2025 年上半年，京津冀地區的某基層醫院院長劉鋼（化名）拍板，引入了一套業內評測靠前的醫療大模型系統，希望能夠重點解決電子病歷生成的效率問題，順帶提供簡單的疾病輔助診斷。
在醫院內部討論時，以劉鋼為代表的醫院管理層對此普遍持樂觀態度。
在過去的一兩年時間里，開發醫療大模型的主導權始終被牢牢地攥在頭部醫療 AI 公司和大三甲醫院的手中。單純從技術邏輯來說，大模型具備向下兼容的特性，就好比能解高等數學的人，一定精通加減乘除。
所以，對于既不想錯過這波 AI 技術福利，又拿不出更多經費和資源的基層醫療機構而言，擇優引入已經在頭部三甲醫院"跑通"的大模型產品，是一種隱性共識。
但項目的進展卻并不順利。產品落地一個多月后，劉鋼發現，無論是在電子病歷生成環節，還是輔助診斷層面，模型都沒有達到預期效果，甚至還有點"負作用"。
比如，這套模型似乎并不能識別當地老百姓的"方言"，導致生成的病歷文書錯亂百出，醫生還得花更多時間來手工校正；在給出輔助診斷時，由于基層醫療機構的檢查檢驗數據沒有完全打通，模型給出的結果也遠不如在頭部醫院里運行時那么精準。
"這種現象并不是個例。"北京清華長庚醫院醫學數據科學中心主任李棟長期關注醫療數據挖掘和 AI 在醫療場景中的應用。在他的觀察視野里，當頭部醫院訓練好的大模型下沉到基層醫療機構時，"水土不服"是普遍狀況。
他的反思是，這種現象和大模型技術本身無關，而是存在結構性問題，"根本原因就在于模型的訓練和應用，是完全不同的場景，會有一個錯位。"
另一家長三角基層醫院院長的評價則更為具體："模型針對的疾病譜和人群特征與基層有差異，導致判斷準確率有所下降；或者操作流程復雜，反而增加了醫生填寫數據、反復核對的負擔，沒有真正‘減負’。"
這是今天國內 AI 醫療宏觀敘事下的一個插曲。
幾乎每一家投身于 AI 浪潮的醫療企業和頭部醫院都以"普惠基層"作為最高價值觀，這也符合國家最新的政策方向。
去年國家多部委聯合發布的《關于促進和規范"人工智能 + 醫療衛生"應用發展的實施意見》中，深化重點應用的第一塊就是"人工智能 + 基層應用"。
《意見》中給出的明確目標是：到 2030 年，基層診療智能輔助應用基本實現全覆蓋。
但事實上，這條路，或許遠比我們想象的要難走得多。
沉不下去的大模型
在劉鋼所在的醫院，曾經由他力主引入的大模型及其配套的算力設備，已經閑置許久。
在和相關方的幾次業務復盤后，他才意識到，大模型并非天然適配所有醫療場景，它對運行環境的依賴程度，遠高于多數醫院的預期。一旦脫離頭部三甲醫院所擁有的制度、流程與資源配置，大模型就很容易從"效率工具"變成"額外負擔"。
首先缺位的，是數據的完整性。
在頭部醫院，數據并不是簡單的"多"，而是高度結構化、規范化——病歷書寫遵循統一格式；檢驗、影像、病理等系統也可以互聯互通；醫生個人書寫習慣的差異也被流程不斷壓縮。
這種環境，為大模型提供了一個相對干凈、可預測的輸入空間。
但到了基層醫院，大模型需要面對的現實狀況卻恰恰相反。比如，一個腫瘤輔助診斷的模型，在頭部醫院的場景里，往往需要加以高質量的生化、影像甚至是基因層面的數據才能得出相對準確的結論，而這些數據在基層醫療機構并不容易獲取。
"即便是最簡單的影像，在設備相同的情況下，大醫院放射科的技師和基層醫院醫生做出來的都不一樣。"一位長期專注醫療器械投資的業內人士表示，以磁共振為例，在頭部醫院，什么樣的患者該用什么樣的劑量、層厚、床速都有嚴謹的規范，而操作差異會對數據結果產生直接影響。
更重要的是，基層醫院患者的就診路徑本身就不連續。
"病人在基層只看普通病，一旦遇到稍微復雜的情況，就會轉到上級醫院。"李棟指出，這意味著患者數據天然是碎片化的、跨機構分散的，很難形成完整的縱向病程數據。很多頭部醫院模型所依賴的輸入變量，在基層根本無法完整獲取。
此外，在頭部醫院和基層醫院，疾病譜也存在著很大差異。頭部醫院主要面對的是疑難雜癥、復雜病例，而基層醫院則以多發病、常見病、慢病管理為主。當模型從訓練場景進入應用場景，這些問題便被迅速放大。
