The federal government rarely rushes into untested technology. Public health departments, in particular, can spend years validating a tool before it ever touches patient records or outbreak data. So when U.S. health agencies announced they will run live trials with generative AI systems built by OpenAI and Anthropic, the signal was clear: large language models have moved from consumer experiment to serious institutional candidate.
What PULSE Actually Does
The new effort is called the Public Health Use Case and Learning Scaling Engine—PULSE for short. It is a testing framework, not a product rollout. Rather than dropping chatbots into health department email systems and hoping for the best, PULSE treats generative AI the same way public health treats a new vaccine. It creates controlled conditions where state, local, tribal, and territorial agencies can trial these tools while rigorously watching for side effects.
The program brings together four distinct partners. The Coalition for Health AI (CHAI) supplies healthcare-specific governance and safety standards. OpenAI and Anthropic contribute the frontier language models. Accenture provides the integration expertise needed to connect these systems to existing government infrastructure, which often runs on decades-old databases and strict procurement rules.
PULSE is not asking whether AI can write emails or summarize a meeting transcript. It is asking whether these models can reliably assist with three core tasks: epidemiological surveillance, resource allocation, and public health communication. Each of these sounds abstract, but together they describe the daily burden of running a health department. Surveillance means sifting through lab reports, hospital admissions, and school absentee data to spot an outbreak before it balloons. Resource allocation means deciding, in real time, where to send limited vaccine doses or antiviral treatments during a severe flu season. Public health communication means translating complex federal guidance into plain language for dozens of different communities, often while the clock is ticking on a foodborne illness investigation. If AI can help with any of these without creating extra work or introducing errors, the efficiency gains could be substantial.
Why Ten Jurisdictions Changes Everything
The program will run trials across ten jurisdictions drawn from states, localities, tribal nations, and U.S. territories. That deliberate spread is the entire point. A state health department in a densely populated region, staffed with hundreds of epidemiologists and running fiber-optic networks, faces entirely different constraints than a territorial agency tracking dengue with a skeleton crew and intermittent connectivity.
Tribal inclusion carries particular weight. Tribal health agencies have historically faced chronic underfunding and acute data sovereignty concerns. By including tribal jurisdictions, PULSE acknowledges that any AI tool claiming national utility must handle specialized populations, respect distinct governance structures, and function in settings with unique environmental and social health burdens. If a model cannot perform under these conditions, it does not deserve a federal endorsement.
Territorial agencies add another necessary stress test. Public health officials in U.S. territories manage disease patterns and supply chains that differ sharply from the mainland. An AI assistant that assumes perfect internet connectivity, or that relies on ICD-10 coding habits common in large urban hospitals, will simply fail when a hurricane knocks out infrastructure. The ten-jurisdiction design forces the program to collect hard evidence on whether these models adapt to imperfect environments or fall apart.
From Chatbots to Mission-Critical Infrastructure
For the past two years, the public conversation around large language models has centered on coding shortcuts, marketing copy, and image generation. PULSE deliberately shifts the focus to mission-critical infrastructure. When a health department uses an AI model to parse infectious disease reports, a mistake is not a quirky hallucination. It is a potential public safety failure.
Thực tế đó khiến chương trình thí điểm này trở thành một hình mẫu thiết lập tiền lệ cho ba vấn đề kỹ thuật dai dẳng: độ chính xác, giảm thiểu hiện tượng ảo giác và quyền riêng tư dữ liệu. Trong bối cảnh này, ảo giác có thể hiểu là việc mô hình bịa đặt về một tương tác thuốc, dựng lên một ổ dịch không tồn tại, hoặc nêu sai một quy định báo cáo. PULSE được cấu trúc để đo lường tần suất xảy ra các lỗi này và liệu các hàng rào kỹ thuật có thể ngăn chặn chúng trước khi chúng đến tay người ra quyết định hay không.
