中國醫療 AI 新創「紫荆智康（Tairex）」完成近 1 億元天使輪融資
從虛擬病院到 AI 醫師，中國式醫療 AI 路線的另一種可能
中國醫療人工智慧（AI）新創公司 紫荆智康（Tairex） 近日宣布，在天使輪融資中成功募集接近 1 億元人民幣（約新台幣 20 億元）。本輪融資由 星連資本 領投，英諾天使（InnoAngel） 與 尚勢資本（Shangshi Fund） 共同參與。該筆資金將主要用於其核心產品——虛擬醫療系統 「Agent Hospital（代理型醫院）」 的持續開發、優化與商業化落地。
紫荆智康成立於 2024 年 9 月，源自清華大學「智能產業研究院（AIR）」的孵化體系。公司以 大型語言模型（LLM） 為基礎，結合 AI Agent 架構，嘗試重構傳統醫療流程，探索在臨床診療、醫師輔助決策與患者健康管理等層面的新型應用。從國際視角來看，紫荆智康的出現，正好反映出中國在醫療 AI 發展路線上，逐漸形成一條與歐美不同、但極具野心的技術實驗路徑。
用「虛擬病人」取代真實資料瓶頸：一種高風險、也高回報的策略
長期以來，醫療 AI 發展的最大障礙之一，並非演算法本身，而是 高品質臨床資料的取得與共享。即便在歐美成熟市場，醫療資料也受到隱私法規、醫院系統割裂與商業競爭等多重限制。對於新創公司而言，想要取得足量、可標註、可訓練的醫療數據，幾乎是不可能的任務。紫荆智康選擇了一條不同的路。該公司並未將發展完全建立在真實世界的病歷資料上，而是提出一套 「虛擬患者自我進化訓練系統」。在其打造的「Agent Hospital」中，存在大量具備完整屬性設定的 虛擬患者（Virtual Patients），包括年齡、性別、病史、症狀、檢查結果乃至病程演變。
這些虛擬患者並非隨機生成，而是基於三個核心來源：
- 大型語言模型（LLM）
- 結構化醫學知識庫
- 少量真實臨床案例作為錨點
透過這種方式，系統能夠在符合醫學邏輯的前提下，自動生成大量病例樣本，並經過模型與專家雙重驗證後，納入訓練資料庫。對 AI 醫師而言，這些虛擬患者就如同「模擬臨床實習對象」。AI 醫師在不斷的診察過程中獲得回饋，並透過內建的記憶與再識別機制，將經驗轉化為可累積的能力模組。截至目前，紫荆智康的虛擬病院中，已建構 超過 50 萬名虛擬患者，這在全球醫療 AI 領域中，無論在規模或方法論上，都屬相當激進的嘗試。
數據顯示有效，但「有效」不等於「可完全信任」
根據公司公布的測試結果，透過這套虛擬訓練體系，紫荆智康已成功訓練 42 種 AI 醫師角色，涵蓋不同專科與臨床場景。在國際醫療 QA 評測數據集 MedQA 上，其系統正確率 超過 96%，官方聲稱已高於一般醫師的平均表現。從技術角度來看，這樣的成績無疑令人矚目。然而，從非中國、尤其是歐美醫療體系的角度觀察，這類數據仍需謹慎解讀。MedQA 本質上仍屬於「標準化問答測試」，其結果並不完全等同於真實臨床環境中，面對高度不確定性、資訊不完整與倫理責任時的實際表現。換言之，紫荆智康證明了 「虛擬訓練可行」，但尚未完全回答 「虛擬經驗能否等價於真實臨床經驗」 這一關鍵問題。
從系統架構看，「Agent Hospital」試圖重構整個醫療流程
與許多僅聚焦於單點應用（如影像判讀、問診聊天機器人）的醫療 AI 新創不同，紫荆智康的野心更大。「Agent Hospital」並非單一工具，而是一套覆蓋 診前、診中、診後 的完整系統，其核心設計圍繞三個角色介面展開：
一、患者端（診前）
患者可透過 App 進行線上掛號，並接受 AI 聊天機器人進行結構化預問診，提前整理症狀與病史，降低現場溝通成本。
二、醫師端（診中）
醫師透過專用工作站，即可快速瀏覽病歷摘要。AI 醫師會即時提出檢查、鑑別診斷與治療建議，醫師則保留最終決策權，專注於關鍵判斷。
三、院內系統（診後）
診療資料將進入院內資訊系統，患者可獲得檢查報告解讀、長期健康追蹤與個人化建議，形成閉環式健康管理。
