DeepSeek引爆AI医疗！中国超60个医疗大模型，一文汇总！
2025年3月6日
2025一开年，DeepSeek迅速席卷全国医疗行业。超过100家医院已经部署了DeepSeek，覆盖了患者服务、科研、诊疗、办公、管理等各个方面。同时，AI医疗大模型开始井喷，今年以来，瑞金医院、复旦大学中山医院，讯飞医疗接连发布医疗大模型；而伴随着开源生态，京东健康宣布全面开源旗下“京医千询”大模型。新一波的医疗大模型应用有什么不同？智药局盘点了近年来发布的AI医疗大模型，试图找到答案。2022年12月，ChatGPT这一划时代的产品出现，如同一声惊雷开启了AI行业的新生。2023年上半年开始，ChatGPT引发了国内企业的AI医疗“百模大战”。互联网医疗公司率先响应，科研院所、医院方迅速跟进。相较于通用大模型，训练一个医疗大模型的难度并不大。绝大多数医疗大模型基于通用大模型的基座进行训练，通过领域医学数据进行微调，从而强化模型在医疗领域的专业能力。2023年发布的医疗大模型中，大多由LLaMA、ChatGLM-6B等基座微调或者预训练而来，有实力的互联网公司也开始输出大模型基座能力，例如腾讯混元大模型，华为盘古大模型等。到了2024年，医疗大模型陷入了同质化竞争，商业化难题让AI医疗大模型沉寂了一年。也是这一年，医疗大模型开始有了差异化竞争，医院和企业开始发布针对特定领域的专科大模型，精细化地整理细分知识后，发布重症、罕见病、病理学等专科模型。2025年，DeepSeek的震撼发布也让医疗健康迎来了新一波AI浪潮。由于DeepSeek的发布较短，但区别于此前的AI模型竞争，目前绝大多数公司选择接入、部署DeepSeek，正在探索新一轮的AI大模型应用。AI技术日新月异，必须要以发展的眼光看待大模型的发展。ChatGPT爆发后，多家公司基于大模型基座+医疗数据发布行业大模型。而当前绝大多数企业只是接入、部署DeepSeek等较为初级的应用，未来有望深度结合。以DeepSeek为代表的深度推理大模型基座，可能在逻辑推理和复杂问题解决上有优势，这对医疗领域的复杂诊断和多步骤推理有帮助。DeepSeek可以结合临床指南、PubMed论文、医院私有病历库作为外部知识源，通过RAG（检索增强生成）进行深度推理。同时，AI大模型有望解析报告、CT影像、病理报告、心电信号等多模态数据，实现多维度证据链交叉验证。这一趋势已经开始显现，例如清华系AI公司水木分子于近日发布 DeepSeek 版 ChatDD-R1 基座模型，赋能生物医药企业的药物研发。同样，DeepSeek的出现也促进了医疗大模型开源。例如百图生科、京东健康相继宣布开源，由闭源模型转向开源生态。DeepSeek生态开放降低了医疗大模型的部署、训练门槛，但大模型的迭代仍然需要大量高质量数据。医疗大模型竞争中，掌握医疗数据的医院成为主要参与方。当前超百家医院接入DeepSeek，整合信息系统和院内数据有望进一步带来医院智能化。一方面，三甲医院覆盖的科室全面，能够提供多模态数据，如影像、病理、基因等，这对多模态大模型的训练很有帮助。此外，三甲医院的医生经验丰富，可以在模型开发中提供专业指导，确保模型的准确性和实用性。他们的反馈能优化模型，在诊断和治疗建议方面至关重要。三甲医院有较强的科研团队，能够与高校或企业合作，推动AI技术的转化应用。由此来看，医院提供数据+场景，企业提供技术的大模型开发联盟正在成为主流。稍微和AI沾点边的医疗个股股价都直线飙升，包括阿里健康、医渡科技、华大基因、卫宁健康等公司股价拉升超过50%。然而，当前AI医疗大模型一直面临着商业化难题。前不久，贝瑞基因点出了当前二级市场的炒作情绪。公司回应称：AI技术尚未成为核心业务组成部分，也未产生直接收入。这也是当前大模型的通病：拿着锤子找钉子。AI医疗舆论爆火，但缺少可商业化的产品落地。在C端，医疗大模型主要提供医疗问诊、医学科普等功能，目前并未出现类似DeepSeek、豆包等知名应用，更不用说通用大模型也未实现商业化。部分企业选择将AI和业务进行结合，为主营业务做增值，例如京东健康的“康康”，能够在用户咨询症状后立即匹配线上医生问诊以及医药送达服务。更多企业把商业化聚焦于B端，即为医院、药企、药店、体检中心提供模型服务，从而减少对C端用户的依赖。从市场反馈来看，AI大模型的实际商业回报未能满足企业预期。某医疗器械赛道的人士向智药局表示：“尽管公司有大模型相关业务，但主要是和器械进行搭售，在硬件的基础上加价卖给临床和学校，且基本上都是一锤子买卖，难以形成可持续现金流。”这也是当前的AI医疗大模型难题，一方面，企业由于害怕错过新的AI浪潮，纷纷宣布接入DeepSeek；但另一方面，还未看到医疗大模型收费的曙光，更多只是业务锦上添花的作用，实际投入上变成了“雷声大，雨点小”。也就是说，医疗模型的竞争必定走向差异化，以及解决问题的能力。有一个好模型，并不一定能转化为业务价值，在复杂医疗场景中，并不是比谁的参数多，在基准测试中拿到高分，而是解决实际问题。此外，AI医疗健康赛道还有大模型和小模型的技术与监管的差别。以当赛道较早的颇为成熟的AI+影像赛道为例，由于入院的高门槛性，当前通过药监管局审批的AI影像器械均是单病种、特定场景的小模型。小模型需要针对特定的数据进行清洗和高精度标注，例如肺部、心血管、妇科等适应症都需要单独审批，单独拿证。尤其对于高计算需求、高预测要求的药物研发领域，例如分子生成、FEP+预测等，仍然以精度更高的小模型为主。针对严谨的医学场景，一些做法是将大模型“变小”，即为医疗大模型找到合适的场景，企业开始基于大模型发布AI医疗品牌以及应用，希望将大模型转化为商业价值。或者在模型端就切入更加细分的赛道，学习更窄的医疗知识，例如呼吸科、心血管科、儿科等，找到更落地的场景。即使如今AI医疗模式风头正盛，入局者众多，如果无法跨过商业化门槛，下一步该怎么走依然还是个难题。
