2024年那段时间，几乎所有医院，特别是信息科和院长办公室，气氛都很紧张。说实话，DeepSeek出来以后，很多人都觉得压力大，甚至有点抑郁。技术发展太快了，我们感觉被技术追着跑，但是不知道往哪里去。
外面媒体上，朋友圈里，到处都在说“某某医院三分钟就接了大模型”，“AI能自动写病历”，“医生很快就要被AI取代了”。但是，我们基层医院的日常，是另一番景象。门诊总是挤满了人。医生们写出来的病历，质量差别很大。年轻医生看病时，诊断思路还不够成熟。质控只能靠人去盯着，总是事后补救。随访工作也没人做。
“别人都说DeepSeek一接入就能做很多事，但是我不知道具体用在哪里。它能帮我们解决什么问题？”关院长回忆说，那时候每天都有人来问她，“院长，我们是不是也要搞一个AI？”但是她心里明白，如果只是为了给领导看，那这个系统很可能没人用。她反复问自己一个问题：如果我现在什么都不做，三年后，我们这家基层医院会变成什么样？
关院长不是学电脑的。她一直强调自己“没有系统学过人工智能”。她对AI的理解，都是在实践中慢慢摸索出来的。真正让她对AI落地感兴趣的，不是医疗行业内部的事。而是一堂公安系统的课。
那次，她跟着省卫健委去浙大看人工智能。但是她“偷偷溜”进了公安系统的分会场。她听他们讲AI怎么识别道路上的图片，怎么给车辆做标记，怎么识别唯一的车辆。那一刻她突然明白了：人工智能不是空中楼阁。它一定要有具体的应用场景。她觉得这是一个顿悟。
从那时起，她就开始想一个问题：如果把AI放到基层医院，它应该先解决什么？答案不是“最酷炫的算法”，也不是“最先进的模型”。而是基层最痛苦，但是长期没有解决的问题。
疫情之后，关院长所在的地方办了全科医生“尖兵班”培训。入学考试的结果，让她印象深刻。她记得，“最低分的，只有二十几分。”这不是个别现象。这是普遍存在的问题：很多基层医生在诊断思路、病历书写、操作规范上都有不足。这些问题，短时间的培训很难解决。
而且，还有一个问题更隐蔽，也更严重——病历质量。为了应对高强度的门诊，很多医生只能用模板，或者复制粘贴。结果是，病历看起来都一样，但是不能真实反映看病过程。质控部门很累，但是总是在事后补救。
关院长说：“我们医生都很努力。但是整个系统，已经不支持人光靠体力去硬撑了。”她开始意识到：如果AI要在基层真正用起来，它必须是看病流程的一部分。它不能只是一个外挂工具。
AI技术很好，但用起来很难
南海人医遇到的问题，其实就是整个医疗行业在AI大模型出现后普遍遇到的情况。AI和医疗结合，效果很好。但是技术能力和实际应用之间，还有距离。这也是行业内大家都在讨论的焦点。
一方面，很多科技公司，比如OpenAI、Anthropic、Google、腾讯、阿里，都推出了很多针对医疗的AI方案。这些技术在临床文本理解、医学图像处理、医疗大模型开发等方面，都非常成熟。它们在很多方面都超出了人类的能力。
比如，在医学影像和疾病筛查上，谷歌DeepMind和Google Health投入了大量研发。他们的AI系统用于乳腺癌和视网膜疾病的筛查。研究结果显示，AI能和专业的放射科医生一样准确，甚至更准确地检测乳腺癌。这能减少误诊和漏诊。
Google Health还把他们的糖尿病性视网膜病变AI模型给了合作伙伴。这样可以大规模筛查，帮助更早地诊断出病变。
在临床决策支持和疾病诊断方面，微软的AI系统“Diagnostic Orchestrator”研究表明，在诊断复杂病例时，AI的准确率比普通医生高很多。据说能提高好几倍。而且，微软的Dragon Copilot医疗助理系统能自动生成医生看病时的记录和病程摘要。这大大减少了医生的文书工作，提高了效率。