這樣的架構，在概念上與歐美近年提出的「AI Clinical Copilot」方向相似，但在整合深度與系統封閉性上，顯然更符合中國醫療體系的運作現實。「Agent Hospital」並非傳統意義上的醫療輔助工具，也不是單一功能模組的組合，而是一套試圖從流程層面重新組織醫療行為的整體系統。它的設計邏輯並不是讓人工智慧「取代」醫師或護理人員，而是將醫療行為拆解為不同階段，並在每一個階段中嵌入 AI 作為中介與協作者，從而降低人與系統之間的摩擦成本。整體而言，這套系統圍繞患者、醫師與醫院三個角色展開，但真正的核心，是讓資訊在不同角色之間以結構化、可追溯的方式流動，而不是停留在碎片化的對話或靜態文件中。
在診療開始之前，患者端的應用程式扮演的是「資訊整理者」而非醫療決策者的角色。患者透過 App 完成線上掛號後，首先接觸到的不是醫師，而是一個以大型語言模型為基礎的問診系統。這個系統並非僅以自由對話的方式詢問「哪裡不舒服」，而是透過結構化問題逐步引導患者描述症狀的出現時間、變化趨勢、嚴重程度與伴隨狀況，同時回溯既往病史、用藥紀錄與生活習慣。這一階段的目的，不在於給出診斷，而是將患者原本零散、主觀且容易遺漏的敘述，轉化為可供後續使用的結構化資料。對醫療流程而言，這相當於將原本發生在診間、且高度依賴醫師經驗的資訊蒐集工作，提前移至系統端完成，從而壓縮現場溝通所需的時間與認知負擔。
當診療進入「診中」階段，醫師所面對的介面已不再是未整理的患者敘述，而是一份由系統彙整完成的病歷摘要。醫師透過專用工作站，可以快速掌握患者的主要症狀、關鍵風險因子與過往紀錄，減少反覆確認基本資訊的時間。此時，所謂的「AI 醫師」並不是一個獨立做出判斷的主體，而是一個即時運作的決策輔助層。系統會根據患者資料與醫學知識庫，提出可能需要進一步檢查的項目、潛在的鑑別診斷方向，甚至是符合臨床指引的治療選項，但這些建議本身並不具備執行權限。最終的診斷與處置，仍由人類醫師負責。從設計上看，這種分工的核心目的，是讓醫師將注意力集中在風險評估與臨床判斷上，而非耗費於資料搜尋或文書處理。
診療結束後，系統的角色並未終止，而是延伸至院內資訊管理與患者長期追蹤。所有診療過程中產生的資料，會被整合進院內系統，形成可持續更新的健康紀錄。對患者而言，這意味著檢查報告不再只是難以理解的專業文件，而是可以透過系統獲得解讀與背景說明，並被放入時間軸中觀察變化趨勢。系統也能根據既有資料，提供後續追蹤提醒或一般性健康建議，使醫療行為不再僅限於單次看診，而是延伸為一種持續的健康管理過程。從醫院的角度來看，這樣的閉環結構有助於提升資料一致性與可追溯性，但同時也意味著醫療機構需承擔更高的系統整合與治理責任。
整體而言，「Agent Hospital」所嘗試建立的，是一種以流程為中心、以資料連續性為核心的醫療協作模式。它將原本由不同人員、不同系統分散完成的工作，重新編排為一條由 AI 介入協調的資訊流。這種設計在理論上可以提升效率、降低錯誤風險，但其實際效果，仍高度取決於資料品質、醫師對系統建議的信任程度，以及醫療機構是否具備足夠的制度能力來監督與修正系統行為。從非中國的角度來看，這套模式展示的是一種可能性，而非已被驗證的最終解答。
從清華到臨床測試：中國特有的推進速度
「Agent Hospital」已於 2025 年 6 月 30 日 正式發布，並自 8 月起 在 清華大學醫院門診部 進行實際測試運行。根據公司規劃，未來將逐步擴展至不同地區、不同規模的醫院，並涵蓋更多臨床場景。從國際觀點來看，這樣的落地速度在歐美幾乎難以想像。無論是監管審查、倫理審核或醫師工會態度，中國的制度環境顯然更有利於大規模實驗型創新。但同時，這也意味著紫荆智康的模式，未必能原封不動地複製到其他國家市場。
這不是終點，而是一場長期實驗的開始
紫荆智康並未掩飾其下一步計畫：在處理高難度病例時，逐步引入真實臨床回饋，讓 虛擬訓練與真實世界驗證雙軌並行。其最終目標，並非取代醫師，而是打造「可被信任的 AI 醫療夥伴」。從非中國視角來看，這家公司代表的，不只是一次技術突破，更是一種 制度、文化與技術高度耦合下的醫療 AI 發展樣本。它是否能成為全球醫療 AI 的新範式，仍有待時間與更多真實臨床結果驗證。但可以確定的是，這條「先在虛擬世界訓練醫師，再回到現實世界驗證」的路線，已為全球醫療 AI 發展，提供了一個無法忽視的參考座標。