魁省医疗AI从演示到落地：延迟是关键

让AI从演示走向真正的生产环境，有时只差一秒钟的延迟。魁北克市公司Unicorne总裁埃里克·皮内（Éric Pinet）的团队在测试面向医疗诊所的语音AI原型时，亲身体会到了这一点。该系统旨在通过接听并分诊患者来电，将护士解放出来投入临床护理。当AI响应时间控制在一秒以内时，患者会留在线上；一旦超过一秒，患者就会要求转人工，从而破坏了系统的设计目标。

皮内表示，这一经历揭示了他几乎在每个AI项目中都观察到的现象：一个系统在演示中表现良好，但一旦暴露在真实工作流程和用户面前，就可能掉链子。能否成功过渡，往往取决于成本、合规性以及系统与业务或监管环境的契合度。在他看来，那些能顺利过渡的项目，从设计之初就考虑了部署和规模化，而非后期拼凑。

“AI和生成式AI很容易做出漂亮的演示。难的是将其投入生产，让真实客户使用，并以合理的成本运行它。”皮内告诉BetaKit。他将2024和2025年企业AI的典型模式称为“暂停动画（suspended animation）”——大多数AI项目并非彻底失败，而是在承诺与部署之间停滞，通常卡在成本或安全两个节点上。

成本方面：演示时看似便宜的系统，一旦处理真实流量就可能变得难以承受。每次生成模型交互都带有token成本，且无法像传统SaaS那样随规模摊销。安全方面：原型常依赖外部API，在监管环境中难以防御。数据一旦离开你的基础设施，你就得信任第三方。“当你能在自家基础设施内管理一切时，更容易满足合规标准。”皮内说。这正是Unicorne的工作方式——基础设施问题（数据存储、访问权限、日志记录）先于模型问题。

近期，魁北克省的医疗科技项目对Unicorne的方法进行了检验。全省诊所电话量大、人手不足。旧系统下，前台留下无临床背景的信息，护士按来电顺序回拨，往往要等通话开始才能弄清原因。Unicorne协助构建的解决方案处理了第一步：语音AI接听来电，提出结构化问题并应用各诊所的分诊规程。护士回拨时已掌握患者详细摘要，急症可提前处理。

“AI只负责初步分诊，不是诊断。”皮内强调。整个管线完全运行在AWS内：Connect处理通话、Nova Sonic处理语音、Bedrock基于诊所分诊规程进行推理。患者音频不离开安全环境，符合魁省隐私法规。更重要的是，每次交互均有日志，每个决定都可追溯。团队还与护士和前台合作，绘制了AI应移交人工的场景：患者听起来痛苦、症状组合超出规程、或患者要求直接与护士沟通——都会触发转接。

皮内指出：“整个过程必须非常快，以便给患者快速答复。”每一条响应都要经过语音转文字、推理模型、文字转语音等多个步骤，任何一步都可能引入延迟。为了让“对话”流畅，团队让模型在生成下一个回答时先发出简短的确认词，比如“好的，我明白了”，像真人一样。如今，该系统在客户诊所每天处理超过200通来电，多数分诊在人工介入前完成。护士反映，回拨前收到的来电摘要大大提升了护理效率和患者体验。

皮内给创业者的建议是：尽早问那些不性感的问题——“真正的生产系统有多难？成本多少？安全怎么保障？访问模式如何管理？”这些问题不到火烧眉毛时总显得不紧迫，却往往决定AI项目生死。

雪鸮编辑认为，这篇报道对加拿大AI创业者和医疗科技从业者是个不错的提醒：演示和量产之间隔着成本和安全两道坎。在魁省医疗体系这种强监管场景下，基础设施先行可能是唯一靠谱的路。对于关注加拿大医疗数字化转型的华人读者，这个案例也说明AI落地比想象中更依赖细节——一秒延迟就能让患者信任归零。