DeepSeek力压谷歌OpenAI，医疗AI斯坦福封王，中国AI新纪元来了？

昨夜，斯坦福大学医学院联合微软、斯坦福基础模型研究中心（CRFM）发布了涵盖 35 项临床基准测试的医疗 AI 综合评测 MedHELM，中国 AI 实验室 DeepSeek-R1 以 66% 胜率力压群雄  ，将谷歌 Gemini、OpenAI o3-mini 及 Claude 3.7 Sonnet 等巨头甩在身后。

这是中国大模型首次在权威临床评测中登顶，更标志着医疗 AI 的历史性跃迁。

要知道，斯坦福评测团队构建的评估体系可以说是医疗 AI 领域最具含金量的存在：35 个基准测试覆盖临床决策支持、病例生成、医学研究辅助等 22 个细分场景，每个环节都会经过临床医生验证。

就是在这样严苛的考核下，DeepSeek R1 展现出令人惊叹的全面性。从自动生成结构化病历到设计个性化治疗方案，从解读复杂医学影像到辅助药物研发，它在医疗场景中的适应能力远超同类产品。

总的来说，DeepSeek-R1 的突破性表现集中在三大临床战场  ：  

1. 诊断决策支持：在疑似乳腺癌病例分析中，R1 生成的鉴别诊断列表与专家判断重合度达 89%，远超 GPT-4o 的72%；  

2. 患者沟通共情：面对焦虑型患者提问，R1 回复中“安抚性措辞”占比达 37%，较 Claude 3.5 提升15个百分点；  

3. 病历结构化处理：在 EHRSQL 测试（将自然语言指令转为临床研究数据库查询）中，R1 准确率较第二名高 11%，大幅缓解了医生处理数据的负担。  

在临床细节方面，目前所有模型在 MedCalc-Bench（病历数值计算）和 ICD-10 编码分配中集体均表现低迷，暴露出现有 AI 对医疗结构化数据的处理短板。而 R1 凭借长思维链推理能力，在开放式诊疗推演中展现出接近人类的思维耐性。 

这背后，是 DeepSeek 对强化学习技术的前瞻性押注。R1 通过纯强化学习（RL）训练，在极少标注数据下自主进化出复杂推理策略。这种模式使其在诊断路径推演时，能像资深医生般反复权衡证据链，甚至会突然修正初始误判，重新串联关键症状。

值得一提的是，这场胜利的含金量还源于评测体系的革命性设计。团队通过MedHELM 综合评估框架构建了一个模拟临床医生真实场景的分类体系，包含类别、子类别和任务三个层级。

最终，29 名来自 14 个医学专科的执业医师亲手参与构建评测框架，将传统的执照考题升级为 22 类真实临床场景，覆盖诊断决策、患者沟通、病历生成等全流程。

对于 13 个开放式基准测试，团队采用了大语言模型评审团（LLM-jury）评估方法。

为了验证大语言模型评审团（LLM-jury）评估法的创新价值，斯坦福团队还比较了 AI 评分与临床医生独立打分的区别，结果显示，LLM 陪审团与医生的一致性（ICC=0.47）竟超过医生间平均一致性（ICC=0.43）。

这意味着 AI 不仅能答题，更开始理解医疗价值的衡量尺度，这无疑是医疗 AI 领域的重大转折：一个更具温度的医疗 AI 时代正拉开帷幕。

另一方面，于国产 AI 而言，DeepSeek 在医疗方面的胜利，意味着中国 AI 不仅在模型数量上追赶，更在医疗这类硬核赛道实现了质量反超。

DeepSeek R1 已经撕开了一道口子，而中国 AI 能否在这道光亮中开辟新纪元，需要整个行业用行动书写答案。

  算家云—AI算力服