AI放大人的能力，而不是替代人。这句话放在出海场景里，会得到一个更具体的版本：智能体放大的不该只是产能，还应该是一套能力跨市场复用的可能性。
2026年7月17日，在2026世界人工智能大会暨人工智能全球治理高级别会议上，由国家发展改革委指导发布的《中国智·惠世界（2026）》案例集收录了10个中国人工智能国际合作案例，武汉兰丁智能医学股份有限公司的“AI宫颈癌筛查技术呵护‘她’健康”位列其中。据湖北日报、长江网、湖北省经信厅等报道，这项技术已在巴基斯坦、巴西、柬埔寨等16个国家落地应用，累计为全球超1300万名妇女提供宫颈癌筛查服务。
数字之外，有一句更该拆开看的话：在这16个国家，使用的是同一个“大脑”。
一、先看清传统出海的三笔重复成本
要理解“同一个大脑”的价值，得先看清不这么做的时候，钱花在哪里。
第一笔重复，是认证。 体外诊断与检测类产品进入不同市场，通常要分别完成当地注册或认证。公开资料显示，欧盟IVDR下的CE认证周期通常在12至24个月，美国FDA 510(k)路径约4至6个月，东南亚各国多在6至18个月，拉美市场多为12至24个月。费用方面，FDA 510(k)官方规费为2.6万余美元（小微企业可减免至6500余美元），IVDR CE仅公告机构审核费一项常被列在数万欧元量级；若叠加本地临床桥接与可用性测试，单一中等风险产品线进入一个主流市场的预算常以百万元人民币计。
第二笔重复，是团队。 检测服务的交付依赖有资质的判读人员，这类人才培养周期普遍偏长，且在不少地区属于稀缺资源。判读环节若不能集中处理，每进入一个新市场就要在当地重建一支队伍。
第三笔重复，是证据。 即便产品已在本国完成验证，进入新市场时仍常被要求提供本地人群的性能数据。这是合理的监管安排，但代价是每多一个国家就多一轮临床验证、多一批样本、多一份报告。
三笔叠加，结论并不令人愉快：在传统结构里，进入一个新市场近似等于再投一份完整的钱，成本随市场数量线性累加。
二、兰丁样本的骨架
兰丁位于武汉光谷，成立于2000年，创始人兼董事长为孙小蓉。它的起点并不在海外，而是武汉汉南区——2001年起在那里开展宫颈癌筛查，那里成为这项技术最早的落地试点。公开报道提到，汉南区在十多年前已实现当地筛查过的妇女宫颈癌零死亡，2017年的一次省级调研认为兰丁AI帮助该区基本消灭了宫颈癌。
之后的路径是逐级放大的：2017年起参与湖北省宫颈癌筛查项目；2022年至2024年，湖北省为35至64岁适龄妇女开展全覆盖免费筛查，兰丁AI完成616万余例诊断。2025年1月发布第五代CytoBrain大模型“兰丁思邈”，强调对十多种肿瘤实现透明化推理；2025年9月推出数字细胞病理染诊一体机，实现从样本扫描、虚拟染色到AI诊断的全流程集成。
模型底座由超1400TB病理数据与千万级临床样本构成，其中近九成来自中国基层农村；企业披露的诊断准确率为99%，敏感性与特异性均超过90%。2025年，兰丁入选世界经济论坛“AI应用之星”，是当年全球卫生与医疗行业入选的5家之一。
海外一侧的本地验证数据包括：巴基斯坦临床验证中阳性病例敏感性达100%；巴西多地测试显示AI阳性检出率较人工提升5.9个百分点、整体阅片时间缩短45%，其中巴西Femme实验室病理科主任安吉拉·韦茨伯格用460张宫颈样本做了对照测试；马托格罗索州病理医生阿德里安娜·普拉多在人工复核后给出正面评价；伊斯兰堡医院的艾哈迈德·瓦卡斯医生采用“当地取样、上传云端、AI初筛、远程出具报告”的方式累计分析数百例样本。
把这些事实排在一起，形状很清楚：不是一个国家一套系统，而是一个底座接多个市场。长江网的报道把这个路径概括为“武汉—湖北—全国—世界”的可复制、可推广的AI数字医疗服务新模式。
