DeepSeek：從量化交易 Side Project 顛覆 AI 賽局

公司背景與商業模式

DeepSeek 是由中國量化交易巨頭幻方量化（Phantasia）在 2023 年創立的人工智慧研發公司，這家公司本身就充滿謎團：一家量化交易公司為何要跨足大型語言模型（Large Language Model，LLM）的研發？表面上，兩者唯一的交集可能只有都需要使用圖形處理器（Graphics Processing Unit，GPU）進行運算。然而其獨特之處更在於完全不依賴外部融資，僅靠母公司的量化交易收益支持營運。根據 ScaleAI 執行長 Alexander Wang 的說法，DeepSeek 擁有 5 萬張 NVIDIA H100 GPU，只是因為美國的晶片禁令而低調行事。DeepSeek 的終極目標是開發 AGI（Artificial General Intelligence，通用人工智慧），與 OpenAI、Anthropic 等美國頂尖 AI 實驗室站在同一起跑線上，這個雄心壯志反映在他們的研發策略上：不追求短期獲利，而是致力於推動人類文明的進步。

研發導向
專注研發，不做應用產品：公司專注於基礎模型研發，不急於開發應用產品，與其他 AI 公司熱衷開發聊天機器人介面或AI代理人（AI Agent）等應用產品、追求快速商業化的策略形成鮮明對比。他們也提供應用程式介面（Application Programming Interface，API）服務，但幾乎不投入行銷資源，完全依靠產品實力吸引用戶。

開源承諾
堅持開源路線，模型和論文全部公開：所有模型和研究論文都公開在網路上供人下載使用，這種開放態度促進了整個 AI 社群的進步。這種策略與 Meta（前 Facebook）的開源政策類似，但 Meta 開源是為了支持其社群軟體和元宇宙（Metaverse）業務，而 DeepSeek 的開源似乎純粹出於推動技術進步的理念。

技術創新
致力於原創技術創新，不走抄襲之路：傳統觀念認為 AI 創新主要來自美國，中國公司多是複製美國技術者；早期中國 AI 公司確實大多複製 Meta 的 Llama 架構，進行預訓練（Pre-train）或微調（Fine-tune），而 DeepSeek 致力於原創技術突破，他們不滿足於僅複製現有架構，而是致力推動產業進步，更讓美國同行開始關注和學習他們的技術。DeepSeek V3 的性能超越 Llama 4 模型，而 Llama 4 的訓練預算遠高於 DeepSeek V3。

DeepSeek V3：顛覆性的突破

DeepSeek V3 是一個具有 671 Billion 參數的大型語言模型，其性能可與 GPT-4 和 Claude 3.5 比肩，在數學和程式編寫方面甚至更勝一籌，而且成本效益相當驚人。DeepSeek 在中國 AI 圈被稱為「價格屠夫」，當他們推出 DeepSeek V2 時，憑藉超高性價比迫使中國阿里巴巴、百度等其他 LLM 服務提供商大幅降價。據創辦人梁文峰表示，這並非刻意的價格戰略，而是基於成本計算後的合理定價：每百萬輸入 Token 收費一元人民幣，輸出 Token 兩元人民幣，即使如此低的價格仍能獲得合理利潤。
– 訓練只用了 2048 個 H800 GPU（NVIDIA H100 的降頻版本），僅花費兩個月時間；相較之下，Meta 的 Llama 3 405B 模型使用了 16,000 個完整版 H100 GPU，耗時超過兩個月才完成訓練。從運算資源的角度來看，DeepSeek V3 使用的算力還不到 Llama 3 的十分之一，卻能達到更優異的性能表現
– 若以每小時兩美元的 GPU 使用成本計算，DeepSeek V3 的總訓練成本（包含預訓練和後訓練）約 550 萬美元，遠低於其他頂級模型動輒數千萬美元甚至上億美元的訓練成本，也很可能遠低於 OpenAI 的 o1 Base Model 的預訓練成本。557 萬美元這個數字僅包含純算力成本，計算方式是將使用的 NVIDIA H800 GPU 總時數乘以每小時約 2 美元的租用費用，但不包含研發、硬體總擁有成本（購買、維護和運行 H800）、人力成本