但是，AI在医疗领域显示出潜力，但要从实验室走到真实医院，特别是基层医院，还有几道坎。这些坎是：算力、算法、数据和人才。
真正让问题暴露出来的是一个明确的政策目标：到2027年，县域医共体要基本实现AI能力全覆盖。这个目标写进了规划，留给基层医院的时间不多了。AI不再是“要不要做”的问题，而是“怎么做、谁来做、能不能做成”的现实问题。
时间很紧，资源配置不合理的问题也显现出来。医院有最重要的临床数据，但是没有算法能力。算法在企业和研究机构手里，但是他们不了解医院的实际情况。算力可以通过市场购买，但是价格一直在涨，长期的成本很难承受。而且，真正懂医疗、懂算法、懂合规的复合型AI人才，都在高校和头部企业。基层医院很难找到这样的人。
这种结构性矛盾，在基层医院表现得更明显。关院长在采访中说：“你问我算法工程师多少钱？我不知道。我每天都在找人，想一起养一个算法工程师，都没人理我。”在现实条件下，基层医院很难自己组建AI团队。他们既给不起高工资，也无法提供技术人员想要的成长空间和研究环境。
但是，如果选择等待“成熟方案”，结果通常只有一个：基层医疗永远是被动接受技术。他们只是技术下沉的“最后一公里用户”，而不是参与者。可是一旦决定自己做，又会发现从数据管理、算法开发、算力购买到合规审批，几乎处处受限制。单靠自己很难成功。
所以，最终的转机来自一种新的合作模式——医院和技术企业，再加上当地政府，一起来做AI医疗。在这个模式下，医院提供真实的医疗场景和有价值的数据。技术企业提供算法能力和开发经验。政府在资源协调、政策支持和合规管理方面发挥关键作用。各方不是简单的合作，而是建立一个长期的合作框架。
关院长直言：“如果每个人都只想着自己的利益最大化，那这件事就做不下去。”这种合作的前提是，不是所有参与者都要马上赚钱。也没有任何一方可以只站在自己的立场考虑问题。在医疗AI这种复杂、监管严格、周期长的领域，单点做得最好，往往意味着整个系统会出问题。
当AI从“能不能用”变成“必须用”的时候，压力就集中到了技术服务方身上。基层医院有数据，有明确的需求，但是中间的技术实现环节，谁来做？对技术服务方来说，核心问题变成了：怎么用更高效的技术平台，让医疗AI真正进入基层，发挥作用？浪潮信息广东区副总经理陈逸聪给出了他的答案。
在他看来，医疗AI的难点从来不是“有没有技术”。而是“技术怎么才能满足需求”。医院有真实数据和具体问题，但通常没有能力把需求变成应用。企业有技术，有平台，但是不了解医疗场景。中间这段“从需求到落地”的路，长期是断开的。
这也是浪潮信息一直强调“平台+生态”的原因。浪潮信息的元脑企智EPAI平台，不是要直接帮医院做应用。它要解决的是从0到1的问题。它先把最底层、最复杂、最容易卡住的技术部分，通过平台的方式搭建好。平台提供低代码甚至零代码的能力。它把模型调用、算力调度、基础工程能力都封装起来。这样医院和合作伙伴就不用从头开发了。
“从0到1解决了，从1到100才有意义。”陈逸聪解释说，平台负责打基础。具体的场景适配由生态伙伴来完成。医院可以在此基础上进行业务创新。最终形成的是一个分工明确的结构：平台解决普遍的问题，场景满足个性化的需求，业务反过来推动技术继续发展。
除了平台问题，算力不足怎么办？陈逸聪说，从算力角度看，医疗行业“不像互联网”。数据隐私和合规要求决定了它不能像互联网那样，大规模依赖公有云。它不能用公共算力快速试错。这意味着，医疗AI天生就需要更多的本地化、专用化算力。它也更容易遇到成本和部署上的问题。
陈逸聪提到，早在DeepSeek出现之前，浪潮信息和一些医院就已经在尝试用AI解决这些问题。只是当时的技术路径更重，效率也有限。DeepSeek的出现，在某种程度上提供了新的可能性。在算力不能无限增加的前提下，找到更高效的模型和工程方法，让AI真正进入行业。
