医疗AI算力供给深度研究报告2026版（上）

医疗 AI 的算力瓶颈不在 FLOPS，在显存带宽、显存容量和 IO。 3D 影像分割是特征图反复读写的带宽密集型负载；病理 WSI 是 IO 与预处理密集型；医疗 LLM 的 decode 阶段是纯带宽受限。按 TFLOPS 单价选卡是医疗场景最典型的选型错误。

病理基础模型不存在算力 scaling law。 Nature Communications 的系统性基准显示，22M 参数的 SP22M 在检出任务上与 1.1B 的 Prov-GigaPath 相当 ○。医院侧没有理由为病理模型堆超大集群。

异构卡之间不可能共享 scale-up 域，这是物理层协议、内存语义、集合通信库、调度器边界四层叠加的硬约束，不是软件问题。NVIDIA 官方数据：NVLink 域内 1.8 TB/s，跨域即降至 50 GB/s，断崖 36 倍 ◎。

跨厂商异构混合训练在 2026 年不是医疗行业的生产选项。 所有 90%+ 效率数字均为厂商/运营商自评 △，且 Tangram（2026）证明专门处理异构的规划器可能因牺牲重计算等优化而净亏 2.3 倍 ○。医院训练规模（通常 <100 卡）下收益为负。

性能是软件版本的函数，不是硬件参数的函数。 SemiAnalysis 实测：MI355X 跑 Kimi K2.5，仅 vLLM 从 v0.16 换到 v0.18（相差 25 天），吞吐提升 12 倍、等吞吐交互性提升 15.6 倍 ○。任何非 CUDA 平台的 POC 结论保质期以周计，验收条款必须锁软件版本 + 约定复测。

医疗影像是昇腾生态最大的短板。 MONAI Deploy 硬绑 CUDA 12.2+/驱动 535+，且即使不做推理也需要 CUDA runtime ◎；AMD 已用 amd_monai + hipCIM 系统性补位（MONAI 1.5.2 on ROCm 已发布）◎；昇腾侧未检索到任何 MONAI/nnU-Net 运行的官方或可信第三方记录。影像为主的医院，昇腾侧必须按\”自建框架层\”预留人力预算。

反过来，昇腾在\”可复现性\”上反而领先 ROCm。 msprobe 提供 NPU vs GPU 逐 API dump 比对、双千指标、ULP 误差法与确定性计算开关 ◎，官方披露的收敛实验为 loss 平均差异 <0.6%、最终 <0.1% ◎。这套工具链应直接写进医疗模型迁移的验收 SOP——ROCm 没有同级工具。

NMPA 的口径给了跨平台迁移一条明确通道，但不是免费通道。 指导原则明确\”算力所用计算资源本身不属于监管对象\”◎，但算法基本信息必须载明\”运行环境\”，重大软件更新需申请许可事项变更 ◎。2025 年第 63 号公告首次写入\”对在不同平台注册的同一人工智能软件功能，若能证明平台的等同性，简化审评要求\”◎——\”平台等同性论证\”是国产化替代路上必须提前准备的注册资产。

推荐架构是\”同构池 + 统一网关 + 异构纳管\”，不是\”混训混推\”。 中国电信的异构 PD 分离验证（吞吐 +30%~72%、成本 -42%）△ 值得试点，但 2026 年 7 月已有论文警示：现有 KV 传输引擎搬运的是字节而非张量语义，跨异构 PD 若两端格式理解不一致，不会报错但会被错误解释——医疗场景不可接受静默错误。

市场已经给出答案。 2026 年多个医院智算招标已把\”多芯异构统一纳管\”写成硬指标（南京市中医院 648 万项目明确要求兼容昇腾 910B + NVIDIA T4 + H800）◎；浙江省 2.83 亿医学 AI 基础设施项目直接写死\”智能算力硬件全面采用国产先进算力设备\”◎。混合不是选择题，是既成事实；问题只是怎么混。