– API 定價極具競爭力：每百萬輸入 Token 僅需 0.14 美元（原價 0.27 美元），輸出 Token 1.1 美元；這定價遠低於市面上其他同級別模型。即使是全天候 24 小時不間斷使用 API，一天的成本也僅需 1.5 美元。雖然 GPT-4o mini 的價格可能更低，但其性能遠不及 DeepSeek V3。DeepSeek V3 的性能可與 Claude 3.5 Sonnet 相媲美，卻比 Claude 3.5 Haiku 的價格還要低

DeepSeek V3 技術創新亮點

變形器（Transformer）架構是現代大型語言模型的核心，最關鍵的部分是注意力機制（Attention Mechanism）。這項技術最早於 2017 年在論文《Attention Is All You Need》中提出，其重要性在於能夠理解文本中各個詞彙之間的關聯性。

注意力機制運作的核心是三個關鍵向量：查詢（Query，Q）、鍵值（Key，K）和數值（Value，V），QKV 系統可以類比為圖書館的檢索系統：
– 查詢（Q）代表目前詞彙想要關注的重點
– 鍵值（K）標示每個詞彙的類型屬性
– 數值（V）包含詞彙的實際語意內容

1. 創新的模型架構
   Multi-Head Latent Attention (MLA)

模型處理文本時，每個標記（Token）都會產生 QKV 向量；模型透過將當前標記的查詢（Q）與其他所有標記的鍵值（K）相乘，計算出注意力分數（Attention Score），再與數值（V）相乘，得到最終的注意力輸出。這個過程在生成回應時會不斷重複，因此傳統模型會將 KV 值暫存在記憶體中。DeepSeek 的 MLA 壓縮既保持運算效率，又大幅降低記憶體需求。
– 將傳統的 KV 快取（Key-Value Cache）壓縮成更小的潛在向量（Latent Vector），優化記憶體
– KV 快取降低 93% 記憶體佔用，大幅減少記憶體使用量、提升運算效率，因為隨著上下文長度（Context Length）增加，傳統模型的記憶體需求會急劇上升
– 這種壓縮不僅沒有損害模型性能，反而提升模型效果，因為壓縮過程能過濾掉雜訊（Noise），只保留關鍵資訊。雖然是一個有損壓縮（Lossy Compression）過程，但模型在解壓縮運算時會逐漸學會專注於更重要的資訊

DeepSeekMOE 混合專家系統（Mixture of Experts，MOE）

變形器（Transformer）架構為基礎，同時採用混合專家系統（Mixture of Experts，MOE）架構，不同於傳統的單一龐大模型，而是由多個專業模型組成的集合體，每個專家模型都專注於特定領域的知識處理。MOE 這個概念最早由法國 AI 公司 Mistral 提出並開源，其有 Mixtral 8x7B 模型（僅有 8 個專家模型，每次選用 2 個）
– 採用 256 個專家模型（遠超 Mistral 的 8 個），更精細的知識分工，讓每個專家能更專注於特定領域的知識處理
– 在每次推理時只會啟動 37 Billion 參數，由 256 個專家中的 9 個協同處理
– 引入固定共享專家（Shared Expert）處理通用知識，與 Mixtral 完全使用路由專家（Routed Expert）的方式有本質區別，在處理每個 Token 時，系統會選擇 8 個動態專家外，還會固定啟用一個共享專家，總計 9 個專家協同工作。這個共享專家專門處理語法等通用知識，讓其他專家得以專注於各自的專業領域，避免重複學習基礎知識，大幅提升參數使用效率
– 節點限制路由（Node Limited Routing），由於模型擁有超過 600 Billion 的參數，256 個專家必須分散在不同的 GPU 上；為了優化硬體間的通訊成本，DeepSeek 開發節點限制路由機制，限制每個標記最多只能傳送到 M 個設備（M 為可調超參數），有效降低了跨設備通訊開銷
– 創新的負載平衡機制（Load Balancing），避免專家閒置問題，傳統 MOE 模型在訓練時容易出現路由崩潰（Routing Collapse）現象，即系統過度依賴特定專家而忽視其他專家。一般解方是用輔助損失函數（Auxiliary Loss）進行懲罰，但可能帶來負面影響。DeepSeek 提出無輔助損失的負載平衡（Auxiliary Loss-Free Load Balancing）機制，系統在計算路由分數（Routing Score）時引入偏差項（Bias Term），自動調節每個專家接收的請求數量，既確保負載平衡，又避免輔助損失帶來的問題