但这不意味着“算力问题彻底解决了”。相反，随着AI能力进入医疗核心流程，对算力的需求反而快速增长。区别在于，算力不再是平均分配。它被更准确地使用。
在医疗场景中，浪潮信息选择的办法，是把AI和医院原有的信息化系统深度结合。而不是完全推翻重来。HIS、EMR等传统系统已经积累了大量的结构化流程和数据。当大模型和这些系统一起工作时，很多原本需要“堆算力”的问题，可以通过调整流程和适配场景来解决。
当普遍问题被集中处理后，算力才能真正用在最有价值的地方。它能以更“有效”的方式发挥作用。从这个角度看，浪潮信息扮演的不是“卖算力”的角色。它试图把算力、平台和医疗流程重新组织起来。让AI不只是停留在患者端的入口，而是真正融入医生的工作流程中。
AI是给患者用，还是给医生用？
多方合作模式逐渐稳定后，一个更实际的问题浮出水面：AI到底应该用在谁身上？市场上最常见的答案，是先从患者那里开始。比如预问诊、智能导诊、健康咨询。这些直接面向用户的产品相对成熟，也最容易看到效果。但是在真正的基层医疗场景中，关院长很快意识到，这条路不能解决根本问题。
“病人问完了，来了医院还是不知道找谁，医生也用不上。”在她看来，如果AI只是把患者挡在门口，但是没有进入诊室，最终只会变成一个“看起来很智能，但是谁都不依赖”的工具。她觉得这样没用。
所以，他们从一开始就定了一个更积极的目标：AI不仅服务患者。它要从患者建档开始，一直用到医生诊室、质控、随访和管理端。这意味着系统不再只是一个前置工具。它要融入整个医疗服务流程。形成一个覆盖患者、医生和管理端的完整闭环。
在这个闭环里，AI参与的环节几乎是全程的：从办理就诊卡和收集主要病症开始，到提前挂号、预问诊，再到分诊和就医咨询。患者进入诊室后，系统能自动生成结构化病历。它融入到医生日常的工作中。看完病后，还要覆盖看病前、看病中、看病后的质控。以及后续的随访和慢病管理。
关院长不想把它称为“工具”。她说：“我不想做一个工具。我想做的是一个‘智能团队’。”这个定位直接提高了项目的难度。也意味着更多不确定性。
系统真正开始训练是在2024年3月。病历的清洗、标注和模型训练，一直持续到年底。这很花时间。期间，合作方多次提出可以上线测试。但是关院长一直摇头。她的理由听起来有点“奇怪”——脏话训练还没做完。
关院长说：“我怕有人在上面骂人，或者跟AI说些不好的话，AI识别不出来。”她担心一旦出了问题，整个项目就完了。在医疗领域，任何看似小的问题，一旦被放大，都会很快变成信任危机。所以，他们硬是把上线时间一拖再拖。
但是命运又开了一个玩笑。2025年，DeepSeek突然出现了。他们原本确定的技术路线不得不重新评估。整个进度又慢了下来。但是关院长没有急着去追赶潮流。她说：“那就让它长得更好一点。”
直到2025年4月，系统才正式上线。
上线不代表成功。他们最早推出的，是一个完整的预问诊流程。但是很快就收到了患者投诉：“你问了我十几二十个问题，结果我还是挂不到号。”团队迅速调整策略，只保留通过主要病症挂号的功能。他们优先解决“能不能看上病”这个最重要的问题。
但是这一步，又引起了医生不满。一位科主任当场提出反对：“通过主要病症挂号要求太高了。”关院长只能在中间不断协调。她说：“你先跟另一位主任把关系搞好，我们慢慢优化。”类似的摩擦，在早期阶段一直存在。这也提醒他们：AI真正落地遇到的阻力，通常不是技术本身。而是使用者的感受和习惯。
关院长坚持“本地训练”的关键，是她对医嘱和诊断思路的理解。三甲医院多年积累的高质量病历，被用来训练模型。那些质量不高、逻辑混乱的病历，同样也要“喂”给模型。让AI清楚什么是不好的做法。
