通专融合已经被讲了很久。
2026年3月，上海人工智能实验室主任、首席科学家周伯文在中国发展高层论坛2026年年会上提到，AI技术路径正在从“二元对立”走向“通专融合”，应用能力也要从“会做题”走向“会办事”。这段表述来自智慧城市行业分析对其演讲《通用人工智能创新驱动发展》的解读。
类似判断在AAAI 2026前后也被反复讨论。《科技日报》报道中，周伯文提出，当前科技界已处在AGI突破前夕，但仍缺少“通专融合的智能”这一环节；如果AGI等于通专融合，那么可深度专业化的通用模型，是实现AGI的一条可行路径。
问题在于，企业要的不是一句“可行路径”。它们更关心：要花多少钱，能省多少时间，准确率能不能提升，系统能不能进医院内网。
到2026年夏天，医疗影像里出现了一个比较适合拿来算账的样本。
肺结节项目先跑出来
深圳一家医疗影像AI公司“深透影像”（化名，应企业要求）做的是CT肺结节辅助诊断。公司从2025年Q4开始试用通专融合方案，2026年5月正式切换上线。
这套系统的底座是Qwen3-235B-A22B，MoE架构，激活参数22B；上层叠加自建医学影像知识库，再接一套结构化报告生成规则。它没有走“把所有东西都交给大模型”的路子，而是把影像特征、指南条目、医生反馈拆开处理。
上线前后，几个指标变化很明显：
- 肺结节检出率，也就是敏感性，从89.7%提升到96.2%；
- 假阳性率，从每例CT平均4.3个降到1.8个；
- 报告可直接签发率，从61%提升到83%。
这些数字落到医生工作台上，就是审核时间变化。放射科医生每例平均审核时间从7.2分钟降到3.5分钟。按一家三甲医院日均200例CT计算，每天大约能省出12小时高年资医生时间。
深透影像CTO在内部复盘里提过一个判断：他们试过直接上GPT-5和Claude 4，检出率可以到94%左右，但假阳性压不下去。原因是模型缺少器官解剖结构上的硬约束。
这也是通专融合在这个项目里的价值：通用模型负责理解和生成，专业知识负责给边界。肺结节这类场景里，边界非常重要。结节大小、形态、密度变化趋势，能不能随访，哪些条件下要提高警惕，都不能靠模型临场发挥。
最贵的不是模型，而是把知识整理对
很多团队一听“专用知识库”，第一反应是成本很高。深透影像这个项目的数据准备成本并不夸张，三块加起来12万元出头。
第一块是医学影像图谱标注。公司使用了5000例经病理证实的肺结节CT序列，标注由合作医院在2024年完成。深透影像主要做格式清洗和DICOM元数据对齐，外包数据工程师2人月，成本3.2万元。
第二块是临床指南结构化。材料包括中华医学会放射学分会2024版《肺结节诊治指南》和Fleischner Society 2025更新版。一位医学顾问花三周拆成结构化条目，成本2.8万元。
第三块是错误案例反馈链。系统上线初期，放射科医生对模型报告的每一次修改都会被记录，形成“模型输出—医生最终报告”的修正对子，每周回灌进知识库。这部分没有新增人力，但搭建轻量级日志采集管道花了1.5万元。
这里容易被误解。深透影像做的不是全参微调，而是在推理阶段做动态检索增强。知识库被放进检索空间，每次输入CT后，系统根据影像特征向量拉取相关知识片段，再拼进上下文。模型权重没有改。
他们之前试过另一条路：基于Qwen2.5-72B做全参微调，仅GPU租赁就花了47万元，效果还不如现在这套方案。
推理阶段检索会增加延迟，但好处也直接：知识库可以单独更新。2026年6月，Fleischner Society更新了磨玻璃结节处理标准，深透影像只用一下午更新知识库，没有重新训练模型。
380ms延迟，0.14元单例成本
医疗影像系统对延迟很敏感。医生从PACS系统调图，到辅助诊断建议弹出来，等待时间不能太长。深透影像给自己的工程目标，是把端到端延迟控制在医生能接受的范围内。
上线后的拆分数据如下：
- 图像编码和特征提取：120ms，本地GPU为A10；
- 知识库检索：45ms，向量库使用Milvus，并部署在同一集群；
- 大模型推理：195ms，调用云端Qwen3-235B-A22B API；
- 报告生成和格式校验：20ms。
总计380ms。
其中，大模型推理能压在195ms，和MoE架构有关。Qwen3-235B-A22B并不是每次都激活全部参数，而是激活22B参数。换成同级别稠密模型，延迟很可能更高。
