文 | 周宇翔

编辑 | 吴佩蔚

2026年8月22日，泰康保险集团30周年之际，一款名为“养医大模型1.0”的产品正式亮相。

按照泰康的设想，这个大模型并不是一个专门陪老人聊天的“ChatGPT”，而是要进入健康评估、慢病管理、康复护理、风险识别等真实业务流程，成为医生、护士和照护人员的智能助手。

为了训练它，泰康动用的是一份颇为特殊的数据资产。

截至目前，泰康医养已经在全国37座城市布局48个项目，32家养老社区投入运营，入住居民超过2.3万人，五大医学中心全面运营。从老人入住后的健康评估，到慢病随访、康复、长期照护，一位长者可能会在这里留下持续数年的健康记录。2024年，泰康开始在通用大模型基础上加入这些养医知识和长期实践数据，并由多学科专家参与训练和评估。

如果只看大模型发布这件事，其实它并不新鲜。

过去两年，医疗大模型、保险大模型、政务大模型已经轮番登场。真正值得注意的是，大模型这一次正在进入一个高度依赖人的行业——养老。

在这里，它面对的不是写文案或者做PPT，而是3亿多老人，以及一支长期处在人员紧缺状态的照护队伍。

养老，可能恰恰是最需要AI，又最不能完全交给AI的行业之一。

PART 01

3亿老人背后，

一笔越来越难算的人力账

养老行业面临的第一个问题，其实并不复杂：老人越来越多，而能够提供服务的人并没有同步增加。

国家统计局数据显示，截至2025年末，中国60岁及以上人口已经达到3.2338亿，占总人口的23%；65岁及以上人口达到2.2365亿，占15.9%。一年时间里，60岁以上人口又增加了1300多万。

与此同时，养老护理又是一项极端劳动密集型的工作。

老人需要吃饭、服药、洗澡、翻身，需要血压和血糖监测，需要康复训练，需要夜间巡视，也可能突然跌倒、发烧或者情绪低落。失能、失智程度越高，需要投入的人力就越多。

但养老护理员长期面临招人难、留人难的问题。全国人大常委会此前在养老调研中就指出，养老服务人员、医养照护人员尤其紧缺，工作时间长、责任重、薪酬和职业发展空间有限，使行业长期存在人才供给不足的问题。

问题在于，这些本就稀缺的人，并不是所有时间都在“照顾老人”。

他们还要填写护理记录、整理健康档案、交接班、记录用药情况、核对服务项目、上报异常事件，管理者则要排班、调度人员、做评估、统计数据。

真正值得大模型介入的，首先就是这些工作。

2026年发表在《Journal of Medical Internet Research》的一项研究观察了德国14家长期照护机构的52名护士。引入AI语音记录助手之后，每个早班用于撰写护理文书的平均时间从约54分钟下降到39分钟，减少约28%。

这表明，大模型技术的引入，将可以大大缓解养老行业劳动力不足的问题。

另一项在台湾三家医院进行的大模型研究更直观。

大模型被接入护理交班系统后，每名患者的交班记录时间从此前平均约3.45至4.32分钟，下降至约1.17至2.54分钟。按照实际患者数量估算，三家医院每个月可以节约约474至981个小时的护理工作时间。研究还对模型使用成本进行了测算，在研究期间，大模型节约出来的护理时间所对应的劳动价值高于模型运行费用。

在这样的实验结果面前，养老机构对大模型的兴趣可以说是情理之中，毕竟对一个长期缺人的行业而言，AI的价值反而不是降本增效，裁员降薪那一套，而是为已经身处行业里的工作人员减负，降低工作压力。

PART 02

人找服务，服务找人？

如果说减少文书工作解决的是效率问题，那么大模型更大的想象空间，是改变养老服务的提供方式。

传统的养老服务场景下，各养老机构高度依赖老人自己表达需求。

身体不舒服了，告诉家属；家属联系医院；跌倒了，按下呼叫器；血糖高了，再去找医生。

这是一个典型的“发生问题—发现问题—寻找服务”的过程。

也许这个模式在过去几十年是方便并且高效的，但在现如今的老龄化背景下，这些高龄老人恰恰是最不擅长主动寻找服务的一群人。

独居老人可能几天没有测血压，轻度认知障碍老人可能忘记吃药，失能老人甚至无法准确描述自己的身体变化。

如果可穿戴设备、智能床垫、家庭健康设备与大模型结合，服务逻辑就可能倒过来。

我们不妨畅想一下未来：不用老人告诉系统“我今天不舒服”，而是系统发现：一个老人过去半个月每天早上7点起床，最近三天却频繁睡到上午10点；平时每天在家走3000步，最近突然只剩500步；夜间如厕次数增加，饮水量和血压也发生变化。