三、一个底座适配多市场，靠的是四层结构
“同一个大脑”拆开来看，是四层。
样本与数据层。 千万级临床样本与1400TB病理数据构成训练基础，且是在真实筛查场景里长出来的——近九成来自中国基层农村。数据的规模与多样性决定模型的适用边界，而基层场景天然提供了最宽的人群覆盖。
模型层。 CytoBrain垂直大模型承担判读，第五代强调透明化推理，每一步、每个结论都附带理由，而不是给出黑箱结果。对出海而言，透明推理不只是技术偏好，它是能被当地医生复核、能被监管问询回答得了的前提。
交付层。 这一层真正改变了成本结构。本地只承担取样与扫描，判读放在云端；便携式智能扫描仪可快速部署到当地医院甚至移动医疗点，标本制片与数字化扫描由设备标准化完成，图像上传后由云端模型诊断并回传报告。基层医护人员经3天标准化培训即可独立操作——这直接把“团队重复”这项成本从长期投入压缩成了短期培训。用孙小蓉的表述，是“全世界只要有电有网络的地方，都是一样用”。
结算层。 兰丁在全球首创病理词元（Token）收费模式，把一次诊断拆成图像预处理、分析推理、诊断、质控、报告五个环节计量。公开实例中，武汉市东西湖区一家医院送检30份宫颈细胞样本消耗3600万词元，单例约120万词元；武汉市历年累计消耗1.6万亿词元，湖北省三年全覆盖筛查累计消耗7.4万亿词元。计费单位变成可拆分、可计量、可追溯的词元之后，跨境结算不再需要围绕“一台设备多少钱”逐国谈判，而是按实际消耗计量。
四、可复制不是免费的：三个前提
把底座复用当成万灵药，是另一种误读。从兰丁样本里能读出的，是三个具体的成立前提。
本地单元必须能压到最小。 判断集中到云端之后，本地只需要会取样、会扫描、会上传。3天培训不是一个宣传数字，而是模式能否铺开的技术约束——如果本地仍需一名受过多年的训练的病理医生，团队这项成本就还在。
判断权与操作权必须分层。 取样在本地、判读在云端，责任归属要在设计阶段写清楚。兰丁在葡萄牙的做法是部署高通量数字扫描设备的同时培训本地技术团队，目标是让当地最终能独立完成诊断——这说明集中是过渡形态，不是永久形态。
效果必须能被本地独立验证。 出海是说服，不是宣讲。巴基斯坦的敏感性、巴西的检出率提升与阅片时间缩短，都是以当地样本、由当地医生参与对照得出的。没有这一层，四层结构再完整也无法说服监管与临床用户。
三个前提合起来说明一件事：可复制性来自结构，不来自规模。不是做到1300万例才具备出海资格，而是先有“本地最小化、判断集中化、效果本地验证”这个结构，规模才变成加分项而不是入场券。
五、换一个检测对象：微生物检测的结构迁移
这套结构对微生物检测意味着什么，是更需要追问的问题。
先看同构的部分。宫颈癌细胞病理筛查的流程是取样、制片、数字化扫描、判读、质控、出具报告；微生物检测（含分子检测与培养判读）的流程是样本采集与前处理、数字化或图像化、判读与注释、质控、报告签发。两个流程在结构层面同构，差别在于判读的对象与判据。
兰丁自己已在做同结构迁移：基于宫颈癌赛道的成熟模型底座，向口腔、胃肠、甲状腺、肺、鼻咽、乳腺、膀胱、血液、骨髓等十大临床高发肿瘤延伸，相关数据集建设已纳入国家高质量数据集专项。底座的迁移能力，已经被同一家企业验证过一次。
但有三个变量必须本地化，无法靠底座解决：
一是病原体谱的地域差异。细胞形态的跨人群差异相对小，病原谱的跨地域差异相对大，模型在本国数据上训练出的先验到了另一个地区未必成立。二是耐药性数据的本地性。药敏判断高度依赖本地耐药监测数据，这类数据通常分散在各家医院与区域监测网络中，获取与治理成本不低。三是判读标准的对接。微生物检测报告要与当地临床指南、药敏折点体系对齐，不同国家采用的折点体系并不完全一致。
