摘要：在诸多的AI模型中，国产开源大模型DeepSeek异军突起引发全球关注。在3月3日-3月9日的AI相关前10搜索热词中，DeepSeek以绝对优势位居第一、并在前5中联占3个席位！
以新质生产力引领，赋能高质量发展，这是2025年各行各业的主旋律，医疗行业更是如此。
AI+医疗，无疑是各家医院最为关注的新质生产力。在中国政府采购网上检索可以发现，仅今年3月1日以来，全国就有16条医院政采AI的公告。
在诸多的AI模型中，国产开源大模型DeepSeek异军突起引发全球关注。在3月3日-3月9日的AI相关前10搜索热词中，DeepSeek以绝对优势位居第一、并在前5中联占3个席位！
所以，医院管理界如今互相交流更多的是：DeepSeek你们本地部署了吗？DeepSeek用得怎么样？
鉴于全国无数医院对DeekSeek部署的迫切需求、医院的多模态AI融合应用人才严重稀缺等现状，仲崇海老师近期组织了医院AI专项团队展开了相关研究。
仅DeepSeek的单机版部署是极其简单的，只需要从相关官网安装Ollama和ChatBox(其官方网址分别是https://ollama.com和https://chatboxai.app，当然也有其他软件可以选择），而且无须任何费用，就可以实现本机脱网状态下的AI对话。
在Ollama的官网首页，点击DeepSeek-R1，可以看到有多个DeepSeek版本，本着测试宜简单高效的原则，我们测试了7b版（有兴趣的医生朋友们如果电脑没有独显，建议选择1.5b）
Ollama下载安装后，打开windows的CMD窗口，输入 Ollama run deepseek-r1:7b，就可以进行下载和安装DeepSeek了。
安装完在CMD界面是可以直接对话的，在“>>>”之后输入中文问题，即可输出思考过程和回答。为了增强对话功能，建议再嵌入nomic-embed-text模型。
此时，要在对话界面输入“/bye”以退出Deepseek对话，然后输入：ollama pull nomic-embed-text，如下图：
虽然CMD界面可以直接对话，但毕竟不够高大上，考虑到界面友好性，建议安装ChatBox，安装后简单设置，即可以在更符合大家常见的窗口模式进行对话。
以上是单机应用模式，为便于广大医生朋友们也能自己动手部署，故写得稍偏详细。
如果是医院信息科本地化部署配置后，给医院内网众多工作站使用，则需要另外安装相关软件。以下相关软件的评估仅供参考：
以LM Studio为例，图形化界面可以进行很多细节设置，下图为模型调用中的一个设置界面：
以上简单介绍了DeepSeek的本地化部署基础操作，那么医院现在适合进行本地化部署了吗？
答案是否定的！
医院要进行DeepSeek的本地化部署，首先需要明确的是：计划让DeepSeek具体干什么？预约问诊、电子病历辅助、决策辅助、诊断辅助、论文辅助、真实世界研究等等不同的需求，不仅对于DeepSeek版本和配套软件/模型/库要求不同，更关键的是对预算支撑更有要求。
仲崇海老师向ChatGPT-o1、Claude 3.7 Sonnet、DeepSeek-R1分别问了以下同样的问题：
请粗略评估一下，一家拥有500名在院患者的医院，如果将AI大模型应用于电子病历的协助撰写和自动纠错，日均需要消耗的token是多少？建议配置的英伟达A100 或英伟达H100大概需要多少块？
ChatGPT-o1、Claude 3.7 Sonnet给的答案基本相同：月消耗约1亿token，推荐配置3-4块H100或6-8块A100。而DeepSeek给的数据，则约为前2者的40%左右。
以下截图展示Claude 3.7 Sonnet给的答案：
而搭载一块英伟达H100 GPU、适合做大模型本地应用，且配套其他与算力相符的CPU、内存、硬盘、RAID、电源、风扇等应用配置的服务器，市场价格以人民币计算大概在多少钱范围内？
DeekSeek给的建议是：考虑到未来扩展方案，建议RMB80万+
如果是3-4块的H100，在资金普遍吃紧的大环境下，的确不是一笔小数目。
经济基础决定上层建筑！
目前，国内已经有主流云厂商按约 20-40元/小时的价格，出租NVIDIA H100单卡云实例。这种租赁模式的短期投入极低，扩展性和需求弹性极强，但需要设计稳健的数据安全解决方案，在网络层防护、数据全生命周期保护、权限与审计等方面都要周密部署。所以，服务器是租，还是买？