"你用一個為復雜疾病、多模態精細診斷訓練出來的模型，去應對基層的發熱、腹痛、高血壓管理，本身就存在錯位。"
這種錯位在基層診療場景里的呈現形態是，模型往往會給出和醫生判斷不一致的結論。于是，事情開始向更復雜的方向發展——醫生不敢輕易否定模型，就要花更多時間去核對原始信息、補充檢查，甚至組織多部門討論。
對基層醫生來說，這些大模型產品非但沒有為他們減負，反而成為新的工作負擔。
醫生沒有感受到模型帶來的便利，但醫院管理者卻要為此承擔不小的開支。
在很多產品演示中，大模型的成本往往被折算為"單次部署價格"，一套系統多少錢、一臺服務器多少錢。但對醫院而言，真正的負擔來自持續性成本——算力、人力和運維。
一家南部省會城市的非頭部三甲綜合醫院院長張琦（化名）告訴《健聞咨詢》，真正要讓大模型在醫院里跑起來，每年光算力成本就要幾百萬，這就幾乎占掉了醫院全年的信息化預算額度。再加上數據清洗、流程適配、結果驗證，都需要具備醫療背景和工程能力的復合型人才，"像我們這樣的醫院都負擔不起，何況是規模更小、資金更緊張的基層醫院。"
更隱蔽的一層錯配，來自效率邏輯本身。
在技術敘事中，醫療 AI 的價值常被概括為"提效減負"。但在一些非頭部醫院看來，這個邏輯并不完全成立。
一方面，醫院并不總是處在人力嚴重不足的狀態。很多崗位的人力配置，恰好是圍繞現有工作量形成的平衡。一旦 AI 帶來效率提升，反而會出現"多出來的人做什么"的現實問題。
另一方面，在現階段，AI 更多是"部分替代"，而非"完全替代"。醫生和護士仍需承擔大量監督、校驗和兜底工作。在未能真正釋放人力成本之前，效率提升很難轉化為組織層面的收益。
這也是張琦所強調的矛盾所在：投入幾百萬算力，換來的是"提高了一點工作效率"，但這點效率既無法直接減少編制，也難以顯著改善醫院經營狀況，決策層自然不會滿意。
基層醫院的尷尬
即便在"水土不服"的現實面前，也很少有基層醫院會否認自己對大模型的需求。
在多位基層醫院管理者和的共識中，基層真正需要的，并不是高精度、多模態的精細模型，而是更貼近真實工作流的"智能助手"——功能克制、場景明確。
這種助手的落點，往往集中在幾類高頻、低爭議的場景：慢病和常見病的風險評估與病程管理、患者隨訪與分級診療提示、護理文書的輔助書寫，金沙電玩城app以及與醫聯體上級醫院之間的轉診協同等。
正是在這樣的需求背景下，一部分基層醫院選擇了"自己干"。
江浙滬地區的一家縣級醫院院長徐立（化名）告訴《健聞咨詢》，過去一年，他們接待了不少于 10 家 AI 醫療企業的來訪，產品形態基本是和頭部醫院聯合開發的專科大模型，比如針對某類精神疾病的輔助診斷、高難度外科手術的輔助執行等等。評估下來后，他覺得在本院落地應用的空間不大，便果斷轉向了自己主導研發。
徐立的思路很明確，針對自己所在縣域的常見病種，研發多個專病小模型，嵌入基層專病中心的建設。在這些模型產品中，全病程管理的功能要優先考慮，單個項目的成本控制在十幾萬元。
目前，他們已經在心血管疾病、脂肪肝、減重、甲狀腺結節等專病領域有了一些成果，部分產品還賣到了中西部地區的同級別醫院。
"我們從來不做大而全的東西。"徐立表示，縣域醫院的患者面本來就有限，與其追求疑難雜癥的精準診斷和治療，不如把資源用在常見病、多發病的篩查、隨訪和患者管理當中。
和徐立在多個小病種上發力的策略不同，張琦所在的醫院目前把經費和資源集中投向了一個覆蓋更廣，體量更大的領域——護理。
過去 AI 在醫院內的應用，更多圍繞醫生展開，集中在輔助診斷、病歷書寫或患者服務上。而作為與患者接觸最頻繁、信息采集量最大的群體，護士的需求很少被頭部的醫院和大廠所關注。
基于這一判斷，張琦所在的醫院集中投入研發更多基于護理場景下的 AI 應用，形成一整套系列工具，例如輔助護理文書書寫、提供智能化宣教、部分隨訪和管理工作等等。這些應用規模不大，卻更貼近基層醫院的真實需求，能夠解放醫院內部人力資源最為緊張的護士崗位。