性能評測與實力展現
– 在 MMLU PRO、GPQA、SWE-Bench 等主流測試中，表現可與 GPT-4 和 Claude 3.5 媲美
– 在數學領域的美國數學邀請賽（American Invitational Mathematics Examination，AIME）2024 測試中，以 39.2 分大幅領先 GPT-4o 的 9.3 分和 Claude 3.5 Sonnet 的 16 分

2. Multi-Token Prediction (MTP)

在美國研究社群中罕見的獨特訓練方法，改變了傳統語言模型只預測下一個標記（Token）的訓練方式，讓模型在訓練時不只預測下一個 Token，還要預測之後的幾個 Token；這種「預知未來」的訓練方式能更有效利用訓練數據。
在訓練階段，除了主要模型（Main Model）外，系統會同時運作多個 MTP 模組（MTP Module），這些模組就像主模型的分身，各自負責預測不同位置的未來標記：
– 主模型專注於預測下一個標記（N+1）
– MTP 模組則預測更遠的未來標記（N+2、N+3、N+4 等）

這些模組學習到的資訊最終都會藉由梯度（Gradient）回饋到主模型的參數中，使主模型不僅能準確預測下一個標記，還能對未來的標記發展有更全面的理解。這種訓練方法能更有效地利用訓練資料，因為同一段文本能同時用於學習多個位置的預測任務。

– 主模型專注於預測下一個 Token
– MTP 模組同時預測更遠的未來 Token
– 有效提升訓練資料利用率

3. 客製化訓練架構
效能優化
– DualPipe 演算法：一種高效能的管線平行處理（Pipeline Parallelism），將運算（Computation）和通訊（Communication）過程重疊進行：

1/ 運算過程包含神經網路中的矩陣運算
2/ 通訊過程處理圖形處理器（GPU）之間的資料傳輸
傳統訓練方法中，運算和通訊是依照順序執行的，導致 GPU 在等待資料傳輸時處於閒置狀態，DualPipe 演算法透過同步處理這兩個過程，大幅提升了訓練效率
– 優化跨節點通訊策略（Efficient Cross-node All-to-all Communication Strategy），試圖解決 NVIDIA Link（NVLink）和 InfiniBand 網路之間的頻寬差異問題，藉由開發智慧路由（Smart Intelligent Routing）和客製化通訊核心（Customized Communication Kernels）等技術，有效克服網路瓶頸，實現了更靈活的 CPU 記憶體使用
– 客製化的混合精度訓練框架（Fine-Grained Mixed Precision Framework），在模型訓練時採用 8 位元浮點數（8-bit Floating Point，FP8）進行大部分運算，而對於嵌入層（Embedding）和混合專家系統（Mixture of Experts，MOE）的閘控（Gating）等敏感運算，則使用更高精度的 BF16 或 32 位元浮點數（FP32）以確保準確性。
傳統量化（Quantization）過程中，會使用縮放因子（Scaling Factor）將張量（Tensor）中的數值映射到 FP8 的值域範圍內。由於 Tensor 是一個高維度矩陣，內部數值範圍可能很廣，使用單一縮放因子可能導致極端值（Outlier）的資訊丟失。為解決這個問題，DeepSeek 將每個 Tensor 分割成多個子群組（Subgroup），每個子群組使用獨立的縮放因子進行量化，大幅提升數值表示的精確度。

