Scale AI 推出五款医院智能体,设计围绕自家安全研究展开
Scale Labs 的基准显示 AI 智能体容易过度下结论,这套医院产品正是针对这一发现设计的

周一上午,Scale AI 发布了一套由五款应用组成的医院运营产品,当天即向医疗系统开放。这款名为 Scale for Hospital Operations 的产品覆盖排班、临床医嘱指导、病历审阅、患者安全调查和临床文书。每款应用都运行在医疗系统已在使用的语言模型上,部署在其自有环境中,无需迁移数据。每个审阅步骤都内置了临床医生签字确认和来源引用。Scale 把这一设计直接与自己发表的研究联系起来:研究显示,临床场景中的 AI 智能体经常在证据不足以支撑结论时就给出答案。
五款智能体,交付模式不同于 SaaS 竞品
这五款应用针对的工作流之所以一直难以自动化,部分原因在于它们依赖纵向的患者记录,而不是单次就诊。排班智能体负责预约规划和优化。医嘱指导智能体汇总患者病史,推荐合适的化验、影像检查和处方,并给出每条建议背后的病历依据。病历审阅智能体通读患者的完整病史。安全调查智能体用于从日常报告中识别手术部位错误、严重跌倒等重大安全事件,减少这类调查目前所需的人工行政审查。文书智能体处理临床记录和就诊记录。
与订阅制环境文书工具相比,这套产品部署模式的不同之处在于 Scale 使用前置部署团队:应用 AI 工程师和临床信息学专家进驻医疗系统内部,对结果负责。Scale 的医疗平台让它与 Abridge、微软的 Dragon Copilot 或 Epic 自家的环境文书产品区分开来。据报道,这些公司按医生收取月度订阅费,每位医生 200 美元到 1000 多美元不等。Scale 并不是卖完软件许可就撒手,它的做法看起来更接近托管服务模式,由自己的员工进驻、参与落地。Scale 尚未公布这套医院运营产品的价格。
Scale Labs 发布前的发现:智能体答对了,理由却是错的
Scale for Hospital Operations 内置的监督要求,并不是走过场的通用安全姿态。它们针对的是公司 AI 研究部门 Scale Labs 在 2026 年 8 月发表的一项具体发现。CliniCARE-Bench(Clinical Calibrated Audit of Medical Reasoning in EHR,电子病历医学推理校准审计)在 750 个真实病例上测试了 16 个前沿智能体系统,病例取自 MIMIC-IV,这是一个公开数据集,覆盖急诊和重症监护场景中的 364,627 名患者。
16 个系统的原始准确率在 65.3% 到 76.1% 之间,最好的系统仍有近四分之一的病例判断错误。但更能说明问题的指标是 Scale Labs 所说的无缺陷准确率,即判断正确、且没有使用任何被禁止的推理捷径。按无缺陷准确率计算,分数下降 4.8 到 14.8 个百分点,排行榜顺序也随之改变。Gemini-3.1-Pro 从 72.7% 的原始准确率降至 57.9% 的无缺陷准确率。在受影响最大的系统上,大约每五个正确判断中就有一个,是通过病例作者明确禁止的推理路径得出的。
一个肝性脑病病例说明了这种区别在临床上为什么重要。在这个病例中,一个智能体正确找出了潜在诱因,包括未遵医嘱服药、电解质失衡和肾损伤,却始终没有开具腹水培养来排除感染。没有这项检查,站得住脚的判断应当是「不确定(数据不足)」。16 个系统中有 13 个仍给出了确定的结论,其中一些用血培养、尿培养和胸部影像来支撑结论,而这些检查无法替代必需的那项检查。智能体答对了,推理却不可靠。
关键在于,所有受测系统都存在弃答不足的问题。过度下结论的比例,即证据要求暂缓判断时智能体仍给出结论的情况,在 Scale Labs 评估的 16 个系统中为 21.3% 到 55.3%。过度弃答,即证据充分时拒绝作答的比例,只有 7.3% 到 16.5%。临床 AI 智能体系统性地更倾向于自信地猜测,而不是恰当地暂缓判断。
