2025年初，DeepSeek用更低的训练成本做出比肩全球主流大模型的能力，被不少业内人士称为“DeepSeek时刻”。
这件事的意义，不只是多了一个模型。
更关键的是，它动摇了一个长期被默认的前提——模型能力是否必须依赖更大的参数规模。
类似的变化，正在医疗AI领域出现。
一个不太一样的技术路径
近期，国内医疗科技公司良医汇联合智谱AI及多家三甲医院团队，在一项针对非小细胞肺癌（NSCLC）TNM分期的研究中，给出了一种不同于主流路径的解法。
他们没有选择更大的模型，而是基于国产32B模型GLM-4-Air，通过一套被称为 Medical-based Harness Engineering（医学工程化） 的方法，对模型进行重构。
简单来说，这种思路不是让模型“自己学会医学”，而是：
先把医学规则结构化，再让模型按规则推理。
为什么医疗场景很难被“通用能力”覆盖
TNM分期是肺癌诊疗中的核心环节，但同时也是一个典型的“复杂规则系统”：
· 需要同时判断肿瘤大小、侵犯范围、转移情况
· 不同分期之间存在严格定义边界
· 错误分期可能直接影响治疗路径
这类任务对AI的要求，不只是“理解文本”，而是遵循医学规则进行多步骤推理。
也是在这样的场景下，单纯依赖大模型的通用能力，开始出现边界。
实验结果：中等规模模型反超GPT-4o
在发表于《JMIR AI》的研究中，良医汇团队将TNM分期任务拆解为多个可解释步骤，并针对不同子任务采用差异化优化策略。
在由三甲医院医生标注的数据集上，模型表现如下：
· 整体分期准确率：90%（GPT-4o为80%）
· M分期实现零重大临床错误
· 多项指标全面优于对照模型
一个更关键的变化是：模型在输出结果的同时，会给出完整推理过程，包括每一步判断依据及对应的医学规则。
这意味着，医生不仅可以“用”，还可以“审”。
一个正在被验证的趋势：专业化优先于规模
如果把这次结果放在更大的背景下，它指向一个正在被反复验证的趋势：
在垂直领域，模型能力的上限，越来越取决于专业化适配能力，而不是参数规模。
类似的信号，在法律、金融等领域也开始出现。
从研究走向产品
上述方法已经被产品化。
良医汇推出的医生工具 MedSeek.Ai，目前已覆盖多个临床科室，并在实际医疗场景中服务超过10万名医生。
与依赖海外通用模型的产品不同，这类系统更强调：
· 本地部署与数据安全
· 与临床路径一致的推理逻辑
· 可解释的决策过程
在基层医疗机构中，这种能力的意义更直接——
它可能在一定程度上弥补专科医生资源不足带来的差距。
医疗AI的下一阶段，可能不是“更大”
从DeepSeek到类似MedSeek的尝试，一个变化正在变得清晰：
在通用大模型之外，越来越多行业开始探索自己的“专属解法”。
对于医疗这样的高门槛场景而言，问题可能不再是“有没有更大的模型”，而是：
有没有真正理解这个行业的AI产品。
（来源：资讯中国）