產業影響

DeepSeek 沒有依賴 NVIDIA 的 Transformer Engine 等現成工具，而是自主開發混合精度運算所需的全部程式碼，包括客製化 CUDA 核心（Custom CUDA Kernels）等被認為是最困難的底層程式設計工作，DeepSeek 團隊卻成功完成了。
DeepSeek 的崛起證明了幾個重要觀點：
– 美國的晶片禁令可能反而刺激了中國 AI 領域的創新
– 開源模式對推動 AI 技術進步具有重要價值
– 高性價比的強大模型可能重塑 AI 產業格局

DeepSeek V3 的出現不僅震驚矽谷，更為開源 AI 社群帶來重大突破。儘管模型需要較大記憶體，但其優異的性能和極具競爭力的價格，將為 AI 的民主化和普及帶來深遠影響。

DeepSeek R1：開源 AI 領域的重大突破

模型概述與影響力

DeepSeek 於 2025 年初發布的 R1 模型是一個具備思考能力的大型語言模型，採用測試時計算（Test Time Compute）技術，讓模型在回答問題前會進行深入思考。目前市場上具備此類推理能力的模型寥寥可數，主要競爭對手僅有 OpenAI 的 o1 模型和 Google 正在實驗階段的 Gemini 2.0 Flash Thinking。DeepSeek R1 的特別在於完全開源的特性：模型權重、推理程式碼（Inference Code）和研究論文都可在網路上自由取得，讓整個 AI 社群能夠深入了解其訓練方法和技術細節。

R1 Zero 是個實驗性模型，而 R1 則是面向實際應用的產品版本，這兩個模型的訓練方法展現了截然不同的理念。R1 Zero 採用純粹的強化學習（Reinforcement Learning，RL）方法，以 DeepSeek V3 為 Base Model 進行訓練。強化學習的核心概念是讓 AI 在特定環境中自主探索和學習，嘗試不同的解決方案來提升性能。R1 Zero 的訓練過程有兩個重要特點：
– 採用自主研發的 GRPO（Gradient-based Reinforcement Policy Optimization）演算法
– 完全不使用監督式微調（Supervised Fine-tuning），而是採用 Pure RL

Pure RL著重於培養模型的真實思考能力，模型面對數學問題時能夠自主探索不同的解決方案，就像一個學生在沒有標準答案的情況下，反覆嘗試來掌握解題技巧。這個過程培養了模型真正的推理能力，而不是簡單地記憶或模仿現有解法。DeepSeek 研發的 Pure RL 是 GRPO 演算法，過程中模型能夠自主探索解決問題的方法，特別是在處理數學問題時，藉由不斷嘗試不同的思維方式來提升自己的思考能力。GRPO 移除傳統強化學習中的評論者（Critic）角色，顯著降低訓練成本。傳統的近端策略優化（Proximal Policy Optimization，PPO）演算法需要兩個主要角色：
– 策略模型（Policy Model）：負責生成回答
– 價值模型（Value Model）：評估回答品質

PPO 雙模型架構雖然在理論上有其優勢，但在實際應用中會導致巨大的計算資源消耗。GRPO 重新思考了價值評估的方式，它不是建立一個獨立的價值模型，而是讓同一個模型對同一問題生成多個不同的答案，然後使用這些答案之間的相對表現來進行評估，也就是使用其他答案的獎勵（Reward）來替代價值模型的功能：
– 對同一問題生成多個不同答案
– 使用其他答案獲得的獎勵平均值作為價值估計
– 每個答案都可以用來更新模型參數