在临床治理环境中,不绑定模型的架构为何重要
Scale 让每个医疗系统运行自己选定的模型,而不是捆绑某个特定的基础模型,这对临床治理有实际意义。已经与特定模型提供商签订数据处理协议、对特定 API 完成安全审计,或围绕特定供应商做了投资决策的医疗系统,可以直接使用 Scale 的运营层,无需推翻这些既有安排。代价是 Scale 的评估和监督工作也必须不依赖特定模型,无法针对某个模型的输出格式或失效模式做专门调优。
Scale 的另一条研究线,即 2026 年 9 月 3 日发布的 READY 框架(Reliable Enterprise Agent Deployment,可靠的企业智能体部署),与此相关。READY 把企业智能体的问题从「智能体能把工作做得多好?」转向「在什么条件下、以什么成本可以可靠地部署它?」。在一项使用 CliniCARE-Bench 同一批 16 个系统的临床审计案例研究中,两个自主准确率只差 0.3 个百分点的系统,在 READY 下得到了相反的部署结论:一个可以部署,另一个不行。Scale 的医院产品实际上为每个临床工作流都落实了 READY 人工监督建议的一个版本。
Scale 进入的竞争格局
Scale 文书智能体涉足的环境临床文书市场已经竞争激烈。微软的 Dragon Copilot 建立在微软以 197 亿美元收购的 Nuance 基础设施之上,已部署在 600 多家医疗机构,每月处理数千万次就诊。Abridge 连续两年获得环境 AI 类 Best in KLAS 第一,并与 Epic 深度集成。Epic 自己也直接进入了环境文书领域。这些厂商有多年的临床工作流集成经验、已建立的临床医生信任,以及与 Epic 和 Oracle Health 的现有合作关系,这些都是 Scale 目前还没有的。
面对这些劣势,Scale 的应对办法不是与文书记录工具逐项比功能。这套产品同时覆盖五类不同的工作流,部署模式提供的是驻场临床专业力量而不是客服热线,而 CliniCARE-Bench、READY 这些评估基础设施,让医疗系统的 CIO 有一个框架去理解自己实际买到的是什么,而不只是演示里展示了什么。Scale 公开的参考客户之一梅奥诊所(Mayo Clinic)表示,自 Scale 部署以来,临床医生平均每位患者多花 11 分钟以上,这一数据来自 Scale 自己的报告。这个数字缺少独立的方法说明和临床结果数据,但它反映了 Scale 想把讨论引向的方向:从节省了多少文书时间,转向找回了多少与患者交流的时间。
这次发布还没有证明什么
Scale for Hospital Operations 与本文发布于同一天上午。这套新产品还没有任何独立的临床结果数据。公司自己的 CliniCARE-Bench 研究确定了当前最好的 AI 智能体在临床推理上会犯哪些错误,但这项研究针对的是第三方系统,而不是 Scale 自己的医院应用。Scale 的产品可能比它测试过的系统表现更好、更差,或者有所不同;这个基准界定的是问题空间,而不是解决方案。
前置部署的服务模式本身也有规模化上的限制。在每个医疗系统的部署中都派驻 Scale 工程师和临床信息学专家,会限制这套产品的扩张速度。评估 Scale 的医疗系统需要先弄清这种驻场模式的持续成本和合同结构,再拿它与竞争对手按席位收费的 SaaS 价格比较。
这次发布确实确立了一种独特的定位:一家数据基础设施和 AI 评估公司,先发表研究记录临床智能体如何出错,再搭建针对这些具体问题的监督架构,然后交付客户。这种从研究到产品的纪律能否在规模扩大后保持,能否转化为可衡量的更好临床结果,要看未来一年医疗系统的实际部署。



