2025年上半年，京津冀地区的某基层医院院长刘钢（化名）拍板，引入了一套业内评测靠前的医疗大模型系统，希望能够重点解决电子病历生成的效率问题，顺带提供简单的疾病辅助诊断。
在医院内部讨论时，以刘钢为代表的医院管理层对此普遍持乐观态度。
在过去的一两年时间里，开发医疗大模型的主导权始终被牢牢地攥在头部医疗AI公司和大三甲医院的手中。单纯从技术逻辑来说，大模型具备向下兼容的特性，就好比能解高等数学的人，一定精通加减乘除。
所以，对于既不想错过这波AI技术福利，又拿不出更多经费和资源的基层医疗机构而言，择优引入已经在头部三甲医院“跑通”的大模型产品，是一种隐性共识。
但项目的进展却并不顺利。产品落地一个多月后，刘钢发现，无论是在电子病历生成环节，还是辅助诊断层面，模型都没有达到预期效果，甚至还有点“负作用”。
比如，这套模型似乎并不能识别当地老百姓的“方言”，导致生成的病历文书错乱百出，医生还得花更多时间来手工校正；在给出辅助诊断时，由于基层医疗机构的检查检验数据没有完全打通，模型给出的结果也远不如在头部医院里运行时那么精准。
“这种现象并不是个例。”北京清华长庚医院医学数据科学中心主任李栋长期关注医疗数据挖掘和AI在医疗场景中的应用。在他的观察视野里，当头部医院训练好的大模型下沉到基层医疗机构时，“水土不服”是普遍状况。
他的反思是，这种现象和大模型技术本身无关，而是存在结构性问题，“根本原因就在于模型的训练和应用，是完全不同的场景，会有一个错位。”
另一家长三角基层医院院长的评价则更为具体：“模型针对的疾病谱和人群特征与基层有差异，导致判断准确率有所下降；或者操作流程复杂，反而增加了医生填写数据、反复核对的负担，没有真正‘减负’。”
这是今天国内AI医疗宏观叙事下的一个插曲。
几乎每一家投身于AI浪潮的医疗企业和头部医院都以“普惠基层”作为最高价值观，这也符合国家最新的政策方向。
去年国家多部委联合发布的《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》中，深化重点应用的第一块就是“人工智能+基层应用”。
《意见》中给出的明确目标是：到2030年，基层诊疗智能辅助应用基本实现全覆盖。
但事实上，这条路，或许远比我们想象的要难走得多。
沉不下去的大模型
在刘钢所在的医院，曾经由他力主引入的大模型及其配套的算力设备，已经闲置许久。
在和相关方的几次业务复盘后，他才意识到，大模型并非天然适配所有医疗场景，它对运行环境的依赖程度，远高于多数医院的预期。一旦脱离头部三甲医院所拥有的制度、流程与资源配置，大模型就很容易从“效率工具”变成“额外负担”。
首先缺位的，是数据的完整性。
在头部医院，数据并不是简单的“多”，而是高度结构化、规范化——病历书写遵循统一格式；检验、影像、病理等系统也可以互联互通；医生个人书写习惯的差异也被流程不断压缩。
这种环境，为大模型提供了一个相对干净、可预测的输入空间。
但到了基层医院，大模型需要面对的现实状况却恰恰相反。比如，一个肿瘤辅助诊断的模型，在头部医院的场景里，往往需要加以高质量的生化、影像甚至是基因层面的数据才能得出相对准确的结论，而这些数据在基层医疗机构并不容易获取。
“即便是最简单的影像，在设备相同的情况下，大医院放射科的技师和基层医院医生做出来的都不一样。”一位长期专注医疗器械投资的业内人士表示，以磁共振为例，在头部医院，什么样的患者该用什么样的剂量、层厚、床速都有严谨的规范，而操作差异会对数据结果产生直接影响。
更重要的是，基层医院患者的就诊路径本身就不连续。
“病人在基层只看普通病，一旦遇到稍微复杂的情况，就会转到上级医院。”李栋指出，这意味着患者数据天然是碎片化的、跨机构分散的，很难形成完整的纵向病程数据。很多头部医院模型所依赖的输入变量，在基层根本无法完整获取。