這種方法將計算成本降低了接近一半，因為不需要額外的價值模型運算和更新。訓練過程中，系統會收集大量可即時驗證的問題（如數學題或程式編寫題目），讓模型自行發展解題思路。模型的行動空間（Action Space）包含所有可能的思維鏈（Chain of Thought），透過不斷嘗試和驗證，逐步學習最有效的解題方法。

DeepSeek R1 的訓練過程更接近 AlphaGo 的方法，首先使用約一千筆冷啟動資料（Cold Start Data）進行初始訓練，資料包含人類修改優化過的思維鏈，幫助模型學習人類的思考方式。R1 的訓練分為以下階段：
1. 使用冷啟動資料進行初始訓練
2. 進行與 R1 Zero 相同的強化學習過程
3. 額外的監督式微調和人類回饋強化學習（Reinforcement Learning from Human Feedback，RLHF）

最後的微調階段主要用於確保模型符合安全和倫理標準，避免產生危險或不當的內容。RLHF 並非真正意義上的強化學習，而是一種模型對齊（Alignment），更像是一種行為調教方法，過程包含：
– 收集人類對 AI 不同回答的評分
– 用這些數據訓練獎勵模型（Reward Model）模擬人類的判斷標準，預測人類會如何評價特定的AI回答
– AI 模型會不斷調整自己的輸出，試圖獲得獎勵模型更高的評分

RLHF 本質上是在教導 AI 如何符合人類的期望，而不是提升其實際解決問題的能力。

在 DeepSeek R1 發布之前，業界普遍認為高級 AI 推理系統必須採用類似 AlphaGo 的雙模型架構，即蒙地卡羅樹搜尋（Monte Carlo Tree Search，MCTS）方法，無論是 OpenAI 的 o1 模型或 Google 的 Gemini 2.0 Flash Thinking，大家都假設它們採用了類似的搜尋演算法架構，需要一個提議者（Proposer）來生成可能的解決方案，以及一個驗證者（Verifier）或評估者（Evaluator）來評估這些方案的可行性、品質。然而，DeepSeek 證明單一模型架構不僅可行，而且能夠產生更高效的結果，模型能夠在一次推理過程中生成完整的思維鏈（Chain of Thought），而不需要反覆的搜尋和評估過程。在 Hugging Face 上，DeepSeek 只部署了單一模型，回答問題時模型用持續生成標記 Token 的方式，在一次推理（Inference）過程中就完成整個思維鏈（Chain of Thought）的生成，與傳統方法將問題拆解為多個步驟，每個步驟都需要單獨推理和搜尋的方式完全不同。

DeepSeek 團隊應確實嘗試過 MCTS 方法，但最終發現這種方法在自然語言處理中面臨諸多挑戰，例如自然語言的搜尋空間（Natural Language Search Space）遠比圍棋等遊戲複雜，即使是簡單的數學問題也存在無限多種解法，雖然語言模型可以通過先驗知識（Prior）篩選出較好的解法，但在複雜問題上，搜尋空間仍然龐大得難以處理，要馬需要展開極深的思維鏈束（思考層級）但在實務上因算力限制而不可行；要馬會陷入局部最優解無法找到最佳解決方案。

這種創新的證明有時候突破性的進展不一定來自於增加系統的複雜度，而是以更聰明的設計來簡化現有流程，DeepSeek 的方法不僅降低硬體需求，還提供更直接、更有效的問題解決方式。

R1 Zero 的驚人成果

在 AIME 測試中，DeepSeek V3 原本只能答對 16% 的題目，但經過 R1 Zero 的 Chain of Thought 強化學習訓練後，正確率提升至 71%，進步完全來自 AI 自主學習，沒有任何人類的指導。在訓練過程中，R1 Zero 展現出許多令人驚訝的 Emergent Behavior：

