8 月 13 日深度求索发布的 DeepSeek-R2 模型，首次将医药研发的靶点筛选时间从 72 小时压缩至 8 小时，其效率提升对缩短医药研发周期的意义，堪比砍掉一季临床试验筹备时间 —— 这一突破让 AI 在医药研发核心环节的落地效率迈过关键门槛。

从技术参数来看，DeepSeek-R2 总参数达 1.2 万亿，但推理时仅激活 780 亿参数，稀疏度精准控制在 6% 左右。这一设计带来了显著的算力优化：单张昇腾 910B 即可跑出每秒 320 token 的吞吐速度；若以 AWS p4d.24xlarge 实例的按需价格折算，其处理百万 token 的成本仅 0.07 美元，仅为 GPT-4 的 3%（来源：8 月 13 日深度求索发布会公开数据）。这种 “高参数规模 + 低推理激活” 的模式，打破了 “大模型必耗强算力” 的固有认知。

支撑这一效率的核心是 “动态神经集群” 技术。简单来说，模型内置了 512 个专用专家模块，这些模块会在 4 个共享专家模块的协调下 “按需工作”—— 门控网络以 FP16 精度实时判断数据处理需求，确定哪些模块需要协同，再将计算产生的梯度回传给稀疏注意力层，最终实现 “精准激活、减少冗余” 的效果。这一技术不仅让模型在 COCO 图像分割任务中达到 92.4% 的准确率，更将医疗影像诊断准确率提升至 98.1%，为跨领域应用奠定基础。

对 GPU 云主机场景而言，DeepSeek-R2 的稀疏计算带来了显存与集群效率的双重优化：显存峰值从传统大模型的 640 GB 骤降至 96 GB，相同的 AWS p4d 实例可并行处理四组任务；调度器还能将空出的 PCIe 带宽分配给分子动力学模拟，使整体集群利用率从 42% 提升至 78%。“以前一次靶点虚拟筛选要跑满 20 张 A100，现在一张 910B 就能在午饭前收工。” 博济医药高级副总裁李庆云在发布会现场的这句话，直观体现了技术对行业的实际价值。未来，随着稀疏计算在更多研发场景的应用，AI 或将进一步压缩医药研发的时间与成本壁垒。