在优质医疗资源稀缺的背景下，AI大模型的介入正悄然改变传统的行业竞争格局和医患关系，为医疗行业带来革新。

本月以来，多地公立和私立医院纷纷官宣接入Deepseek并开启本地化部署，包括瑞金、中山、协和等头部大三甲医院，它们接踵发布了医疗垂直领域的大模型。DeepSeek的开源路径，不仅打破了技术“黑箱”，还推动了“技术平权”的理念在医疗生态中的植入。

然而，热潮之下也需冷静思考。医疗场景的严肃性、复杂性和低容错性，使得医院、医生、患者与AI的磨合之路充满挑战。

悖论逐渐显现：AI虽有助于普通患者和基层医生获取海量知识，推动分级诊疗和精准医疗，但AI幻觉却增加了医患间的冲突和不信任；大模型虽为医生减负，降低医院管理成本，但其实施和维护成本高昂；生态开放虽降低了医疗大模型的入局门槛，但大模型的迭代却需要大量高质量数据，强者恒强的局面依旧。

此外，开放式创新如何保障容他性知识产权保护机制和产业生态？患者隐私和诊疗准确性在生态开放下又由谁来保障？

医疗“百模大战”迎来新入局者

优实资本董事长邢杰在接受采访时表示：“医疗机构自身投入行业大模型训练的趋势，正变得愈发明显。”

数据显示，2024年涌入医疗领域的AI大模型公司已超百家。国产推理大模型DeepSeek-R1推出后，掀起新一轮医疗行业大模型研发和应用热潮。医疗行业大模型的“百模大战”正迎来新入局者——曾经的AI应用“保守派”医疗机构。

邢杰指出，大模型研发已进入第二阶段，即从预训练通用模型转向后训练推理模型主导。医院，尤其是掌握权威数据资源且具备临床转化能力的“大三甲”医院逐渐意识到，后训练推理模型阶段的训练成本远低于预训练阶段。

2月中旬以来，多家大型公立医院宣布大模型研发的最新成果，如瑞金医院的“瑞智病理大模型”、中山医院的心血管专病大模型“观心”、协和医院的“协和·太初”罕见病大模型等。

相较于科技企业、医疗AI公司和互联网医疗企业，这些大医院的研发投入更为谨慎，通常从单模型、单病种或特色病种入手。

当前，医疗机构所训练的小模型主要分为两类：一类是自研模型，综合考虑训练数据量、算力等因素；另一类是在通用大模型基础上“蒸馏”并本地化部署的专用模型。

京东健康探索研究院首席科学家王国鑫表示，尽管DeepSeek让业界看到了通过算法优化和深度推理能力实现大模型训练的性价比方式，但模型“小样本学习”或实时学习的能力并不容易达成。

对于后者，王国鑫强调，大模型落地对医院自身软硬件有较高要求。有医院人士透露，由于算力受限，医院需将大模型数据部署在云平台上，而非内置服务器上，这影响了大模型与线下就诊渠道的融合。

小模型能否打败大模型？

DCCI-未来智库首席专家胡延平认为，鉴于行业特殊性，医疗大模型的发展或是一个从“专用”到“通用”的过程。

现阶段，医疗领域尚未拥有真正的通用大模型，且行业对大模型的泛化功能需求不迫切，更需专用模型提升检查效率和诊断准确率。

有医院人士表示，通用大模型在某些特定方向上能力可能不突出，而垂类大模型在医患双方不知晓疾病种类的情况下，能进行自由的人机交互，已具备实际应用能力。

胡延平认为，这并不代表“小模型打败大模型”。专用模型的训练离不开通用模型，且专用模型性能提升会遇到瓶颈，此时需要通用大模型的通识能力、思考推理能力和多模态能力进行赋能。

邢杰也认为，多模态大模型始终是行业趋势，有助于AI逐渐具备人的能力，实现“强人工智能”。

生态开放与合作

业界人士普遍认为，无论是先入局者还是后入局者，都需进行生态合作和数据开放。

王国鑫表示，医疗行业是数据驱动型行业，大模型和AI医生的训练需要大量医疗数据。但目前医疗数据量少且质量欠缺，因此医院间、医院与互联网医院、医院与患者端的合作至关重要。

然而，医院的顾虑较多。医疗机构训练的疾病诊断大模型不具备开源背景和基础，因为医学诊疗的执行权不能交给AI工具。大模型生成的推荐方案需要医生的审核和决策。如果实现大模型参数开放，数据和知识来源将不再可控，可能引发“AI幻觉”，影响患者诊疗结局和大模型研发单位的声誉。

因此，“可信、互信”是开源的第一步。邢杰认为，随着医疗机构开始训练自己的小、中、大细分行业模型，会出现权威的或官方的医疗健康行业AI模型评测体系，以验证各家模型的性能指标。

企业侧的开源生态已初露端倪。DeepSeek开源后，国内多家科技公司相继宣布实施大模型开源。京东健康官宣旗下“京医千询”医疗大模型成为国内医疗行业首个全面开源的垂类大模型。

患者挑战专家？

DeepSeek引发的“技术平权”浪潮席卷医疗领域，不仅改变了医疗服务供给侧的生态竞争格局，也悄然改变了医患关系。

近日，广东一名医学博主在社交媒体发帖表示，为病人开出治疗方案后，对方查询DeepSeek反馈有问题。博主自查医学指南后发现指南已更新，无奈自嘲“天塌了”。这一事件在医生群体中引发广泛讨论。

胡延平认为，“患者挑战专家”不失为一件好事。这既能倒逼医生提升专业能力，也能在一定程度上避免过度诊疗。

从更宏观的角度看，AI大模型的应用有利于医疗的“去中心化”，赋能基层医疗，并帮助互联网医疗等市场化主体参与到医疗市场的竞争中。

受访专家普遍认为，目前距离“AI开处方”还为时过早。医学诊疗的执行权不能交给AI工具，医生需要对患者负责。同时，AI幻觉问题也亟待解决。

邢杰分析，大模型“幻觉”产生的主要原因包括训练数据偏差、概率模型的局限性、泛化过程中的幻觉、训练数据的非实时性、对话长度和上下文长度的影响以及反馈微调过程中的公司偏好等。

王国鑫认为，AI幻觉可以得到抑制。通过拉长推理过程，使AI反复校验，从而达到更好的结果。在技术层面，AI幻觉不是不能解决的问题。