延長思考時間
模型逐漸學會針對複雜問題投入更多思考時間，不再倉促作答。

自主反思能力
模型開始主動檢視自己的解答，思考是否真正回答了問題核心，是否符合所有限制條件。

多元思考方式
模型學會探索多種可能的解決方案，並權衡不同方法的優劣。

一個有趣的現象是語言混合（Language Mixing）：模型在思考過程中會自然地混用多種語言，有時甚至使用人類難以理解的表達方式。DeepSeek 的研究發現，強制模型使用單一語言反而會降低其解題能力，暗示突破語言框架對於深度思考的重要性。不過為了提供更好的使用者體驗，正式發布的 R1 版本經過調整，不會出現語言混合的情況。

雖然目前 DeepSeek R1 的表現略優於 R1 Zero，但從長遠來看，Pure RL 的方法可能會更具優勢，人類的經驗對 AI 而言可能反而是一種限制。目前 R1 之所以表現更好，可能是因為其採用了冷啟動（Cold Start）策略，使用人類優化過的 Chain of Thought 進行初始訓練，讓模型能夠更快地達到較好的性能。相比之下，R1 Zero 雖然起步較慢，但其不受人類經驗限制的特性，可能使其在長期發展中具有更大潛力。

DeepSeek 也在 Hugging Face 平台上開放了多個經過蒸餾（Distillation）的小型模型，可以在普通的消費級硬體上運行，如 Mac mini、Mac Studio 或 NVIDIA 消費級顯示卡。他們將模型蒸餾到阿里巴巴的 Qwen 模型上，創造了一個僅有 1.5 Billion 參數的輕量級版本，只需要 4GB 顯示記憶體（VRAM）就能運行，但性能卻相當驚人：在 AIME 測試中獲得 28.9 分（相比 GPT-4o 的 9.3 分），在 MATH 基準測試中獲得 83.9 分（相比 GPT-4 的 74.6 分）。對於覺得原始模型（671 Billion 參數）過大的朋友們，可以選擇像 Qwen 和 Llama 這類的蒸餾版本。

卓越的性能表現

根據第三方機構 Artificial Analysis 的基準測試（Benchmark）結果，R1 的性能與 OpenAI 的 o1 模型不相上下；在具有公信力的 Chatbot Arena 排行榜上，DeepSeek R1 目前與 Gemini 和 ChatGPT 4o 並列第一名。雖然由於模型發布時間較短，目前評測數據不多，可信度區間較大，但其與 o1 同等級的實力已得到普遍認可。R1 還有超高性價比：在推理成本（API 使用價格）方面，R1 僅為 o1 的三十分之一，基礎模型 DeepSeek V3 的訓練成本如前所述，僅需 550 萬美元就完成訓練。

有人質疑 DeepSeek 謊報訓練成本，認為他們實際擁有 5 萬張 NVIDIA H100 GPU，而不是聲稱的 2,000 張 H800。Hugging Face 正在嘗試 Reproduce DeepSeek V3 和 R1 的訓練過程，有助於驗證這些辯論。

2025 年初，DeepSeek 在全球科技市場引發巨大震盪，NVIDIA 股價暴跌、台積電等半導體供應鏈也下跌超過 10%，大多數投資 NVIDIA GPU 的科技巨頭股價都受到顯著影響。市場恐慌主要源於 DeepSeek 以驚人的低成本訓練出媲美 OpenAI 頂級模型的人工智慧系統，引發投資人對未來 GPU 需求的擔憂，但這種擔憂可能被誇大了。雖然 DeepSeek 確實實現顯著的效率提升，但這種進步並非前所未見。歷史經驗表明，AI 領域的效率提升從未導致算力需求下降，反而往往伴隨著更大規模的應用和更高的整體需求。除了預訓練（Pre-training）外，RL 的普及和 Inference 需求的增加，都將持續推動 GPU 需求的增長，即使單個模型的訓練效率提高，整體市場對算力的需求仍在上升。