此外，在头部医院和基层医院，疾病谱也存在着很大差异。头部医院主要面对的是疑难杂症、复杂病例，而基层医院则以多发病、常见病、慢病管理为主。当模型从训练场景进入应用场景，这些问题便被迅速放大。
“你用一个为复杂疾病、多模态精细诊断训练出来的模型，去应对基层的发热、腹痛、高血压管理，本身就存在错位。”
这种错位在基层诊疗场景里的呈现形态是，模型往往会给出和医生判断不一致的结论。于是，事情开始向更复杂的方向发展——医生不敢轻易否定模型，就要花更多时间去核对原始信息、补充检查，甚至组织多部门讨论。
对基层医生来说，这些大模型产品非但没有为他们减负，反而成为新的工作负担。
医生没有感受到模型带来的便利，但医院管理者却要为此承担不小的开支。
在很多产品演示中，大模型的成本往往被折算为“单次部署价格”，一套系统多少钱、一台服务器多少钱。但对医院而言，真正的负担来自持续性成本——算力、人力和运维。
一家南部省会城市的非头部三甲综合医院院长张琦（化名）告诉《健闻咨询》，真正要让大模型在医院里跑起来，每年光算力成本就要几百万，这就几乎占掉了医院全年的信息化预算额度。再加上数据清洗、流程适配、结果验证，都需要具备医疗背景和工程能力的复合型人才，“像我们这样的医院都负担不起，何况是规模更小、资金更紧张的基层医院。”
更隐蔽的一层错配，来自效率逻辑本身。
在技术叙事中，医疗AI的价值常被概括为“提效减负”。但在一些非头部医院看来，这个逻辑并不完全成立。
一方面，医院并不总是处在人力严重不足的状态。很多岗位的人力配置，恰好是围绕现有工作量形成的平衡。一旦AI带来效率提升，反而会出现“多出来的人做什么”的现实问题。
另一方面，在现阶段，AI更多是“部分替代”，而非“完全替代”。医生和护士仍需承担大量监督、校验和兜底工作。在未能真正释放人力成本之前，效率提升很难转化为组织层面的收益。
这也是张琦所强调的矛盾所在：投入几百万算力，换来的是“提高了一点工作效率”，但这点效率既无法直接减少编制，也难以显著改善医院经营状况，决策层自然不会满意。
基层医院的尴尬
即便在“水土不服”的现实面前，也很少有基层医院会否认自己对大模型的需求。
在多位基层医院管理者和的共识中，基层真正需要的，并不是高精度、多模态的精细模型，而是更贴近真实工作流的“智能助手”——功能克制、场景明确。
这种助手的落点，往往集中在几类高频、低争议的场景：慢病和常见病的风险评估与病程管理、患者随访与分级诊疗提示、护理文书的辅助书写，以及与医联体上级医院之间的转诊协同等。
正是在这样的需求背景下，一部分基层医院选择了“自己干”。
江浙沪地区的一家县级医院院长徐立（化名）告诉《健闻咨询》，过去一年，他们接待了不少于10家AI医疗企业的来访，产品形态基本是和头部医院联合开发的专科大模型，比如针对某类精神疾病的辅助诊断、高难度外科手术的辅助执行等等。评估下来后，他觉得在本院落地应用的空间不大，便果断转向了自己主导研发。
徐立的思路很明确，针对自己所在县域的常见病种，研发多个专病小模型，嵌入基层专病中心的建设。在这些模型产品中，全病程管理的功能要优先考虑，单个项目的成本控制在十几万元。
目前，他们已经在心血管疾病、脂肪肝、减重、甲状腺结节等专病领域有了一些成果，部分产品还卖到了中西部地区的同级别医院。
“我们从来不做大而全的东西。”徐立表示，县域医院的患者面本来就有限，与其追求疑难杂症的精准诊断和治疗，不如把资源用在常见病、多发病的筛查、随访和患者管理当中。
和徐立在多个小病种上发力的策略不同，张琦所在的医院目前把经费和资源集中投向了一个覆盖更广，体量更大的领域——护理。
过去AI在医院内的应用，更多围绕医生展开，集中在辅助诊断、病历书写或患者服务上。而作为与患者接触最频繁、信息采集量最大的群体，护士的需求很少被头部的医院和大厂所关注。
基于这一判断，张琦所在的医院集中投入研发更多基于护理场景下的AI应用，形成一整套系列工具，例如辅助护理文书书写、提供智能化宣教、部分随访和管理工作等等。这些应用规模不大，却更贴近基层医院的真实需求，能够解放医院内部人力资源最为紧张的护士岗位。