All roads lead to Rome，DeepSeek本地化部署的技术层面问题，借助第三方公司经验、专业团队咨询、多个主流AI工具深度问答等等不同方式总可以解决，但核心需求未明确时，建议各家医院切勿轻率购买AI本地服务器。
而AI大模型本地化部署，对于绝大多数医院来说都是念头不足2个月的新生事物，对于其中涉及的AI专业领域细分知识更是闻所未闻。为了少走弯路、避免浪费，建议有强烈意向本地化部署DeepSeek的医院，在需求梳理方面寻求专业团队的帮助。
从目前已经报道的新闻表象来看，不同医院本地化部署DeepSeek后的应用场景各有不同，但根据仲崇海老师AI研究团队的DeepSeek技术实施路径分析，所有的医院AI应用场景可以划归三类：
1.基础应用型
其最大优点是无须模型训练、可以快速部署，主要特点如下：
1） 应用举例
A医院实施概要：部署DeepSeek-7B基础版，构建结构化知识库问答系统
集成2000+份临床路径文档与药品说明书通过规则引擎实现医保政策精准查询（准确率98.3%）日均处理门诊咨询8000+次，减少人工咨询压力30%B医院实施概要：基于DeepSeek+RAG构建中医典籍智能检索平台
索引《黄帝内经》等古籍及现代中医研究论文10万篇支持方言语音输入转文本检索（粤语识别准确率92%）辅助中医师开方效率提升25%2） 部署建议
适合DeepSeek知识库AI应用的工具有很多，主要分为开源免费、商业收费、向量数据库。以下选择4个常见知识库工具比较如下：
2.模型增强型
这种类型需要本地化调优和较强的技术开发支持，主要特点如下：
1）应用举例
C医院实施架构：DeepSeek-7B + 肿瘤专科知识蒸馏
数据：20万份肿瘤电子病历+CSCO指南结构化处理技术：通过对抗训练消除模型对欧美人群数据的偏见成果：化疗方案推荐符合率从82%提升至94%D医院实施架构：DeepSeek-130B本地化压缩部署
技术路径：采用模型剪枝+8bit量化（显存占用降低60%）应用场景：ICU实时病情预警（整合生命体征时序数据）成效：脓毒症早期识别准确率提升至89%2）部署建议
Python是AI技术开发最常用的程序语言，默认安装后还需要导入很多库，如torch、pandas、transformers等等。由于不同的库需求的Python版本不同，而目前最新的3.13版本经仲崇海老师亲自测试难以兼容多个库，建议在Anaconda软件下创建新的环境并对Python进行降级选择，如下图：
具有丰富AI多模态模型/库资源的HuggingFace网站内，有很多成熟的医疗模型如ClinicalBERT、BioBERT、PubMedBERT等，但由于ip地址的地域限制，通过常规的pip install transformers然后在代码中从模型仓库加载（如 AutoModel.from_pretrained("模型名称")往往不能成功，这时就需要采用一定的上网技术，但成功加载后再次加载即可只使用本地缓存文件。
以下是仲崇海老师借助AI编写的ClinicalBERT、BioBERT能否成功加载的验证程序Python源码，已成功调试，有兴趣的朋友可以借鉴、以用于其他国际成熟医疗模型ip受限情况的加载验证。
from transformers import AutoModel, AutoTokenizerimport loggingimport requests# 配置日志输出级别logging.basicConfig(level=logging.INFO)def check_model_availability(model_name):"""检测指定模型是否可用（包括本地缓存检测）返回：(bool, str) 可用状态和反馈信息"""try:# 尝试加载模型和分词器（会自动检测本地缓存）tokenizer = AutoTokenizer.from_pretrained(model_name)model = AutoModel.from_pretrained(model_name)return True, f"✅成功加载 {model_name} (使用本地缓存或网络连接正常)"except