Dario Amodei 提出了「計算倍增器」（Compute Multiplier）的概念，即 AI 模型的效率每年提升約 4 倍，去年需要 1 美元才能完成的訓練，今年只需要 0.25 美元。考慮到 GPT-4 和 Claude 3.5 Sonnet 都是 7–10 個月前的模型，DeepSeek V3 的低成本在某種程度上是可以理解的。因此，DeepSeek 的成本優勢雖然令人印象深刻，但這種進步符合產業發展的自然規律，而不是一個特別異常的現象。而且儘管效率大幅提升，但 AI 訓練所需的運算資源不僅沒有減少，反而持續增加，因為要達到下一個性能水平，需要將算力提升 10 倍。即使效率提升 2 倍，企業也不會減少GPU採購，反而會增加 5 倍以上的投資，以推動模型進入下一發展階段。

微軟（Microsoft）執行長 Satya Nadella 最近也在社群平台 X 上提出了一個發人深省的觀點：「Jevons paradox strikes again」。Jevons Paradox 指當某項技術的使用效率提升時，反而可能導致該技術的總體消耗量增加，就像提升發動機效率反而增加了汽油總消耗量，或是提高發電效率反而增加了用電量。Nadella 用這個概念來解釋 DeepSeek 的影響：雖然 DeepSeek 大幅提升了 AI 模型的效率，但這反而會刺激更多 AI 應用的發展，最終導致更大的算力需求。

---

DeepSeek 對台灣醫師及生醫產業的幾點想像

1. 門診與臨床決策的直接強化

• 即時病患分析：將 DeepSeek 與電子病歷（EMR）系統整合，醫師在看診時能透過關鍵字或症狀搜尋相似病例、即時獲得診斷建議，減少醫師自行翻閱文獻的時間。
• 病患風險分級：在門診排程與住院管理時，透過模型預測病患惡化風險，及早安排檢查或住院，降低併發症風險並提升醫療資源利用效率。

1. 臨床試驗與新藥研發的落地應用

• 精準篩選受試者：DeepSeek 可在醫院與製藥公司合作下，快速比對病患基因定序或臨床指標，協助甄選最合適的臨床試驗候選者，縮短招募流程。
• 藥效追蹤與副作用監控：透過模型定期分析臨床試驗數據，預測可能副作用或無效治療組，可及時調整試驗設計，節省研發成本。

1. 本土化模型微調與健保大數據運用

• 結合健保資料庫：讓 DeepSeek 針對台灣常見疾病（如慢性腎臟病、糖尿病、高血壓等）進行在地化微調，進一步提升診斷及預測準確度。
• 偏鄉與遠距醫療：在偏鄉地區或離島的衛生所，借助 DeepSeek 的 API，快速篩檢潛在高風險患者，必要時再遠端連線專科醫師判讀，改善醫療資源分布不均問題。

1. 產官學合作與技術普及

• 跨領域工作坊：醫院、生技公司、AI 技術團隊三方共同舉辦工作坊，實際演示 DeepSeek 的應用案例，邀請醫師動手操作，提出改良意見，讓技術和臨床需求無縫接軌。
• 政策與法規支援：由衛福部推動相關法規調整，在保護病患隱私的前提下，促進醫療數據在研究與臨床上的安全流通，降低醫院與研究機構使用 AI 的門檻。

1. Call to Action
2. 小規模試點：優先在幾家醫院進行 DeepSeek 的試用計畫，實際觀察對臨床決策與醫療流程的加值效果。
3. 跨機構數據共享：籌組「台灣 AI 醫療聯盟」，讓各大醫院與研究機構共同分享匿名化病例與影像資料，壯大在地模型訓練基礎。
4. 推動 AI 醫療政策：政府主導訂定 AI 醫療應用指南，包含倫理、安全與隱私保護等面向，提供業者清晰的發展方向。

— –

📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.