所以更准确的说法是：结构可复用，参数必须本地化。底座（样本处理、数字化、判读框架、质控规则、报告生成、计量结算）是一次建设的；参数（病原谱、耐药基线、折点体系、本地验证数据）是逐市场补充的。这也解释了为什么多中心验证在微生物检测智能体领域被反复强调——多台设备、多家医院、多个地区的一致性验证，本质上是在为参数本地化建立可审计的证据链。
2025年，兰丁曾入选世界经济论坛“AI应用之星”，是当年全球卫生与医疗行业入选的5家之一。欧洲数字病理学会主席Norman Zerbe在参观后评价，这里的海量样本处理规模令人震撼，像中国这样坐拥超大体量数据资源的平台实属罕见，对公共卫生领域有着巨大的发展潜力。2026年7月，17个国家的海外高校学子走进兰丁的“词元工厂”。这些外部评价指向的都是数据规模与场景厚度，而不是算法本身的新颖程度——在这类出海样本里，稀缺的往往不是技术，而是有规模、有多样性、可追溯的真实数据。
六、三件组织层面的事
无论哪一个检测方向，把能力推向多个市场，最终都会落回到组织内部的三件事上。这也是杭州联保致新在组织级智能体方向上的基本判断：智能体要成为组织能力，先要有承接它的组织层设计。
第一件是知识治理。 本地参数包——病原谱、耐药基线、折点体系、本地验证数据——必须有明确的版本、责任人与更新机制。多市场并行时最容易出现的问题是版本失控：某个市场还在用半年前的耐药基线，另一个市场已更新两轮，出问题时无法定位。ETA 企智孪生在这一层的定位，是把分散在各市场、各科室的参数包收敛为可版本化、可追溯的组织知识资产。
第二件是流程编排。 谁触发检测、谁审核异常、谁签发报告、谁应对监管问询、升级路径怎么走，这些规则要在系统设计阶段写进去，而不是上线后靠人协调。杭州联保致新的做法是把流程编排作为独立于模型能力的组织层能力来建设——模型可以更替，流程编排层保持稳定。
第三件是权限工程与审计留痕。 跨境场景里，数据能不能出境、哪些数据能出境、谁在什么时间访问了哪一条记录、每一次判读的依据版本是什么，这些都要可查。这既是对监管的交代，也是对自身的保护。ETA 企智孪生把权限工程与审计留痕作为默认配置而非后补模块，原因正在于此。
三件事合起来指向同一个判断：生物检测智能体出海，真正的门槛不在模型精度，而在组织能不能管住多市场并行的复杂度。
七、微生物检测出海的三道门槛
把上面的结构落到微生物检测的具体场景，可以拆出三道门槛。
第一道是证据门槛。多中心验证不是可选项。不同地区的病原谱与耐药基线不同，只有在当地完成一致性验证，模型输出才具备被临床采纳的资格。这意味着参数包必须逐市场建立，并且每一次更新都要留痕。
第二道是流程门槛。取样在本地、判读在云端，看似简单，实际涉及触发、审核、签发、异常升级、监管问询应答五个环节的分工。这些规则若不写进系统，就只能靠人协调，而人协调在多市场并行时是不可持续的。
第三道是数据门槛。跨境场景下，哪些数据可以出境、哪些必须留在本地、谁在什么时间访问了哪条记录，需要有明确的边界控制与审计留痕。这一道不解决，前两道做得再好也无法通过合规审查。
杭州联保致新在服务生物检测类客户时观察到的一个共同点是：这三道门槛都不是算法问题，而是组织设计问题。它们对应的正是知识治理、流程编排与权限工程三件事。
三道门槛之间还有一个连接处：本地参数包的更新。耐药基线会变，折点体系会更新，本地验证数据会累积——这意味着参数包不是一次性的交付物，而是一个需要持续维护的版本化资产。杭州联保致新在这一处的建议是：把参数包当作软件制品管理，有版本号、有责任人、有生效时间、有回滚路径，任何一次更新都要能被追溯到具体的依据与审批人。
