采纳。

第三是基层可及。省级统建底座的意义不在于把能力“攥在省里”,而在于让市县用户通过智能体和轻应用直接使用,把重复建设省下来的资源投入到数据治理和场景验证中。

第四是可持续。每新增一个场景,复用的是既有的算力、模型、知识和插件,而不是推倒重来。这种“沉淀—复用”的机制,比任何单点模型的性能提升都更决定长期效果。

疾控大模型今天仍然未到完全成熟的程度。数据质量参差、标注不足、标准不统一,仍然是比模型选型更棘手的瓶颈。基层的操作习惯、权责边界和运维能力,也需要在试点中逐步磨合。但方向已经清晰:大模型在疾控领域的价值,不在于替代疾控人员的判断,而在于把分散的信息收敛为可核查的线索,把重复的审阅交给机器初筛,把专家的经验沉淀为可复用的数字资产,把省级的能力以可控的方式输送到基层。

健康中国建设需要一个更有韧性的公共卫生体系,而韧性来自更早的发现、更快的研判和更一致的执行。算力格局的短期波动改变不了AI走向行业纵深的大势,真正决定成败的,是能否在疾控这样的关键领域里,把大模型从“能用”做成“可靠可用”。这件事没有捷径,但已经有了一条可以走通的路。