医疗大模型，集体下沉

从2025年初开始，DeepSeek凭借其开放生态，显著加速了算法研发与临床场景的融合。医疗大模型彻底告别了“技术至上”的旧思维，开始进入务实、落地的实用主义阶段。在这个大背景下，对诊疗效率和质量提升有着迫切需求的基层医疗，自然成了大模型最需要服务好的“主战场”。

那么，基层医疗与大模型到底有多“合拍”？一线医生、患者和医院管理者的真实反馈又如何？动脉网与

（按首字母排序）这四家已经在基层医疗大模型领域深入布局的创新企业聊了聊，以下是一些关键判断与行业分析。

• AI辅助诊断在基层的落地速度最快，在医生、患者、院管三端都获得了明确的正向反馈。
• 基层亟需普惠化的AI服务，因为它数据支撑弱、建设资源少。
• 以区域医疗主管部门统一部署为主，大模型一体机是未来的发展趋势。
• 付费模式目前以G端（政府）买单为主，同时医院直接采购、企业生态共建以及与商保结合的模式也在探索中。

在基层多个场景实现提质增效降本

医疗资源分布不均、基层医生短缺、慢病防治压力大……这些都是长期存在的“硬骨头”。而大模型这类人工智能技术，正为基层医疗“提质增效”提供全新的解题思路。

综合多家企业的反馈来看，大模型在基层的落地场景涵盖了AI智能分诊与辅助诊断、病历自动生成及质控、患者个性化管理、公共卫生服务等多个环节。此外，在乡镇卫生院，AI健康监测与智能穿戴设备的配合，也为无保护老人的健康管理发挥了重要作用。

如果说基层医疗和大模型最合拍的场景，

。基层诊疗能力相对薄弱，技术资源也有限，大模型产品能直接解析患者的主诉、生成初步诊断建议，特别适用于基层多发的常见病和慢病。

卫美健康联合创始人王军补充说，

。“很多基层医生还在见习阶段，病历书写的质量和规范度欠佳。在DRG/DIP医保控费的背景下，AI能帮他们自动生成病历并进行质控，这对规避医保扣费风险非常实用。”

“大模型技术在患者个性化管理方面也收获了显著的正向反馈。”卫宁健康区域卫生研发中心总经理郝忠华提到，通过分析居民健康档案，AI能生成定制化的慢病管理方案或健康教育内容，由医生确认后推送给居民。这种做法既减轻了医生的重复劳动，也让居民实实在在地感受到了健康管理的“获得感”。

盖睿科技副总裁、基础医疗AI大模型项目专家魏群总结得很到位：基层医疗大模型本质上在帮医生、患者和院管三端做两件事——帮大家做“想做但没动力做的事”（增效），以及做“目前做不了但技术可以做的事”（提质）。像患者预问诊、病历自动书写与质控、合理用药提醒、诊后随访管理、慢病管理方案等功能，落地效果已经相当显著。当然，他也提到，如果未来大模型能在诊疗方案、慢病管理上提供更全面、更个性化的建议，用户会更欢迎。

华美浩联AI研发总监吴雷则从成本控制的角度，分享了大模型的核心价值。他认为，大模型在基层的深入应用不仅重构了诊疗流程，还从多个环节压降了医疗成本。比如，基层诊疗更精准，患者不必要的转诊分诊自然变少，直接降低了就医费用；医生有了AI辅助，能弥补全科与专科经验的盲区，误诊率下降，重复检查、重复用药这些无效支出也会随之锐减。

受访对象们还纷纷提到，公共卫生服务（公卫）是基层医生的一大块工作内容。AI技术通过自动化随访、健康档案质控等功能，把基层医生从繁复的公卫事务中解放出来，这在一定程度上

，也更容易让人看到大模型“提质增效”的直观效果。

说到底，“提质增效”是医疗大模型存在的根基。所以，评价一款模型好不好，最终还是要看它的实际应用能力。吴雷建议从两个维度来评估赋能效果：

，比如转诊率、误诊率、分诊准确率的变化，以及基层常见病、慢病管理覆盖率的提升，公卫随访和健康档案完成率等参数；，比如区域诊疗成本和医疗系统运维成本的下降，医保报销比例与自费比例的变化，慢病控制率是否提高，甚至区域性地方病的发病率有没有下降。

基层医疗需求更普适，但数据质量和基础设施资源是短板

DeepSeek在年初的“出圈”，让企业、医院纷纷宣布部署，期待通过新技术加速转型。但现实往往比想象中复杂，“理想丰满、现实骨感”的困境在基层尤为突出。技术适配、业务融合和资源支撑这三个核心问题，构成了基层医疗落地的最大挑战。

在算力端，基层机构资金资源有限，基本不具备自建超算中心或高性能本地服务器的条件，大多只能依赖云端部署。这在一定程度上存在实时响应慢、延迟和系统稳定性不足的问题，直接影响诊疗体验的连贯性。

