一句话简介：省级"检查在基层、识别在云端、审核在省级"的影像云AI，真正难点不在模型，而在算力怎么在云边端分级调度。这篇讲讲我复盘的3个坑。

最近在帮一家省级医疗健康AI平台搭"检查在基层、识别在云端、审核在省级"的数智影像底座，遇到了一个典型问题：模型精度早够了，可片子从县医院传到云端AI初筛，再送省级专家复核，整条链路一跑就暴露一堆工程问题——不是算法不行，是算力分级和协同架构没想清楚。作为医疗云原生架构师，我把这次复盘落地成下面3个可复用的坑。

一、别把"云边端"做成一句话，先分清三级算力各自的职责

• "检查在基层、识别在云端、审核在省级"听着分层清晰，但落地时最容易犯的错是：把AI推理全塞到一朵中心云，基层只当"零计算裸传终端"。结果就是网络一抖动、高峰一拥塞，基层科室全卡在传片上。

• 我踩坑后的做法：先定义三层算力边界——基层端做"轻检"（摆位校验、序列完整性、图像质控、有无冒烟/异物等能在几十毫秒内完成的确定性判断），省级中心云跑"重AI"（肺结节、冠脉CTA这类吃大模型算力的初筛），省级专家端做"终审"（调原始数据、复核报告）。轻的留在端、重的上云、判的给人。

• 关键取舍：不是省算力，是省"带宽容错"。基层端多做一秒确定性判断，就少传几张无关紧要的坏图，云端资源压力和海量废片流量一起降下来。

二、网络不稳的基层端，要对齐"带宽、延迟、抖动"三条基线，而不是乐观用满专线

• 区域多级机构最大的隐雷是网络环境参差不齐：县医院的公共卫生网、社区卫生服务中心的小带宽、甚至偏远站点的移动回传，跟省级专线完全不是一个量级。我最初按"专线带宽"估算吞吐，结果基层高峰期上传队列越堆越长，AI初筛结果迟迟回不来。

• 复盘后的方法：对接入分级建模——按机构带宽分档（≥100M/A档、20-100M/B档、<20M/C档），每档单独配"压缩+分片+断点续传"策略；C档站点走序列级预压缩+异步上传，宁可初筛慢一点，也不能让基层医生干等。

• 结论：云边协同的可用性，首先由最弱的那一跳基层接入决定。先量化三档基线，再谈AI响应SLA，别用"专线思维"设计"公网现实"。

三、算力要分级调度，AI高峰要"削峰错峰"，别让门诊早高峰把云端冲垮

• 基层检查高峰集中在上午8-11点，全省几千家机构同时上传+队列请求AI初筛，云端推理集群直接打满，队列积压、超时、重试雪崩一起来。

• 我采用的分级调度三板斧：①把"质控在前、AI在后"串成流水线，坏图先被端侧拦掉再进云端推理队列；②云端推理按优先级+限流拆成"即时通道"（门诊急查结果直连）和"批量通道"（回看/科研/复诊可排队）；③错峰策略——日间保障门诊临床AI响应，夜间把富余算力让给训练和科研重活，杜绝AI初筛与训练任务互抢GPU。

• 一句话：区域影像AI的"吞吐天花板"不是算力峰值，是高峰时段你能不能把任务分级、把负载削平。设计时要给"削峰"留配额和限流位，而不是闷头扩机器。

亮点 / 结论

医疗影像AI规模化落地，"能跑通"和"扛得住高峰、接得住弱网"之间隔着一条工程鸿沟。我总结的可复用方法论三句话：

1. 云边端先划清"轻检/重AI/终审"三级算力职责，别把推理全压中心云；

1. 按带宽/延迟/抖动给基层接入分档，设计差异化压缩、分片、断点续传，别用专线思维设计公网现实；

1. AI高峰要"质控在前、分级调度、削峰错峰"，把门诊高峰和训练重活错开，留够配额与限流位。

这套思路不只适用于省级影像云，任何"多级机构 + AI上云"的场景——区域PACS、医联体诊断、病理云——都能直接套用。