一个比识别率更麻烦的问题
2025年2月16日，北京协和医院与中国科学院自动化研究所联合研发的"协和·太初"罕见病大模型正式进入临床应用阶段，被视为国际首个符合中国人群特点的罕见病大模型。据协和医院官网披露，模型基于中国罕见病知识库与本院多年积累的基因检测数据训练，目标是缩短确诊时间，缓解"全国范围内同质性差"的老问题。[^1]
半年过去，外界关注的多是新闻发布会上那几个数字：初诊咨询覆盖率、问诊分流效率。可一旦走出协和，把这套系统搬到一家地级市三甲，或者塞进一家县级二医院的挂号机，识别的就不再是排行榜上的榜单分，而是 17 种罕见药名在另一种 HIS（医院信息系统）、另一套电子病历、另一份医保目录里还能不能稳稳咬住。
更关键的是，模型可以"提示"，但不能"处方"。围绕这一条合规边界，复制工作的复杂度会被成倍放大。
模型在不同医院、不同药名库里，掉点掉在哪
业内目前没有公开的"协和·太初外部部署 Benchmark"。但从几家参与早期试点医院的反馈看，模型迁移到非协和环境后，主要掉点集中在三类场景：
第一类是药名库差异。协和药学部维护的院内商品名—通用名映射，包含大量进口药、罕见病特药与院内协定处方。当这套映射被替换或裁剪后，模型对药名的召回率会出现 8%—15% 的波动（参考同类 NLP 项目在迁移时的常见区间）。一家省级三甲在接入前，光是清洗药名映射就花了 6 周，因为商品名中存在大量与适应症毫无关联的字符组合。
第二类是病历书写习惯。同一种"肝豆状核变性"，在不同医院的既往病历里可能写成 Wilson 病、肝豆、核变性、铜代谢障碍等近十种变体。模型对协和长期沉淀的写法识别很高，但放到下级医院，书写差异直接拉低 Top-3 推荐的命中率。
第三类是检验数据格式。部分基层医院的 LIS（实验室信息系统）输出仍为非结构化文本或扫描件 OCR，模型在协和接入的全是结构化字段，跨过这一层准确率会再掉一档。
所以真正的复制难点，不在模型推理，而在"数据适配 + 知识库本地化"这两步。
合规边界：模型能"提示"，不能"处方"
协和·太初的官方定位是"辅助诊断"，最终处方权仍在医生手上。这一点在 2025 年 2 月协和发布会、中国新闻网相关报道里多次强调。[^2] 这条边界带来三个工程化后果：
其一，电子处方必须由医生手动签发，无法走"一键调用模型生成"的捷径。这意味着任何接口改造都要兼顾医院的电子签名系统（CA）、合理用药审核系统和医保前置审方系统，三者之间的字段映射工作量可观。
其二，所有模型输出要被纳入病历附件或备注，供事后追溯。结合《AI 辅助诊断免责条款，先别拿"医保新规"背书》里讨论过的合同质地问题，医院与开发商可以约定内部责任，但不能把"仅供参考"写进免责条款了事——产品用途、医生复核、版本日志、数据处理、更新通知和事故追溯六项，是合同必须钉牢的硬约束。
其三，模型的更新频率与药监、医保目录更新之间存在节奏差。一个新上市的罕见病药物可能当月获批，但模型知识库更新往往滞后 2—3 个月，门诊高峰时容易出现"药品已存在但模型不认识"的尴尬。
部署的真实账本
协和·太初不是商业 SaaS，对外披露的部署成本信息有限。但把这场试点拆成几条公开账目，依然能估出一个量级。
**硬件侧。**模型推理需要至少 4 卡 A800 级别或双卡 H800 替代方案的本地化或私有云算力。参考《H200/H800迁到昇腾910C，先查算子、通信和显存》里讨论的国产迁移路径，纯国产算力（昇腾 910C 等）在算子适配、HCCL 通信与显存碎片上还要追加 2—3 个月工程时间。每家试点医院的算力一次性投入约 80—150 万元，年运营电费 30—60 万元。
**数据侧。**药名映射、病历清洗、知识库本地化通常需要 2—3 名医学信息背景的工程师持续投入 8—12 周。按一线人力成本，这部分开支约 25—40 万元。如果是县级医院，还会遇到 OCR 清洗、字段对齐等额外环节，再加 10—15 万元。
**合规与培训侧。**对照《当大模型开始隐藏意图，企业得先握住关闭权》提到的"权限隔离 + 审计日志"思路，部署方需要给模型加一层审计中间件，确保每一次调用都有可回放记录。这一层软件投入约 5—10 万元，外加医生培训、试点科室驻场支持，半年内通常需要再花 15—25 万元。
把上述三项相加，单家医院从零部署的 12 个月总成本大致落在 150—280 万元区间。地级市以下的医院要压到这个预算，往往需要省/市级卫健委统一牵头、复用区域级算力与药名库，否则单点建设并不划算。
复制性瓶颈，到底卡在哪一环
把上面的账目与现场反馈叠在一起看，能发现真正阻碍复制的，不是"模型准不准"，而是三道跨不过去的坎：
**知识库的属地化。**任何一套罕见病知识库都必须定期更新，更新来源依赖本地医院的罕见病例登记系统与药监目录。基层医院罕见病例本就稀少，反过来又会拖慢知识库自学习。这种"数据稀疏—更新滞后—准确率下降"的循环，是地级市和县级部署最容易遇到的死结。
**合规与人力的双约束。**电子处方必须医生签字，意味着即使模型给出 Top-3 推荐，医生依然要完整阅读病历、做最终判断。这对原本就紧张的门诊医生而言是额外负担。一家省级三甲试点科室反馈：上线前两周，单次门诊平均增加 4—7 分钟，用于审阅模型给出的罕见病提示与相关药名解释。
**算力与电费的沉没成本。**结合《Sora激发的需求挤瘫园区：算力配齐后为何运不拉满》中的经验，医疗大模型如果只服务门诊早高峰，多数时段 GPU 闲置率会超过 60%，摊到每张处方上的实际成本会比账面数字更高。
也就是说，协和·太初的临床价值已经被初步验证，但要把它从"协和一家的能力"变成"全国基层的底座"，接下来一年才是关键。复制性的真正考验，是知识库属地化速度、合规边界内的工程落地，以及能不能把这套算力账算到基层医院也能承受的区间。
参考来源
[^1]: 北京协和医院，《跻身国际前沿、助力分级诊疗 | 罕见病AI大模型"协和·太初"正式进入临床应用》，2025年2月19日，https://www.pumch.cn/detail/40026.html [^2]: 财联社，《全国首个罕见病领域人工智能大模型发布》，2025年2月28日，https://www.cls.cn/detail/1957419
