截止3月8日，据“不完全”统计已有266家医院接入DeepSeek。详读各种官宣新闻可以发现，公立医院们确实扎堆部署了DeepSeek，也确实在试点相关应用，并不是简单的蹭热度喊口号。

随机抽取20家公立医院的相关新闻，进行不严谨的统计分析，可整理出以下信息：

在这种局势下，纯粹从项目角度出发，AI医疗俨然已经成了最值得押注的新故事。

但显然医疗大模型这一波比起当年CDSS对标电子病历应用水平评级建设，更趋于“价值回归”。

目前公立医院建设医疗大模型基本有三类：

第一类：医院要求厂家进行系统融合，也就是在医生工作站挂DeepSeek问答搜索链接的形式，这种方式主导了相对多数的大模型本地化建设，受硬件设备的限制本地化模型一般在7b左右的；信息科具备一定的研发能力也在进行提示词工程控制，产出一些像分导诊、院内信息查询、轻咨询之类的应用，部分科室开放应用。

第二类：HIT厂家或CDSS厂家具备一定的大模型建设能力，在自己原有产品上包装或升级，增加大模型的内容，一般在32b或70b。基本上处于互联网医院+大模型，CDSS+大模型，病历质控+大模型建设的模式。而这类厂家在去年和前年并没有进行大模型研发的新闻报道。所以院方需要识别这类大模型是“换壳”，还是“换底层”，这是代差的问题，底层建设决定医疗大模型的建设高度。

第三类：非常聪明的一类做法，不做全院级的建设，建专科智能体。对算力没有太大的要求，信息科+临床科室，找真正有医疗大模型能力的厂家做二次研发，容易出成果，还容易完成本地化。

那么接近三百家的医院完成医疗大模型本地化建设之后，哪些应用端是最受使用者喜欢的，我们取一个剖面从一家大三甲医院来看：

北京友谊医院2月20日[完成了满血版DeepSeek部署]，经一周小范围试用，2月27日起面向全院发布AI助手——友谊DeepSeek。我们向全院近5000台电脑推送了友谊DeepSeek，并完成了30余个系统的接入，提供信息系统、桌面端、网页端、手机端四种入口的访问方式。

日前，该系统使用量已突破6万人次，覆盖全院20余个职能、临床和医技科室。为此，我们针对全院用户开展了首轮调查，80%以上受访医护人员表示“在日常工作中发挥了极大作用”。

一、调查背景

首轮调查内容涵盖系统使用频率、应用场景、接入方式、实际案例，以及系统不足和改进建议等方面，旨在全面评估友谊DeepSeek系统在医疗实践中的应用效果。经一周时间，收回有效问卷50余个。

二、主要调查发现

使用广泛且频繁：DeepSeek调查结果显示，52%的医护人员每天多次使用系统。医院信息系统入口成为最主要接入方式（71.7%），其次是桌面端（37.0%）、网页端（34.8%）和手机端（30.4%）。

应用场景多元化：友谊DeepSeek已在临床决策支持、学术研究及患者沟通三大领域发挥作用。26%的用户将其用于药物查询与用药指导，22%用于疾病鉴别诊断，15%用于检查结果解读，13%用于论文撰写。应用场景涵盖了门诊、病房，甚至是手术室。一位心内科主任说：我用友谊DeepSeek做患者教育，节约门诊沟通时间，提高慢病教育效果。

典型案例彰显价值：多位受访者分享了系统在实际工作中的应用案例。营养科医师利用系统快速设计个性化食谱；药剂科药师借助系统查询“异甘草酸镁注射液与丁二磺酸腺苷蛋氨酸的相互作用”；老年医学科医生用系统将专业的病理报告转化为患者易懂的语言，展示了AI在提升医疗质量和患者体验方面的潜力。

存在问题有待改进：调查也发现了系统的不足之处。26%的用户反映系统响应速度慢，17%的用户指出参考文献准确性有待提高，13%的用户希望知识更新更加及时，13%的用户期望增加图像识别功能。

“AI给的建议很全面，但有时我们临床实际可用的药物有限，建议能更好地结合医院药品目录。”一位消化内科医生建议道。也有一些医生提出了住院病历生成、专病智能体等需求。另外，我们也注意到有些医生缺乏使用提示词的经验，导致查询效果不理想。

此外《北京友谊医院首轮DeepSeek用户调查结果来了》一文也分享了目前出现的问题和改进的方向。

医疗大模型建设的浪潮已全面铺开，也正在从“要我建”转向“我要建”，从“随波逐流”转向“价值回归”。

没有一种“生产力”的变革是一蹴而就的。每一次能够对人类社会产生深远影响的力量最后都是要玩“真家伙”，匹配“真需求”，解决“真问题”。

医疗大模型的建设选对场景，深入研发，才会做的更好。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】