Quyền riêng tư cũng quan trọng không kém. Các cơ quan y tế công cộng xử lý thông tin sức khỏe được bảo vệ bởi HIPAA và các quy chế bổ sung ở cấp tiểu bang. Bất kỳ hệ thống AI nào chạm đến dữ liệu này đều phải chứng minh chính xác những gì nó lưu trữ, luồng dữ liệu huấn luyện đi đâu và ai có thể truy cập kết quả đầu ra sau đó. Sự tham gia của CHAI cho thấy các thử nghiệm này sẽ không chỉ kiểm tra trí tuệ thuần túy của các mô hình OpenAI và Anthropic, mà còn kiểm tra khả năng vận hành của chúng trong các khung quản trị tổ chức nghiêm ngặt và để lại các dấu vết kiểm toán rõ ràng.
Bản thiết kế cho các Nhà phát triển và Cơ quan quản lý
Đối với các nhà phát triển và nhà sáng lập startup đang xây dựng AI trong lĩnh vực y tế, PULSE mang lại một thứ mà thị trường đang rất cần: một tiêu chuẩn hữu hình, được chính phủ bảo trợ. Các công ty trẻ thường gặp khó khăn khi tiếp cận các hệ thống y tế công cộng vì các cán bộ đấu thầu không có danh mục kiểm tra chung để đánh giá độ an toàn của AI. Nếu PULSE đưa ra được các tiêu chí minh bạch để đo lường sự sai lệch, độ chính xác và quyền riêng tư trong các bối cảnh quản lý y tế, những tiêu chí đó có thể nhanh chóng trở thành chuẩn mực mặc định cho các nhà cung cấp trên toàn quốc.
Chương trình cũng gợi mở về cách các mô hình ngôn ngữ lớn (LLMs) có thể cần phải phát triển để phục vụ chính phủ. Các chatbot tiêu dùng được tối ưu hóa để đưa ra các phản hồi trôi chảy và hữu ích. Công việc y tế của chính phủ đòi hỏi các trích dẫn, sự không chắc chắn được hiệu chuẩn và tri thức tổ chức. Một mô hình tư vấn cho một điều dưỡng dịch tễ học phải sẵn sàng nói "bằng chứng chưa rõ ràng" thay vì bịa đặt một câu trả lời đầy tự tin. Việc quan sát cách OpenAI và Anthropic điều chỉnh các chiến lược prompting và hệ thống truy xuất của họ cho môi trường này sẽ tiết lộ liệu công nghệ nền tảng có thực sự đáp ứng được các kỳ vọng của bộ máy hành chính hay không.
Nếu các chương trình thí điểm thành công, những hiểu biết về kỹ thuật và quản trị có thể lan tỏa xa hơn cả biên giới Hoa Kỳ. Các bộ phận y tế công cộng trên toàn thế giới đều đối mặt với gánh nặng dữ liệu và tình trạng thiếu hụt nhân sự tương tự. Một khung làm việc đã được xác thực để triển khai LLMs trong dịch tễ học và truyền thông y tế có thể trở thành một điểm tham chiếu quốc tế, giống như cách các tiêu chuẩn FHIR đã làm cho hồ sơ sức khỏe điện tử.
Bài học thực tế rút ra
PULSE không phải là một lời hứa rằng trí tuệ nhân tạo sẽ giải quyết được các vấn đề y tế công cộng. Đó là một sự thừa nhận rằng các phương thức xử lý thông tin y tế cũ quá chậm chạp và tốn nhiều công sức, và bất kỳ sự thay thế nào cũng phải được chứng minh dưới các điều kiện thực tế, đa dạng trước khi mở rộng quy mô toàn quốc. Bằng cách kết hợp các khung an toàn của CHAI với các mô hình tiên phong từ OpenAI và Anthropic, đồng thời buộc các công cụ đó phải tự chứng minh trong mười khu vực tài phán thực sự khác nhau, chương trình đối xử với AI tạo sinh bằng sự hoài nghi xứng đáng nhưng vẫn cung cấp cho nó môi trường thử nghiệm cần thiết. Đối với các quan chức y tế, các nhà phát triển và cộng đồng mà họ phục vụ, sự cân bằng đó chính là hình mẫu của việc áp dụng có trách nhiệm.