但“自己做”，也有“自己做”的风险和局限。
算力依然是绕不开的现实约束，即便是小模型，一旦要在全院范围运行，服务器投入也可能达到数百万元；人力同样是个问题。既懂医疗又懂数据的复合型人才，在基层医院并不多见，“现在医院成本管控比较严格，招聘也都很谨慎，单纯为了做模型去招人，院里面也不太说得过去”。徐立表示。
张琦也有同样的纠结。在整体预算收紧的情况下，AI投入显得尤为尴尬——不投，担心被边缘化；多投，又很难看到短期效果。这使得基层医院对AI的态度更趋于谨慎，能用现成工具解决的，就直接引入使用；但一些明显体现医院自身特色的场景，还是要自建或深度合作研发。
他告诉《健闻咨询》，医院在与外部AI厂商合作的过程中，也曾遇到过效果很好的大模型，但每到洽谈落地的阶段，厂商要价往往高达一两百万，让医院望而却步。
“我们每年用于AI与大模型相关的科研经费大概在600万元左右，只能支撑小范围的大模型应用试点。”
让子弹再飞一会
在经历了水土不服的现实、以及基层医院各自摸索的阶段后，一个共识正在逐渐形成：
医疗大模型并正在被政策与现实共同推向基层。但它的落地方式，不会是简单复制头部医院的技术形态。
真正的问题，已经从“模型能不能做出来”，转向“谁来做、为什么做、怎么持续做”。
从政策层面看，无论是医联体、紧密型医共体建设，还是分级诊疗、慢病管理、基层首诊等目标，都在持续抬高基层医疗对信息化与智能化的要求。大模型所承载的标准化、规模化、跨机构协同等能力，正是这些政策试图解决的问题。
从现实层面看，基层医院同样承受着结构性压力。人口增速放缓、病源增长乏力、人力成本居高不下，使“减员增效”成为医院的基本生存逻辑。
李栋指出，长期来看，医院一定会逐步提高“机器替代”的比例，只是节奏取决于产品成熟度与社会承受度。
在这种双重挤压下，基层医院不太可能完全绕开大模型，只是它们更需要的是“能用得起、用得稳”的形态，而非参数竞赛的结果。
如果单家基层医院难以承担算力、人力和试错成本，那么医联体或医共体，正在成为一个现实可行的中间层。
在李栋看来，头部三甲医院并非天然有动力将技术“无偿下沉”。真正可能形成动力的，一是样本需求，二是未来收益。
对头部医院而言，模型要持续进化，就需要更具代表性的临床数据，而基层医院恰恰掌握着数量最多、结构最广泛的患者样本，头部医院与基层医院可以通过联合研发、参数优化等方式完成价值交换。
另一层动力，取决于制度法规是否允许大模型为头部医院带来商业回报。如果未来AI医疗产品在定价、收费甚至医保支付上获得明确路径，头部医院通过模型租赁、服务输出或联合运营实现回本，才可能持续为其投入资源。
医联体在其中的意义，不只是技术下沉的通道，更是成本与收益的“缓冲器”，算力集中部署、模型统一维护、基层按需调用，既降低单点投入，也避免重复建设。
在技术路径上，一方面，大参数模型对算力和数据的依赖，使其天然偏向头部医院。另一方面，在基层场景中，真正高频、可标准化的问题，往往集中在有限病种与固定流程中。
因此，更现实的路径，是围绕区域优势病种、高发慢病或特定工作流，构建轻量级、垂直化的模型或智能模块。一旦在单场景中跑通，既能直接改善工作体验，也更容易说服管理层继续投入。
这种“轻量化、模块化”的策略，也为商业化留下了空间。无论是基层医院之间的同级输出，还是在医联体内的标准化部署，都比整体系统更容易复制。
综合来看，基层大模型的解法，并不是一条单线技术路线，而是一组制度条件的叠加：明确的支付预期、合理的数据资产规则、可分摊的成本结构，以及对场景边界的克制选择。
在当前阶段，李栋为基层医院提出的建议更接近现实理性：让子弹飞一会儿，先看清哪些坑已经被踩过，再决定是否入场。
对基层医院而言，这并不是退缩，而是一种更审慎的进入方式。毕竟，真正的失败，并不是起步慢，而是花了钱，却用不起来。
第二证券提示：文章来自网络，不代表本站观点。