requests.exceptions.ConnectionError:return False, f"❌网络连接失败 - {model_name}\n（检测到Hugging Face Hub访问限制）"except OSError as e:if "offline" in str(e).lower:return False, f"❌无法加载 {model_name} - 无网络连接且无本地缓存"return False, f"❌加载失败 - {model_name}：{str(e)}"# 需要检测的模型列表models_to_check = {"BioBERT": "dmis-lab/biobert-v1.1","ClinicalBERT": "emilyalsentzer/Bio_ClinicalBERT"}# 执行检测print("开始医疗领域BERT模型可用性检测...\n")for model_name, model_id in models_to_check.items:status, message = check_model_availability(model_id)print(f"【{model_name}】")print(message)print("-"*50)下图是HuggingFace网站的资源截图供参考。
3.协作生态型
这种类型的应用医疗机构主推的是跨机构价值释放的理念，主要特点如下：
1）应用举例
E中心牵头实施架构：基于DeepSeek的联邦学习心血管模型
数据规模：跨院共享100万例心血管介入手术数据安全机制：同态加密+差分隐私（隐私预算ε=1.2）输出成果：冠脉支架术后风险预测模型（AUC 0.92）F专科联盟实施架构：口腔CBCT分析模型联邦学习
参与机构：15家省级口腔医院数据特征：跨机构标准化标注的3万例CBCT影像临床价值：正畸方案规划效率提升40%2）部署建议
基于模型训练需求的医院数据治理成本，很多时候会远高于算力中心的投入，所以某种程度上，医院及相关主管部门应该鼓励“拿来主义更经济、超越的模仿就是创新”的策略。
换另外一个角度，多家医院/联盟/中心重复投资于一个专科AI应用，在经济下行当下，难道不是严重的浪费吗？
参考上图，AI时代的发展速度已经在几何级加速，如果我们多关注Github、HuggingFace、TensorFlow Hub、PyTorch Hub等国际AI资源站，会发现很多医疗专科领域都有在研或成熟的预训练模型。
请先看一下上述三个类型的不同维度比较：
注：以上周期预测总体偏乐观；由于服务器进口和国产的品牌溢价差异，临床专家、算法工程师、合规专家、产品经理等项目团队人力成本的地区差，故本文对投入预算不提供参考数据。
我们再看一下KPI指标的比较：
基于上述比较，我们建议基层医院直接采购模型市场成熟应用，聚焦规则知识库建设；三甲医院可以从语义理解知识库切入，重点加强模型增强型应用；而协作生态型，则建议重点由政府部门、大型医院集团、专科联盟等牵头。
当然，对于具备预算实力或潜力的医院，建议在实施方案中要预留拓展、升级空间。
接下来再讲一下AI技术团队，多数医院的IT工程师更擅长的是HIS运维、医保支付相关数据处理、基于现有数据库相关报表的数据提取与计算等，对于DeepSeek本地化部署后相关模型的融合、AI库的配置和引用、Python脚本等几乎都没有经验，自然容易产生技术畏惧心理。
另外码农们都有深刻感受：一段程序代码报错，解决路径不对有时一天也解决不了，而方法正确了只需要几分钟。因此从人力成本角度的传统思维分析，让没有经验的团队慢慢摸索与项目外包相比，既耗费了过多人力成本、也容易错过相关机会。
所以对于DeepSeek本地化部署后有AI技术难度的工作，多数医院首先想到的是外包。
但我们想强调的是：现在是AI时代，而前述只是昨天的逻辑！
AI已经让很多职业感受到被取代的风险，其中风险最大的恰恰是普通敲代码的编程人员（业内自嘲为码农），因为用对一个Ai工具，其效率远高于多个码农，而成本却超乎想象的低！
根据仲崇海老师对AI编程工具Cursor的测试，即使对Python和AI应用开发毫无经验，也可以通过互动式中文对话实现AI应用开发的智能化，简单举例如下：
