当前位置： AI资讯 > 内文

一文读懂：部署DeepSeek时，医院如何“花小钱办大事”？

2025-05-07 关键词： 医疗大模型

自2025年春节以来，DeepSeek已经在超过100家医院落地，大模型技术在提升医疗质量和效率方面发挥了关键作用。然而，目前大多数医院对大模型仍存在疑惑，对其不同算力版本、智能体应用、硬件支持等缺乏足够的了解。为此，CDSreport围绕医疗场景下的大模型部署、应用等话题，开展系列分析报道。此前已经探讨过不同版本DeepSeek与应用场景等话题，本期CDSreport将围绕大模型本地化部署的硬件部署等问题进行深入剖析。

结合模型参数：高参数决定高算力需求

7B、14B、32B、671B这些数字代表了大型语言模型（LLM）中参数的数量，也可以被认为是模型在训练过程中学习到的“权重”，它们存储了模型对语言、知识和模式的理解。一般来说，模型参数越多，模型就越复杂，理论上可以学习和存储更丰富的信息，从而捕捉更复杂的语言模式，在理解和生成文本方面表现更强大。

例如，671B甚至更大参数的模型能够处理更复杂的任务，生成更连贯、更细致入微的文本，在知识问答、创意写作方面表现更出色。其强大的能力能够支持疑难病症的诊断、多学科协作诊疗、多模态数据处理，甚至大型科研项目或超大规模的技术研究等场景。7B、14B等参数量较小的模型尽管在推理能力上稍差，但其资源消耗更少，运行速度更快，更适合问诊、病历分析、治疗方案推荐等特定场景的应用。

参数的大小不同也意味着模型需要不同的计算资源（GPU算力）、内存（显存VRAM和系统内存RAM）以及数据来进行训练和运行。一般来说，参数规模越大，对硬件的计算能力、内存、存储等要求越高。以DeepSeek为例，其1.5B蒸馏版模型使用一台8GB显存、16GB内存的个人电脑即可使用，而70B则需要160+GB显存、128+GB的工作站。

 DeepSeek系列模型硬件需求对比。来源：CSDN

不同参数的模型需要对应部署相应算力才能满足日常诊疗工作需要，真正用于提升诊疗质量和效率。如果医院已经部署相应服务器，则需要根据算力配置选择能够支持的模型参数，进而完成训练、微调和应用等工作。

结合应用场景：不同部署策略体现智慧化建设布局

根据各家医院已经公布的完成DeepSeek本地化部署和应用的信息，目前大模型在医院中的应用大多围绕决策支持、病历生成、知识检索等。不同场景的应用决定了计算量和同时使用人数的不同，这也是医院部署硬件时需要着重考虑的重要参考指标。

例如，在分析患者病情时，大模型需要调用患者病历信息，并根据训练和优化过程调用数据库相关医学知识，同时思考分析步骤并推理分析结果。该过程的结果更加依靠训练数据和知识库，对于模型推理能力和计算量需求不算太高，应用14B或32B即可满足推理需要。如果是面向患者的分诊、预问诊等功能，可能存在同时使用人数较多的情况，则需要硬件设备具备高“并发路数”的能力。

CDSreport发现，目前医院部署算力硬件设施的策略各不相同。有的医院部署了32B、14B等体量相对较小的模型，应用场景聚焦在诊疗工作或管理工作中的某一个单一领域，更关注实用性和性价比；有的医院部署了满血版DeepSeek和高算力硬件设施，尽管初步实现的功能也仅限于某一类场景，但为未来智能体部署和功能拓展保留了空间，具备更高的可拓展性；有的医院采用“大模型+小模型”部署策略，针对算力需要不同部署相适应的硬件设施，具备更好的灵活性和稳定性。

综合来看，医院采用的硬件设施部署策略来源于对应用场景的规划，而不同的侧重点则体现了医院对于智慧医院建设的整体布局。

结合预算成本：用技术实现“花小钱办大事”

为满足不同参数模型对于算力的需求，硬件设施的部署也存在较大的差异。例如，7B模型仅使用配置较高的个人电脑即可运行，预算成本仅需1-2w元；而671B的满血版DeepSeek则需要进行服务器集群式建设，成本动辄在7位数。医院常常因此在效果与成本之间纠结，一方面碍于有限的预算成本，另一方面担心小参数模型无法满足使用。

此前，CDSreport分享过模型参数与应用场景的关系，发现模型参数并非“越高越好”，只有最适合应用场景、进行有针对性的优化和微调的模型才能发挥最好的效果，实现“花小钱办大事”。

例如，将大模型应用于病历质量控制工作，不仅需要大模型能够获取并理解病历前后文本，还能准确指出病历中存在的问题。该过程不仅对大模型推理能力有较高的要求，还要能够深入临床场景和质控体系，并建设相应的知识库和规则库，发挥事中质控和多级质控等作用。而利用临床决策支持系统（CDSS），大模型不仅解决了病历信息不完整的问题，保障了病历信息的完整性，还能够通过与医生的交互，在诊疗过程和病历书写过程中辅助医生、质控人员和管理人员及时发现并修正病历缺陷，落实多级质控体系。

在模型的优化方面，如何用更低参数的模型实现更高的推理效果是各家医院和医疗AI厂商共同追求的目标，越来越多的成功案例正逐步显现效果。以惠每医疗大模型Copilot为例，经过研发团队在DeepSeek-R1 32B模型上的训练和优化，其病历质控智能体的准确性已经达到了满血版DeepSeek的水平，但部署成本仅为1/5，为医院的大模型本地化部署提供了更多选择。