编者按：一个人工智能（AI）机器人，在短短8天内独立完成了668项实验，合成了668种化合物，并成功研发出一种全新的化学催化剂。这一壮举令人赞叹。
　　AI作为新一轮科技革命和产业变革的关键推动力，正在深刻改变医疗健康领域，当前AI和大数据模式正逐渐深入医药、临床、新药研发以及健康管理和干预等多个领域。
　　基于此，21世纪新健康研究院推出了“AI医疗浪潮”专题系列报道，旨在从企业发展动态、监管等角度，探讨“AI+医疗”产业的推进与落地挑战，推动数字化赋能下的中国创新药企实现高质量发展。
　　21世纪经济报道记者唐唯珂广州报道
　　DeepSeek使得医疗AI在2025年迎来新的转机，资本市场反馈同样猛烈。
　　基于DeepSeek在医疗AI领域展现出的巨大潜力，众多医疗企业正顺势在内部部署DeepSeek R1模型的应用。2月7日，鹰瞳Airdoc宣布其自主研发的万语医疗大模型已接入DeepSeek R1模型，实现了临床诊断效率和准确率的双突破以及更个性化的健康管理体验升级。此外，医渡科技、药易购、恒瑞医药等公司也表示正在引入DeepSeek。
　　2月6日和7日两个交易日，华大基因涨超24%。2月8日，华大基因发布了7日盘后与机构投资者交流的纪要。其中关于如何利用AI技术推动业务发展，特别是在医疗领域的应用情况，华大基因表示，“公司正逐步推广AI在相关基础场景的接入，在基因检测方面，公司大模型目前已进入临床应用，通过提升致病位点选择效率，大幅度降低了解读成本。”
　　国内某头部医疗AI企业向21世纪经济报道记者表示，DeepSeek的出现让AI大模型从旧石器时代进入新石器时代，意义非凡。
　　一场由技术驱动的行业重构已悄然拉开序幕。
　　突破医疗AI普惠瓶颈
　　在传统的医疗AI开发过程中，数据收集与标注工作往往是一项艰巨且昂贵的任务。一方面，传统医疗 AI 模型对数据的要求近乎苛刻，往往需要海量的精准标注数据才能达到理想的性能。然而，在实际的基层医疗场景中，受限于人力、物力和技术水平，收集和标注海量数据是很有难度的任务。
　　另一方面，研究表明，构建一个高质量的医疗AI模型，可能需要耗费数百万甚至上千万元用于数据收集与标注，这对于许多基层医疗机构和小型医疗科技企业来说，无疑是一道难以跨越的资金门槛。
　　DeepSeek凭借其先进的强化学习技术，成功打破了这一困境。据官方介绍，该模型在后训练阶段中大规模使用了强化学习技术，能够在仅有极少人工标注数据的情况下，极大提升模型推理能力。
　　这是因为DeepSeek的强化学习技术能够通过不断与环境进行交互学习，使模型持续优化，大大减少了对大规模标注数据的依赖。这种技术上的突破，不仅降低了训练成本，还提高了模型的泛化能力和适应性。
　　一位做智能穿戴的行业人士告诉21世纪经济报道记者：“（DeepSeek R1）在模型训练的成本和效率上都有帮助，像我们做健康行业的，可以更好的做一些算法学习，比如健康预警、评估、数字处方等。”
　　此外，DeepSeek对多平台部署的支持，更是为医疗AI的广泛应用铺平了道路。
　　港科大团队的SimpleRL项目以及国际上其他团队对DeepSeek R1的研究都表明，通过精心设计的强化学习方法，即使是较小的模型也能实现强大的推理能力，而且这个过程可以比传统方法更简单、更经济。
　　光大证券分析师刘凯在2月6日发布的研报称，第三方可以从DeepSeek R1中蒸馏出更多版本的小参数模型并部署至手机、笔记本电脑、智能家居产品等各类终端产品中。
　　也就是说，DeepSeek R1通过优化模型架构和训练机制，能够在保持高性能的同时显著降低运算所需的资源。这使得医疗机构可以使用更经济的硬件设备来部署AI应用，而无需投入大量资金购置昂贵的高性能计算设备。
　　值得注意的是，DeepSeek R1还采用开源策略，允许全球研究人员和医疗机构免费使用和修改，自由定制模型。这种开放性极大地降低了技术门槛，使得基层医疗机构能够以较低成本接入先进的AI技术，加速医疗AI的普惠。
　　金域医学副总裁、数字化管理中心总经理李映华向21世纪经济报道记者表示，“（DeepSeek对）我们金域在做行业大模型的肯定有提高。我们做医检行业的一个垂类模型，肯定它有自己的一些底座模型。你也可以理解为基座模型，就比如说腾讯的是混元、华为的是盘古。”
　　“实际上，当初我们技术架构选型就是优先选择开源框架与模型。因为我们判断开源框架给予我们未来更大的选择余地与进步空间。反之一旦绑定某家的闭源模型，如该模型的迭代速度跟不上整个行业升级速度，那将造成底座能力落后，限制我们的垂类模型能力。”李映华说。
　　提高基层医疗水平
　　在我国医疗体系中，医疗资源分配不均的问题长期存在，成为制约全民健康水平提升的重要因素。
　　据2023年卫生健康事业统计公报，2023年全国共有医疗卫生机构107万个，其中最多的是基层医疗卫生机构，医院仅占总数的3.5%。而占比3.5%的医院承担了全国近一半的诊疗人次。
　　在这样的背景下，基层全科医生的培养显得尤为必要。理想状态下，基层全科医生能诊治大多数的常见病、多发病。截至2023年末，我国每万人口全科医生的数量为3.99人，距2030年每万人口5名的目标尚有差距。
　　DeepSeek的问世为基层医疗水平的提高提供了新的契机。
　　相关研究指出，DeepSeek R1的强化学习框架支持模型在动态环境中自主学习和调整策略。这种能力使得医疗大模型能够更好地适应不同的临床场景和患者需求。
　　此外，意大利那不勒斯第二大学研究团队在儿科临床决策支持中比较评估了ChatGPT o1与DeepSeek R1两款 AI 推理模型，并在近日发布了相关论文。论文中提到，DeepSeek R1 的一个显著特点是其正在形成的自我反思能力（即自我进化），通过这种能力，模型能够自主验证并优化其逻辑步骤，从而在复杂任务上提升性能。这一能力在诸如“对于疑似病毒性脑炎的儿童，接下来的管理步骤是什么？”这类需要多层次分析的复杂查询中可能会很有帮助。
　　未来，接入DeepSeek的行业大模型或许能在方方面面为基层全科医生提供有力支持。例如在辅助诊断方面，面对复杂多样的病症，基层全科医生有时会因经验不足而难以准确判断。医疗大模型则能够整合患者的症状、病史、检查结果等多源数据，运用其深度学习算法进行综合分析，快速给出精准的诊断建议。尤其是影像识别等较为成熟的领域，医疗大模型明显有助于降低误诊率，提高基层诊断水平。
　　论文中强调，DeepSeek R1由于其开源的特性，成为了一种易于获取且创新的解决方案。这一特点使其在资源有限的医疗环境中特别有用。
　　（实习生孙伟对本文亦有贡献）
（文章来源：21世纪经济报道）