鲸驰集团CEO吴静波：让AI“长”在医疗设备里，而不是“挂”在云端——本报记者 李墨“过去五年，医疗AI的痛点是‘叫好不叫座’；未来五年，我们要让它‘叫座又叫好’。”鲸驰集团CEO吴静波把话说得很直。在他身后，北京亦庄总部 12 层的实验室内，一台 1.5T 磁共振正在自我扫描——不是给人，而是给一块 3D 打印的肝脏模型。扫描、重建、诊断、写报告，全程 4 分 30 秒，没有放射科医生在场，只有自家训练的“鲸驰 Med-Base”大模型在 GPU 机柜里安静运转。“今天，我们让 AI 第一次以‘嵌入式固件’的身份拿到了 NMPA 三类医疗器械合格证。”吴静波把那张薄薄的证书举过头顶，像举起一面战旗。这意味着，鲸驰把 1750 亿参数的通用大模型蒸馏成一个 78 亿参数、18GB 的“小巨人”，直接烧录进磁共振主控板上的双芯 FPGA，时延 23ms，功耗 38W，无需联网即可实时推理。“换句话说，AI 不再是医院买来的‘外挂’，而是设备出厂就带的‘原生器官’。”一、从“云端 SaaS”到“端侧固件”：一次反向长征2021 年，鲸驰靠云端肺结节筛查起家，高峰期单日调用量 120 万次。但吴静波很快发现，“掉线 5 分钟，医生就骂娘；上传 1GB 数据，患者就担心隐私。”2022 年 6 月，他砍掉全部云端收入，启动“反向长征”：把大模型往设备里塞。“最难的是‘三降’——降体积、降功耗、降时延，同时保留 98% 的临床精度。”鲸驰医疗 AI 院院长黄勤把团队拉到磁共振生产车间，和硬件工程师同吃同住。他们做了三件事：1. 结构重排：把 Transformer 的自注意力层改成“局部—全局”混合稀疏结构，计算量压缩 83%。2. 动态量化：权重从 FP32 压到 INT4，再引入自适应激活缩放，精度只掉 0.7%。3. 硬件耦合：把卷积算子拆成 FPGA 的 DSP48E 片内硬核，单帧重建时间从 1.8s 降到 23ms。“最疯狂的时候，我们为了 2ms 的优化，把 DDR4 颗粒重新排线，差点被供应链拉黑名单。”黄勤笑道。10 个月后，全球首个“嵌入式医疗大模型”鲸驰 Med-Base 诞生，一次通过 NMPA 三类审评，拿下 4 张注册证，覆盖 CT、MR、DR、超声四条管线。二、让设备“自我进化”：联邦学习 + 数字孪生模型进了设备，不等于一劳永逸。吴静波提出“设备即节点”的联邦架构：每台机器在本地持续学习，只回传加密梯度，云端聚合后再下发。“数据不出院，模型天天新。”目前配资预警网，鲸驰已连接 317 家医院、 4126 台影像设备，平均每月迭代 1.7 次。为了验证效果，他们把北京安贞医院 2023 年 3 月的冠脉 CTA 数据“冷冻”做成数字孪生体，再用 6 月版模型跑一遍，狭窄检出率从 92.4% 提升到 95.1%，假阳性下降 18%。“医生最直观的感受是，‘AI 比以前更懂我了’。”安贞影像科主任赵世华调侃。三、从“辅助诊断”到“智能扫描”：把 AI 做进前端的 18 厘米“过去 AI 只活在‘后处理’配资预警网，我们让它往前再迈 18 厘米，到扫描床。”吴静波带记者走进 7T 科研磁共振室。患者躺上床，线圈还没扣好，AI 已通过摄像头完成体型建模，自动匹配呼吸门控、梯度占空比和射频能量。“扫心脏只要 8 秒，剂量降 42%，信噪比提 30%。”更颠覆的是“实时对比增强”。传统增强 CT 需要医生盯着造影剂峰值手动触发，鲸驰 AI 用超声探头实时测心输出量，预测造影剂到达时间，误差 0.7 秒。“患者少打 12 毫升碘，医院每年节省 80 万元。”四、商业化：不卖软件，卖“算力盒子”鲸驰的商业模式也反向而行：不卖 License，卖“算力盒子”。每卖一台设备，标配一块“鲸驰 AI 加速节点”，价格 9.8 万元，含 5 年联邦升级服务。“医院不额外掏钱买 AI，厂商一次硬件预埋，终身能力订阅。”目前，节点出货量 1.4 万片，复购率 96%，把毛利率从 42% 抬到 68%。五、下一步：把大模型塞进超声探头采访最后，吴静波从口袋掏出一根比记号笔还粗的超声探头。“里面已经跑通 7B 模型，可以实时扫出颈动脉斑块成分，判断易损性。”他计划 2026 年 Q2 推出手持 AI 超声，目标县域市场，“让村医也能发‘北京专家级’报告”。“医疗 AI 的终局不是‘云’，而是‘消失’——像电一样，谁还记得它的存在？”吴静波说。鲸驰的野心，是让每一台医疗设备出厂就自带“大脑”，让 AI 成为零件，而不是选项。
发布于：河北省财盛证券提示：文章来自网络，不代表本站观点。
热点资讯
推荐资讯