有人担心，这样的AI会不会“把基层医生惯坏”。关院长不认同这种看法。她认为，更合适的比喻是计算机取代算盘。工具的升级，提高的是整体的底线，而不是抹掉人的价值。AI不是代替医生思考。它把好的思维方式具体化，让更多医生学会如何思考。
这种思路，在病历质控环节表现得最明显。过去，质控依靠规则库。一条条对照A、B、C条件。效率低，覆盖面有限。现在，他们直接用自然语言告诉模型“什么是好的病历，什么是差的病历”。模型会反馈给医生：哪些信息缺失、哪些表述不规范、哪里有逻辑问题。
这种基于语言理解的质控方式，不仅速度更快，也更接近真实的看病过程。对医生来说，AI不再是一个站在流程外的审查者。它逐渐成为融入日常工作的协作者。这可能是AI真正融入医疗体系的关键一步。
数据开始运行后，基层医院第一次看到了好的结果。关院长介绍，截至2025年底，AI原生智慧医疗系统已经服务了12万次。完成了8万多次智能导诊。转诊挂号2万多次。预问诊1.4万多次。期间只被投诉了3次。退号率从30%降到了20%。
这些数字不算惊人。但是它们让一线医生第一次感到：系统真的在帮忙，而不是添乱。
这种模式能推广吗？
当AI真正进入医生的工作流程，开始参与诊疗和管理后，又一个更现实的问题出现了：这种模式，能复制吗？
南海人医、天锐医健和浪潮信息，依托南海区医工科创研究院平台，构建了这套AI+医疗落地模式。如果要在更多医疗机构推广，过程中最可能遇到的挑战和障碍是什么？这不只是一个技术问题，也直接关系到未来的商业模式能否成立。
从技术服务方的角度来看，陈逸聪给出的答案不复杂，但很实际——复制的前提，首先是标准化。如果每一家医院、每一个场景都非常个性化，那么所谓的复制就意味着“到每个地方都要重新开发一次”。这样成本和时间都会迅速失控。所以，浪潮信息在元脑企智EPAI平台做的第一件事，不是追求更多定制功能。而是把开发工具、算力调度、模型调用等基础能力统一到一个标准化的技术基础上。这样，通过场景适配，就可以快速落地应用，而不用从头搭建。
但是光有技术标准，不足以支持大规模复制。陈逸聪反复强调，医疗AI能否复制，取决于产业分工是否明确和稳定。
在这个模式中，各方的角色分工很明确：医院负责提供高质量、经过脱敏的真实数据和明确需求。开发商负责算法适配和场景结合。浪潮信息提供算力、平台和生态能力。而像天锐医健这样的角色，则负责把整个链条“串起来”。每一方各司其职，优势互补。这样才能形成一条可持续运行的产业链。这种分工不是事后总结出来的。它在合作早期就被预设为“未来要走向产业化”的前提。
第三个关键点，是全流程合规和本地化场景适配能力。这也是医疗AI和通用大模型之间最根本的区别之一。在医疗领域，数据不能离开医院，这是底线。模型必须在医院内部署和运行。这决定了它不能简单地像互联网那样，复用“云端统一模型”的模式。同时，医疗场景中有很多本地化的问题，比如语言环境。陈逸聪提到，在南海人医项目推进时，粤语和普通话混用，就曾成为实际障碍。如果这个问题不解决，所谓的复制就只能停留在PPT上。
正因为这些限制，通用大模型如果只作为“商品”出售，通常只能做演示工具，无法真正落地。相比之下，深入到具体应用中，围绕真实需求解决问题，反而在这个过程中逐步积累了可以复制的能力——标准化的API、开箱即用的工具链，以及一套经过反复验证的协作方式。
从陈逸聪的总结来看，这些看似“麻烦”的工作，恰恰构成了复制的前提条件：技术有标准，产业有分工，流程有合规，场景能适配。也正是在一次次解决具体问题的过程中，这套模式才逐渐具备了从“能落地”走向“可复制”的可能性。
在AI+医疗这条路上，真正的难点从来不是模型能力本身。而是如何在复杂、保守且高度现实的医疗体系中，把技术变成一种可持续运行的基础设施。能否复制，往往取决于这些最“工程化”、也最容易被忽视的细节。