成本变化更适合拿给财务看。
切换前，深透影像用的是纯通用模型方案，GPT-5，按2026年初API价格计算，单次推理平均消耗3800 Token，约0.52元/例。
切换后，很多专业判断交给知识库和规则处理，例如“直径8mm以下实性结节是否需要随访”这类问题，不再让模型从头推理。单次Token消耗降到1100，成本约0.14元/例。
按单家医院日均200例计算，一天节省76元，一年约2.7万元。深透影像服务17家医院，合计一年节省约46万元。对一家A轮医疗AI公司来说，这不是宣传口径，是利润表上的空间。
他们还计划在2026年Q4把Token消耗压到800以下，方式是把更多常见判断逻辑写进规则引擎，只让模型处理边界情况。
三个坑，比模型参数更麻烦
深透影像复盘时提到过三个坑。它们也解释了为什么通专融合讲了两年，真正能算清账的项目并不多。
第一个坑，是知识库和模型的对齐成本被低估。
把PDF扔进向量库，基本不够用。医学指南里有大量隐含前提，“随访”在不同指南中的时间窗口也不完全一样。如果结构化时没有把前提写清楚，模型检索到知识后仍然会误用。深透影像一开始让实习生处理这部分，知识条目里歧义很多，反而带来幻觉。后来换成有12年影像诊断经验的医学顾问，错误率才降下来。
第二个坑，是通用模型喜欢多想。
医生判断一个肺结节，主要看大小、形态、密度变化趋势。通用模型会主动延伸到患者年龄、性别、吸烟史、家族史，甚至职业暴露。问题是，这些信息在PACS系统里并不一定有。模型一旦补全不存在的信息，假阳性就容易上升。
最后的处理方式很朴素：在系统提示词里加硬约束，要求模型仅基于影像特征判断，不推断不可用信息。这个提示词迭代了17版。
第三个坑，是医院IT环境。
PACS系统通常在内网，大模型API要访问外网。深透影像最后在医院侧部署一台边缘服务器，负责图像预处理和知识库本地检索。只有精简后的特征向量和检索结果，通过加密隧道出外网。这部分工程投入，包括安全合规评审，花了两个月，比模型调优时间还长。
这个项目跑下来，瓶颈并不主要在算法。更难的是工程化、合规环境，以及把领域知识拆成机器能稳定调用的结构。
法律合同审查还没交出同样的账单
医疗影像之外，法律合同审查也常被放进通专融合的应用清单。
2026年Q2，至少有三家法律科技公司在尝试类似方案：底层用Claude 4或Qwen3，上层叠加合同法条库和企业历史合同库。但截至7月初，还没有公司公布可验证的准确率数字。
一位不愿具名的法律科技创始人说，难点不在识别风险条款，而在风险等级判定。同一个违约责任条款，对初创公司和上市公司的影响可能完全不同。这里需要商业判断，光靠法律知识库覆盖不了。
这也反过来说明，为什么医疗影像先跑出来。
肺结节辅助诊断的答案空间相对封闭：有没有结节，倾向良性还是恶性，要不要随访。知识边界比较清楚，评价指标也能量化。法律合同审查的答案空间更开放，法条检索可以用知识库增强，但商业语境很难完全结构化。
所以，通专融合里的“专”，不是把知识库堆得越大越好。更关键的是判断：这个行业的决策边界，能不能被知识库、规则和反馈链覆盖住。
能覆盖，账就能算；覆盖不了，只能先把预期放低。
哪些行业可以先照着算
如果场景属于医疗影像、病理、眼底筛查这类答案空间相对封闭的垂直行业，深透影像这个项目有几个可参考的锚点：
- 非微调路线下，数据准备成本在12万元级别；
- 端到端推理延迟可以做到400ms以内；
- Token成本降到纯通用模型方案的约30%；
- 敏感性提升约6个百分点，假阳性率明显下降。
但前提也很明确：团队里必须有能结构化专业知识的人。这个角色不只是“懂一点业务”，而是要能把指南、病例、医生判断习惯拆成可检索、可约束、可迭代的系统组件。
如果场景是法律、金融合规、政策分析这类半开放问题，通专融合仍然有价值。它可以降低Token成本，提高召回率，也能减少一部分重复判断。但最终决策准确率会受到商业语境影响，算ROI时不能只看模型指标。
周伯文在AAAI 2026相关讨论中提到，可深度专业化的通用模型，是实现AGI的可行路径。放到企业现场，这句话可以再说得更窄一点：通用模型能不能进业务系统，不只看参数和榜单，还要看它能不能和专业知识一起把账算清楚。
2026年夏天，医疗影像至少给出了第一张比较清楚的账单。