可以根据提问智能生成项目细化需求；可以根据技术栈需求智能生成完整项目结构可以智能分析AI模型/库并自动导入;可以智能编写脚本并自动测试、自动纠错；可以分析大模型格式与库是否兼容并进行优化；可以提供GPU加速的优化建议和最佳实践；可以智能本地存储与分类并提供版本追踪功能；……
简单说，在Cursor的智能帮助下，医院信息科的工程师对AI的相关coding工作不用再一筹莫展，多数时候只需要从coding思维转变为产品经理思维，并对Cursor运行中提出的问题进行回复或决策。当然，涉及医学伦理、专业术语、本地法规等等，还是需要工程师的人工干预。
以下是Cursor应用截图示范，上面的红框是提出的需求，点击send后Cursor开始智能执行，中间Cursor会有其他提问，则可以在下面的红框中回复并点击send发送。
对于AI多模型融合需求不高、部署建设预算不多的医院，建议尝试本院信息科在Cursor工具支持下的自主部署。当然，除了Cursor, 还有Devin AI、Windsurf、Trae、GitHub Copilot等类似的AI编程工具，各家医院可结合信息科团队力量、AI部署功能需求等进行选择。
有个知名的广告语，是某酒虽好，不要贪杯。任何风口，既需激情，也要冷静。回到DeepSeek在医疗界的本地化部署，需要各家医院特别注意的是DeepSeek的幻觉率。
以“Helping the world find meaning”为使命，率先推出检索、生成和幻觉检测模型的Vectara公司，在1月30日、2月24日分别发了题为“DeepSeek-R1 hallucinates more than DeepSeek-V3”和“Why does Deepseek-R1 hallucinate so much”的博客文章。而在全球AI开源资源最为丰富的Github网站，Vectara官方账号于3月13日发布的大语言模型幻觉率排行中，DeepSeek-v2.5依然以2.4%排名第20位（幻觉率越低越好），在该文后面的表格中显示：DeepSeek-R1幻觉率高达3.9%！
Github上的Vectaca幻觉率排行榜图片
仲崇海老师通过对AI答复内容进行真实性验证也发现，ChatGPT、Gemini、Claude、Deepseek的不同版本，均存在幻觉问题，例如他们可以“创新”出不存在的AI预训练模型、不存在的医院案例等等。所以，AI大模型的幻觉，基本是不可避免的。
而AI研究团队进一步分析、并通过AI问答推测出：要降低DeepSeek的幻觉率，最好降低其Temperature! 为了凸显推理能力，DeepSeek默认Temperature容易被设置为1，但ChatGPT、Gemini、Claude等模型均建议：为了维护生命权，Temperature应设置为小于0.3甚至接近于0！LM Studio、Ollama等也可以进行Temperature的设置（国内很多人将AI的Temperature选项翻译为“温度”非常不利于正确理解，信雅达翻译原则下，这里应该翻译为“随机性”）。
LM Studio的Temperature设置
但大家都知道：万分之一的几率一旦‘落’到具体人身上就是100%的概率！面对生命，更应对出错概率尤为慎重，AI在诊疗参与中，如果基于幻觉而给出建议，其严重后果不言而喻！
所以，在DeepSeek本地化部署热潮当下，各家医院既要抓住AI赋能高质量发展的机遇，也要高度警惕在AI诊疗应用场景下任何幻觉可能对患者造成的巨大伤害。
具体到实操中，Temperature的设置只是软件层面，医院更需要在管理层面构筑“防护墙”，例如建立多层级专家审核、数据质量验证、患者知情同意、分级风险管理、异常结果警示、算法智能校正等机制，将AI大模型在诊疗中潜在的幻觉风险纳入可控范畴。
特别声明：
1）本文出于医疗行业研究而引用了相关医院AI部署应用，技术路线分型仅是基于网络检索而文中所列举之应用，为避免医院意见分歧，故以字母替代医院名称。
2）部分资料由团队成员提供，难免可能存在错漏或不严谨，仅供各家医院参考，具体医院的需求及部署分析建议以实际咨询为准。
3）由于阐述需要、但受限于篇幅，恕不能对本文涉及的诸多AI专业词汇逐一展开说明。
4）本研究策划与主撰 | 仲崇海:医界名家大讲堂特聘专家、医院品牌管理实战专家、医院运营管理咨询师、医院AI应用咨询与培训师、医疗行业发展独立研究员。
来源：医院品牌专家仲崇海