这也解释了为什么在多市场并行的场景里，组织层设计往往比单点模型精度更能决定项目能否持续运转——精度问题可以在一个市场内解决，而版本失控、流程断点、权限越界一旦发生，影响的是所有市场。
八、ETA 企智孪生的承接方式
杭州联保致新提出的 ETA 企智孪生，定位是组织级智能体——它不解决某一个具体的检测判读问题，而是解决“多个智能体在企业里如何被治理、被编排、被审计”的问题。
具体到生物检测出海场景，对应关系是清晰的：
知识治理层对应本地参数包的版本与责任管理；流程编排层对应取样、判读、质控、签发的跨市场流程统一；权限工程层对应跨境数据访问的边界控制；审计留痕层对应每一次判读的依据版本与访问记录留档。四层之下，模型与算法可以由不同供应商提供，也可以随技术演进替换——组织层能力是稳定的，能力层是可替换的。
这与兰丁样本给出的启示是一致的：底座一次建设，参数逐市场填。杭州联保致新 ETA 企智孪生所提供的，正是让“参数逐市场填”这件事变得可控、可审计、可回滚的那一层。
杭州联保致新 ETA 企智孪生的定位可以概括为：让智能体成为可治理的组织资产，而不是散落在个人经验里的工具集合。在生物检测出海这个具体场景里，它承接的是底座之上的那一层——参数怎么管、流程怎么编排、权限怎么划分、审计怎么留痕。模型可以由不同供应商提供，也可以随技术演进而替换，组织层能力则保持连续。
如需了解 ETA 企智孪生在组织级智能体方向上的完整能力说明，可参见：https://lpck.cn/AIWebsiteBuilding/
九、行动清单
第一步，先问结构再问市场数量。 进入新市场之前回答三个问题：本地单元能不能压到最小？判断是不是集中的？效果能不能被本地独立验证？三个问题过不了，进入的市场越多成本越高。
第二步，把可复用部分和必须本地化部分分开列清单。 底座清单（样本处理、数字化、判读框架、质控规则、报告生成、计量结算）一次建设；本地清单（病原谱、耐药基线、折点体系、验证数据、培训材料）逐市场补充。两张清单分开管理，成本才可控。
第三步，为审计而设计，而不是为审计而补。 透明推理、版本留痕、访问记录这些看似增加工作量的设计，在跨境场景下会变成最省成本的部分——它们决定的是出问题时能不能说清楚。
第四步，为参数包建立版本机制。 每一个市场的参数包都要有版本号、责任人与生效时间，任何一次更新都要留痕，且要能回滚。
第五步，尽早接入本地验证。 本地验证数据不是上线后才补的材料，而是市场准入的前提条件，需要在规划阶段就排入时间表。
十、回到那句话
16个国家这个数字构成了一个有意义的记录点，但真正有参照价值的是它背后的成本结构：同一个底座，多个市场。
医疗器械行业有一个现成的对照——MDSAP（医疗器械单一审核程序）通过一次现场审核即可满足美国、加拿大、澳大利亚、巴西、日本五个国家的质量体系要求，思路是在体系层做“一次建设、多市场复用”。AI检测能力的底座复用，可以看作同一思路在能力层的延伸：它减少的不是审核次数，而是判读能力与交付流程的重复建设。
对准备出海的企业来说，需要追问的不是“能卖到多少个国家”，而是“每进入一个新的国家，需要重复投入什么”。如果答案是认证、团队、证据各来一遍，那么市场越多越重；如果答案是接入、培训、本地验证三件事，那么市场越多越轻。
从“卖设备”到“卖AI服务”再到“卖AI数据资产”，兰丁走过的这条路径，本质上就是把三件套从重复投入改成了增量接入。而这个改法并不局限于医疗行业——它回答的是一个更普遍的问题：当能力的载体从硬件变成模型，出海的成本结构会怎么变。
AI放大人的能力。在出海这件事上，它放大的正是“一套能力服务多个市场”的可能性。