任何一个数据单独看可能都没有意义，但把它们放在一段长期时间轴上，就可能成为一次疾病、衰弱或者跌倒风险的早期信号。

养老服务因此可能从“响应需求”进一步变成“发现需求”。

这也是AI最适合老年健康管理的地方之一：

人会累，并且人工的精细服务也很贵，不可能每一个老人都配备人员24小时盯着

人不擅长做这些繁琐、冗长的事情，但机器却恰恰擅长。

如果风险能够更早发现，其潜在收益就不再只是节省几分钟护理时间。

一次跌倒背后可能意味着骨折、手术、住院和数月康复；一次没有及时处理的慢病恶化，也可能最终变成急诊和住院。

因此，对保险公司、养老机构和医疗机构来说，AI背后还有另一笔经济账：把医疗资源尽可能从昂贵的事后治疗，向成本更低的提前干预移动。

这也解释了为什么泰康这样的保险公司会成为养老大模型的重要参与者。

它既承担部分健康风险的支付，又拥有养老社区和医疗机构。如果AI最终能够减少住院、延缓失能，受益的不只是老人，保险支付端和医疗养老服务端都可能获得收益。这也是养老机构积极引入大模型最强大的动机。

PART 03

不过，先别急着把父母交给AI

故事讲到这里，很容易滑向另一个极端：既然AI可以聊天、监测、预警甚至给出健康建议，是不是未来真的可以少要几个护理员？

现在的答案恐怕是否定的。

养老行业和客服、营销最大的区别在于，它最终仍然是一个高度依赖物理世界的行业。

AI可以发现老人应该翻身，但真正把一个80公斤的失能老人翻过来仍然需要人；AI可以判断老人情绪低落，却无法真正握住他的手；它可以制定康复计划，却不能替老人完成训练。

更重要的问题还来自大模型本身。

世界卫生组织此前专门提醒，大模型在医疗健康领域可能生成听起来非常可信、实际上却完全错误的信息，同时涉及医疗隐私、数据偏见、网络安全以及医护人员“过度相信机器”等风险。

而养老场景几乎集中了这些风险，并且对于风险的承受能力也是较弱的。

养老大数据，这里保存的不只是一个人的姓名和手机号码，而可能是十年的疾病史、认知状态、用药记录、睡眠、排泄、行动轨迹乃至家庭关系。

另一方面，老人也是数字能力差异最大的人群之一。如果产品设计默认用户能准确描述症状、看懂复杂界面，所谓“智慧养老”反而可能制造新的数字鸿沟。WHO也曾特别提醒，如果训练数据和产品设计缺少老年人参与，AI甚至可能复制针对年龄的偏见。

还有一个更容易被忽略的问题——陪伴。

一个永远有耐心、永远愿意听老人讲过去，还能记住他说过每一句话的AI，对独居老人当然具有吸引力。但当这种关系变得足够真实时，隐私、情感依赖以及机器是否应该取代人与人的联系，也会成为新的伦理问题。

因此，真正成熟的养老AI恐怕不会是像科幻小说中所描绘的：“AI负责养老，人负责监督”。

实际上更可能出现的结构恰好相反：

AI负责读数据、整理信息、寻找异常和处理重复劳动，人负责最终判断、身体照护以及人与人之间无法标准化的部分。

PART 04

风已经来了，

但却不是我们想象中的模式

需要承认的是，今天对养老大模型的很多畅想仍然还只是一个“可能”。

2026年发表的一篇针对老年人大模型聊天机器人的系统综述，从1228项相关记录中最终只筛选出9项符合要求的研究，而且这些研究的中位样本量只有12人。研究人员特别指出，目前还没有研究证明这类产品在完全投入真实运营后取得了明确效果。

这意味着养老大模型距离成熟产业仍然很远。

但另一方面，一些更不起眼的应用已经开始产生收益。

AI减少护理记录时间、自动生成交班材料、帮助发现风险、整理健康档案，这些事情没有“机器人照顾老人”那么科幻，却更容易在今天真正落地。

这或许也是观察这一轮养老AI热潮最重要的尺度。

未来最先改变养老行业的，未必是一台能够直接端茶倒水、陪老人下棋的人形机器人。

它可能只是护理员胸前的一个麦克风，自动把一整天的工作变成护理记录；可能是养老院后台的一套系统，在几千名老人中找出今天最值得医生注意的十个人；也可能是一个老人家里毫不起眼的终端，在某天凌晨发现他的生活规律突然发生了变化。

养老是一门关于人的生意。

在过去，行业最大的困难恰恰是人的时间太贵、太有限，又无法复制。

大模型真正可能改变的，并不是让养老从此“不需要人”，而是让那些稀缺的专业人才能将更多的精力放在人身上。

也就是说，将重复、繁琐劳累的工作交给机器。将人从劳动价值较低的劳动中解放出来，从而投身到更高价值的劳动中去。

2026年，大模型的风已经刮进了养老。

至于它最终留下的是一地概念，还是一场真正的效率革命，答案可能不会由参数量决定，而取决于它究竟能不能在老人每一次吃饭、吃药、康复、就医和被照顾的真实生活里，解决一个具体的问题。

3亿老人的照护缺口，大模型能补上多少？

最近文章