数据和算法的问题也不小。基层医疗数据质量参差不齐、分布零散、标准不一，清洗成本很高。因此，有些大模型直接用三甲医院的数据训练，结果与基层高发的慢病、常见病特征出现错配，导致模型在基层“水土不服”，泛化能力差，辅助诊疗的精准度大打折扣。

大模型多采用Transformer架构，能捕捉复杂事物的特征，学习能力很强。但基层诊疗能力相对薄弱，AI对医生来说是赋能和补充的工具，对准确性和可靠性的要求更高。这就要求基层医疗大模型必须把“幻觉”问题的影响降到最低。

目前行业存在一种现象：“技术先行，需求滞后”——从业者更多在思考“大模型能做什么”，而不是“基层实际需要什么”。与一二线城市的大医院不同，基层医疗的核心需求是围绕多发病、常见病和居民健康，解决的是普惠性医疗问题。因此，大模型需要与基层的临床业务和信息系统进行深度适配，而这方面的探索目前还不够充分。

大模型应用的技术门槛高，如果基层缺乏AI平台能力、模型开发与微调工具，落地自然举步维艰。同时，数据、算法等专业人才稀缺，工程经验不足，进一步加大了落地难度。此外，当前AI技术在法律法规层面还有不少空白——大模型的应用规范、数据管理、医疗责任的规避与划分等问题，都需要进一步完善相关法规。

当然，有一点也很重要：医生需要将大模型视为平等的合作伙伴，而不是盲目依赖它的输出。所以，推动AI在基层医疗的健康发展，技术的持续进步只是一方面，市场教育同样关键——需要逐步消除公众的疑虑，增进大家对AI的理解。

一体机是基层部署的重要趋势

在AI技术渗透基层医疗的过程中，部署方式成为决定技术效能释放的关键变量。针对基层算力薄弱、数据分散、运维能力不足的普遍痛点，卫美健康、盖睿科技与卫宁健康分别探索出了具有场景适配性的方案。需要说明的是，部署方式必须结合实际场景和用户需求来定，并不代表这些企业只支持某一类方式。

卫美健康认为，

，开箱即用，还能针对不同应用场景提供不同算力。目前，卫美健康整合国产算力与经典大模型（如部署70B参数模型），向基层提供开箱即用的硬件设备，降低了对高性能服务器的依赖，重点支持辅助诊断、病历质控等核心需求。

第二类是

，统一进行本地化部署，基层医疗机构以租户模式开箱即用。盖睿科技分享了这种模式的三大优势：一是提供RAG知识库与数据标注工具，支持模型持续进化；二是建立双重质控体系，既审核病历数据质量，也通过全程审计跟踪验证大模型输出的可靠性，辅助用药决策；三是针对基层常见病需求优化模型，可深度嵌入HIS系统，提升诊疗效率。

第三类是

。卫宁健康表示，大模型部署的技术、算力和后期维护成本都不低，建议借助政务统一资源规划，由政府部门牵头，多个委办局共享AI能力，通过大数据局统一调控和规划。例如宁夏、山东青岛等地，就是由政府大数据局牵头统一规划AI算力，卫健委更多是使用和消费的角色，数据安全也更容易保障。卫宁健康还提到，有些场景不一定非得本地化部署，像健康问答这类对数据安全不太敏感的场景，做好数据脱敏后直接使用公有云资源就行。

政府购买为主，医院、商保等新模式正在探索

最后，我们聊一个绕不开的话题：大模型怎么付费？目前主要有三种方式：政府财政买单、医院自主买单以及企业生态共建。

国家卫健委发布的《卫生健康行业人工智能应用场景参考指引》，以及北京、河南等地推出的《“人工智能+”行动计划》，都为基层引入大模型指明了方向和政策红利。企业也提供了一次性买断、按项目购买或按年付费等多种方案，以满足不同场景的需求。

一个很朴素的道理是：如果客户不愿意付费，那说明产品价值还没充分体现。长远来看，大模型产品只有深度融入医疗流程、真正解决核心痛点，让提质增效降本的作用更明显，客户才会心甘情愿地持续付费。除了政府，医共体单位与基层医疗机构也在尝试通过采购成本转移、医保付费等方式来实现。

目前，已经有一些大三甲医院主动采购医疗大模型产品了。公开信息显示，仅在3月份，上海交大医学院附属新华医院、常州市第一人民医院、宝鸡市中心医院、绍兴市人民医院、南皮县人民医院都发布了医疗大模型采购意向，预算金额最高达到了480万元。

与此同时，一些创新的付费新模式也在涌现。例如

说到底，AI在医疗领域，更多是扮演一个“辅助者”的角色，而不是完全替代人类医生。它能高效处理海量数据、提供精准分析，但医疗决策中的核心判断，依然依赖人类医生的经验和智慧。这其实和历史上许多医疗技术的革新过程很像——初期总是伴随着误解和疑虑，但等技术和市场都成熟了，最终还是会广泛应用，让所有人都受益。