DeepSeek助力药企转型：是跟风炒作，还是划时代变革？

在药企的实际AI应用中，选择开源还是闭源模型，需要综合多方面因素审慎考量。由于不同团队处于AI应用的不同阶段，且业务场景各异，其选择也会有所不同。

在AI探索初期，API调用方式展现出较高的性价比和灵活性。对于商业化团队和医学团队而言，如果数据敏感度较低或来源公开，采用API调用按需付费的模式，既能避免购置私有服务器的高额成本，又能快速满足业务需求。即便数据存在一定敏感性，也可先尝试数据脱敏后再进行API调用，或者借助外部AI算力。当涉及真正核心数据时，再考虑其他更为安全的方式。药企可根据具体业务场景，对不同模型进行测试，选择最适配的方案。

私有化部署开源模型往往成本高昂，以满血版DeepSeek R1模型为例，保守估计每月成本可达9-10万人民币。实际上，多数药企业务场景并不需要R1这样高级别的推理模型，普通传统大模型或文本生成式语言模型便能满足日常需求。因此，通常优先考虑API调用，只有在API调用受限，或者对数据隐私安全有严格要求时，才会考虑结合私有化部署开源小模型。值得一提的是，如果企业内部使用量大且存在高并发情况，DeepSeek满血版基于MOE架构，在推理时激活参数较少，响应速度快，可能在同等并发下降低硬件成本。

最终，药企应根据实际产出效果和业务的投资回报率（ROI）来决定采用何种模型模式。同时，综合考虑自身业务规模、使用场景以及对模型效果的具体要求，谨慎权衡私有化部署DeepSeek的成本。

DeepSeek R1模型在推理能力上表现出色，尤其在常识问答、方案撰写以及数学解题等任务中表现优异。然而，在某些特定场景下，“幻觉”问题较为突出，特别是在涉及知识查找，或对其不擅长领域知识进行总结时，容易出现生成内容与事实不符的情况。

在医药业务落地场景中，大模型产生“幻觉”的主要原因是对提问所涉及的知识掌握不够精准。作为生成式模型，一旦基础信息存在偏差，就容易顺着错误信息继续编造。为有效规避这一问题，主要有两个解决方向。一是基于医药领域数据进行微调，从根源上提升模型对专业知识的理解与掌握。但此方法存在一定风险，例如数据获取难度较大，微调效果难以完全预测，且可能对模型其他能力产生未知影响。二是采用相对稳定的RAG（检索增强生成）或Graph（知识图谱）技术，将丰富的医药行业知识融入模型。通过这些技术手段，为DeepSeek提供坚实的知识储备，从而显著降低“幻觉”问题的出现概率，使其能够更可靠地应用于医药场景。