Deepseek在药企研发领域的本地化部署和应用场景.pptx

Deepseek在药企研发领域的本地

化部署和应用场景

2025年03月;

01大模型的发展阶段和deepseek

02Deepseek-R1在药企的本地化部署

03芽仔与Deepseek-R1对接

04AI融入智慧芽生物医药产品;

资料来源：中文大模型基准测评2024年度报告(2025.01.08);

Deepseek出圈引爆全行业的原因？

?基础能力：进入推理模型阶段，跻身全球第一梯队

?推理能力跃升：DeepSeek大模型核心技术突破，实现复杂推理任务的精准处理与高效执行，覆盖多模态场景应用。

?国际竞争力对标：模型综合性能跃居全球第一梯队，技术指标与国际顶尖水平（如GPT系列、Claude等）直接对标，奠定国产大模型的行业标杆地位。

?加分项：开源、低成本、国产化;

Deepseek对行业产生巨大影响

?打破垄断：R1版以低成本和开源特性打破以往头部企业垄断局面。

?价格优势：DeepSeek-R1的API定价仅为行业均价的1/10，推动了中小型企业低成本接入AI,对各个行业产生了积极影响。

?创新：重新定义了芯片和算力对大模型的影响。

?Deepseek的三种使用方式：在软件系统中调用官方API、模型微调、直接使用。;

01大模型的发展阶段和deepseek

02Deepseek-R1在药企的本地化部署

03芽仔与Deepseek-R1对接

04AI融入智慧芽生物医药产品;

Deepseek-R1在药企的本地化部署;

?个人部署：Ollma框架适合个人用户私有化本地部署，但在多用户并发场景下性能衰减明显。

?企业部署：推荐使用Transformers来快速验证模型能力，使用vLLM框架借助PagedAttention技术实现24倍于Transformers的吞吐量实现大模型的高效推理，针对不同企业场景，则提供不同的企业级部署方案。

?其他方式：近期出现的KTransformers、Unsloth等多套低成本动态量化模型的DeepSeek部署解决方案。目前暂不够成熟。

?vLLM部署简单,更适合中小型企业做大模型推理部署,对于大型企业,可以使用配置较为复杂的TensorRT框架。

资料来源：AI肖睿团队，北京大学-DeepSeek原理与落地应用;

Deepseek-R1满血版模型部署方案

?DeepSeekR1模型就成了很多应用场景下的当务之急。受限于DeepSeekR1671B(6710亿参数)的模型规模，通常

情况下部署DeepseekR1满血版模型需要1200G左右显存(考虑百人内并发情况)，需要双节点8卡H100服务器才能运行(总成本约在260万-320万左右)，即便是INT4半精度下，也至少需要490G显存，需要单节点8卡H100服务器才能运行。

?为了实现低成本DeepSeekR1模型的高性能部署，目前大多数方案都采用了牺牲模型推理速度的策略。使用

CPU+GPU混合推理的方式，将一部分推理计算转移到CPU上，降低GPU的负载。由于CPU并不适合深度学习计算，导致模型整体推理速度较慢。;

Deepseek-R1部署方案简介;

01大模型的发展阶段和deepseek

02Deepseek-R1在药企的本地化部署

03芽仔与Deepseek-R1对接

04AI融入智慧芽生物医药产品;

Deepseek出圈引爆全行业：仍有幻觉问题，例如出现专利号需要查证;

为什么需要RAG？;;

芽仔与Deepseek-R1对接;

芽仔与Deepseek-R1对接：分子设计场景，问阳性药与靶蛋白的结合;

芽仔与Deepseek-R1对接：分子设计场景，问阳性药与靶蛋白的结合

问题：根据PDB库和智慧芽数据库的信息，给出药物BMS986278和;

分子设计场景：智能体agent一键式生成分子动力学模拟图

解决方案：自主设计的新分子通过智能体agent快速完成分子对接的过程

?从PDB数据库下载带有hit分子的靶蛋白结构(PDBID:3wzm)，提取A链，移除水分子，作为起点。

?通过与GROMACSCopilot对话，要求其搭建体系，构建小分子力场、建立复合物拓扑、溶解、平衡等步骤后，进行1ns的正式模拟。

?对轨迹移除PBC，根据蛋白质进行旋转平移对齐，最后输出RMSF，并且对