但"自己做"，也有"自己做"的風險和局限。
算力依然是繞不開的現實約束，即便是小模型，一旦要在全院范圍運行，服務器投入也可能達到數百萬元；人力同樣是個問題。既懂醫療又懂數據的復合型人才，在基層醫院并不多見，"現在醫院成本管控比較嚴格，招聘也都很謹慎，單純為了做模型去招人，院里面也不太說得過去"。徐立表示。
張琦也有同樣的糾結。在整體預算收緊的情況下，AI 投入顯得尤為尷尬——不投，擔心被邊緣化；多投，又很難看到短期效果。這使得基層醫院對 AI 的態度更趨于謹慎，能用現成工具解決的，就直接引入使用；但一些明顯體現醫院自身特色的場景，還是要自建或深度合作研發。
他告訴《健聞咨詢》，醫院在與外部 AI 廠商合作的過程中，也曾遇到過效果很好的大模型，但每到洽談落地的階段，廠商要價往往高達一兩百萬，讓醫院望而卻步。
"我們每年用于 AI 與大模型相關的科研經費大概在 600 萬元左右，只能支撐小范圍的大模型應用試點。"
讓子彈再飛一會
在經歷了水土不服的現實、以及基層醫院各自摸索的階段后，一個共識正在逐漸形成：
醫療大模型并正在被政策與現實共同推向基層。但它的落地方式，不會是簡單復制頭部醫院的技術形態。
真正的問題，已經從"模型能不能做出來"，轉向"誰來做、為什么做、怎么持續做"。
從政策層面看，無論是醫聯體、緊密型醫共體建設，還是分級診療、慢病管理、基層首診等目標，都在持續抬高基層醫療對信息化與智能化的要求。大模型所承載的標準化、規模化、跨機構協同等能力，正是這些政策試圖解決的問題。
從現實層面看，基層醫院同樣承受著結構性壓力。人口增速放緩、病源增長乏力、人力成本居高不下，使"減員增效"成為醫院的基本生存邏輯。
李棟指出，長期來看，醫院一定會逐步提高"機器替代"的比例，只是節奏取決于產品成熟度與社會承受度。
在這種雙重擠壓下，基層醫院不太可能完全繞開大模型，只是它們更需要的是"能用得起、用得穩"的形態，而非參數競賽的結果。
如果單家基層醫院難以承擔算力、人力和試錯成本，那么醫聯體或醫共體，正在成為一個現實可行的中間層。
在李棟看來，頭部三甲醫院并非天然有動力將技術"無償下沉"。真正可能形成動力的，一是樣本需求，二是未來收益。
對頭部醫院而言，模型要持續進化，就需要更具代表性的臨床數據，而基層醫院恰恰掌握著數量最多、結構最廣泛的患者樣本，頭部醫院與基層醫院可以通過聯合研發、參數優化等方式完成價值交換。
另一層動力，取決于制度法規是否允許大模型為頭部醫院帶來商業回報。如果未來 AI 醫療產品在定價、收費甚至醫保支付上獲得明確路徑，頭部醫院通過模型租賃、服務輸出或聯合運營實現回本，才可能持續為其投入資源。
醫聯體在其中的意義，不只是技術下沉的通道，更是成本與收益的"緩沖器"，算力集中部署、模型統一維護、基層按需調用，既降低單點投入，也避免重復建設。
在技術路徑上，一方面，大參數模型對算力和數據的依賴，使其天然偏向頭部醫院。另一方面，在基層場景中，真正高頻、可標準化的問題，往往集中在有限病種與固定流程中。
因此，更現實的路徑，是圍繞區域優勢病種、高發慢病或特定工作流，構建輕量級、垂直化的模型或智能模塊。一旦在單場景中跑通，既能直接改善工作體驗，也更容易說服管理層繼續投入。
這種"輕量化、模塊化"的策略，也為商業化留下了空間。無論是基層醫院之間的同級輸出，還是在醫聯體內的標準化部署，都比整體系統更容易復制。
綜合來看，基層大模型的解法，并不是一條單線技術路線，而是一組制度條件的疊加：明確的支付預期、合理的數據資產規則、可分攤的成本結構，以及對場景邊界的克制選擇。
{jz:field.toptypename/}在當前階段，李棟為基層醫院提出的建議更接近現實理性：讓子彈飛一會兒，先看清哪些坑已經被踩過，再決定是否入場。
對基層醫院而言，這并不是退縮，而是一種更審慎的進入方式。畢竟，真正的失敗，并不是起步慢，而是花了錢，卻用不起來。
( 本文來自第一財經 )
備案號: