BD人士AI入门+进阶指南

摘要：春节期间大火的DeepSeek让众多医疗BD人士担忧自己的工作未来有一天是否会被AI取代。如果不能通过AI辅助自己工作的人，在未来很可能会被迅速淘汰。一名优秀的BD如果能熟练掌握各种AI平台，在有效增加自己效率的同时，还可以拓展很多之前不熟悉的工作类型和种类。

对于医药BD人士，AI不仅是一款有用的工具，更是一种思维方式。熟练掌握大模型将是未来医药BD人员必不可少的技能之一。

撰文｜雅法资本张艺林

春节期间大火的DeepSeek让众多医疗BD人士担忧自己的工作未来有一天是否会被AI取代。如果不能通过AI辅助自己工作的人，在未来很可能会被迅速淘汰。一名优秀的BD如果能熟练掌握各种AI平台，在有效增加自己效率的同时，还可以拓展很多之前不熟悉的工作类型和种类。在此，笔者想抛砖引玉，就市面上比较有代表性的几个模型如何在日常工作中，帮助大家完成BD进行对比。

模型对比，到底该选谁？

OpenAI

作为最老牌的AI平台，OpenAI在DeepSeek出来后一度被疯狂看衰。但经过不少实测，OpenAI还是有很多优势：首先是其异常强大的平台DeepResearch以及Operator，代表着目前所有模型里最强大的链式推理能力。

如下图，最近推出的Operator甚至可以替代秘书，帮助你订机票、预定餐厅、网购等。其实ChatGPT在刚上市的几个月内，在Github上就有叫AutoGPT类似链式推理模型工具。

OpenAI最大的挑战是价格昂贵，同时其O1模型没有长期记忆功能，且由于是闭源模型，无法本地或云端打造O1智能体，要使用DeepResearch+Operator需要注册其Pro用户，每个月200美元的价格会直接劝退很多“AI小白”。如果想要类似DeepResearch这样长链推理的能力，也可尝试Grok3模型，在多项LLM测试中，Grok3都跑赢了O1，同时也不需要高额费用。

Claude

亚马逊的Claude是笔者在DeepResearch和DeepSeek出现前最喜欢的平台。Sonnet 3.5模型有着强大的科研理解能力，虽然无法联网，但其内部数据库的医疗成本和数据预测极为精确，做出的模型相当准确。Claude由于没有内置的链式联网模式，导致其编程能力对比其他两个模型较差，在Cursor编程中经常出现bug且无法自我修复。而且对中国用户较为不友好，对中文理解能力不高的同时，对所有国内用户也会经常性查封。

DeepResearch

DeepResearch具备与O1模型相媲美的推理能力，同时其API价格是几位国外竞争对手的1%以内。但由于访问量太大，目前官网的API已经暂时无法使用。需要通过腾讯元宝、纳米AI、阿里云等国内云计算平台来访问“满血版”的DeepResearch，或者部署相应的API服务。

DeepResearch有着最强的中文理解能力，可以联网进行非链式的总结性查找，对比Claude、GPT这样的强伦理模型，DeepResearch对于隐私认知比较奔放，可以协助企业查询客户查找等海外模型无法完成的工作。

由于本身是开源模型，能直接定制DeepResearch模型在本地或云端，并将企业的大量数据输送给它，保持企业数据安全的同时也可以享受具有长期记忆的DeepResearch大模型，其对企业情况的了解是网页版或API版本无法比拟的。

入门版

很多时候，BD去调研海外竞争对手的数据或一些潜在新靶点，传统的资源挖掘者在没有付费数据库的情况下就是Google+Pubmed相结合的形式做大量案头工作。这里AI基本可以完全平替传统案头调研，我们只需要知道一个准则即可：如果过于宽泛，AI在回答开放式问题式的准确度会显著降低。举个例子来说，回答“2025年最好的创新药资产”的准确性

这是因为，首先AI对于好的定义是不知道的，所以一定要给它一个可以明确的定义，如OS数据提升对比SOC最高、开发速度最快等；另一个就是避免Scope过大，最好限定治疗领域、靶点、开发进度等等。这里就需要BD人员对行业有着深刻的行业，AI对经验丰富的BD可以帮助他提升早期调研的效率，但如果对行业毫无理解，单纯通过AI无法找到合适的答案。

这里笔者想着重说一下DeepResearch，这个是OpenAI的链式推理平台，可以直接联网。目前它主要可以接触的数据还是Google可以查到的开放数据为主，而且准确度极高，也就是说，对于已经进入临床试验阶段的海外公司的数据，DeepResearch有比较高的准确度和效率，但对于“水下企业”是无能为力的。DeepResearch无法上载文件，只能通过文字描述需求，大家可以通过R1或O1直接把PDF或者WORD文档的信息进行文字结构，然后给到DeepResearch进行调研。

例如，我帮助母亲撰写一篇神学论文，由于神学几乎所有的数据都是开源的，导致DeepResearch的效率非常高。

在DeepResearch开始调研前，它几乎都会再次确认一些问题，帮助更好的定位你的需求。然后模型就会开始工作，在5~30分钟左右的时间就会完成调研，期间你可以挂机去做别的事情。对于严肃的学术工作，reference也是必不可少的。

如果要调研配套的资料非常多，一个PDF无法解决，这里可以在Claude或者GPT的项目栏创建一个项目，项目可以上传非常多的文档，这些文档在AI做分析时都会被引用和考虑进去，增加context的准确性，但在GPT里项目栏是无法访问最高级的推理模型DR的，在Claude中则没有这方面限制，所以推荐大家在背景文档较多的时候选择Claude进行初步分析。

在调研完以后，很多时候BD需要对市场进行预测，这里也可以借助DeepReseacu来完成。首先，可以在任意平台上传你想预测的资产信息，然后让AI进行文件的文字解构，主要包括资产的数据，适应症以及进度，然后在让输入这些信息给到模型，要求输出一个rNPV模型以及所有的假设和参数，这里面所有的参数如果不确定，可以让DR单独调研，比如“非小细胞肺癌在美国的年治疗费用” “前列腺癌在欧洲的病人数量” “ADC GLP毒理实验成本”等等，确保所有的参数都有较好的数据支撑，然后让AI通过VBA的形式直接输出模型并在Excel上录入这块VBA代码，rNPV模型就可以完成了。

AI 进阶版

这里大家可以明显发现网页版的调研，哪怕是最贵的DeepResearch也有很多限制，包括无法访问付费数据库、无法上传文档、没有记忆等等问题。如果仅仅是单人访问，或者对应的文档和数据比较小，可以通过GPT和Claude的项目功能解决。但如果访问人数众多，数据背景巨大，可以通过一定的编程或者本地化部署来解决问题。有医疗内容作为背景数据的智能体的公司，最近也在一级市场大放异彩，数家公司都有千万级别的融资。但搭建一个丐版的医疗AI智能体，其实都不需要花钱，也不需要大家有高级编程背景。

这里我推荐大家还是尽量采用云计算的方式而不是本地化部署，本地化除非有非常强大的设备，单纯的笔记本和台式机只能跑得动参数最少的DeepSeek，智能程度和网页版差异太远。

本地化部署

但如果大家来自于预算充足的大型企业，当然可以尝试本地化部署，只需要去Github上下载DeepSeek模型https://github.com/deepseek-ai/DeepSeek-LLM，然后去HuggingFace下载模型参数https://huggingface.co/deepseek-ai/DeepSeek-V3，通过AI编译软件Cursor（如果有编程背景，可以试用ANACONDA）对上述部署步骤的指令的编程，这里需要大家有一定的技术理解，包括CMD命令行调用的基础功能。

更简单的方法，对于毫无电脑背景的可以用Ollma(https://ollama.com/)，安装成功后在CMD直接输入ollama run deepseek-r1:1.5b命令，下载最简单的DS参数模型，当然如果设备足够强大，也可以提高参数数量。然后下载软件AnythingLLM（https://anythingllm.com）, 这个软件可以把我们的PDF文件这样的数据变变为RAG（Retrieval-Augmented Generation）数据，由于下载了DS模型，可以在AnythingLLM的UI中选中DS并上传文件，目前测试支持的文件有PDF, txt, csv, excel, 音频。上传完毕后就可以让文件转移为向量数据。然后就可以在AnythingLLM里面直接询问DS刚才你上传文件的相关内容，模型就应该已经对你的数据有更深的理解，也会基于你的数据智能分析回答问题。

（截图来自腾讯云分享）

云端部署

当然，最简单的办法可以去目前主流的云计算平台，包括阿里云、腾讯云、华为云，都有现成的RAG+DS解决方案，这里我们以腾讯云为例：

如果不知道选择哪个，可以把你的需求和预算直接告诉DeepResearch，他的决策会更专业。如下图，可以通过网页直接进入云DeepResearch 点击窗口里面的Anythingllm就可以和本地部署一样上传你的数据了，如果你的云部署只是一个人使用，且使用频率不大，甚至可能不需要支付计算费用。但效果却比本地部署在普通办公用电脑的效果好得多。

在DeepSeek出现后，其实LLM大语言模型的搭建本身已经没有任何成本。而搭建一个优秀的智能体的核心还是结构化数据体量的大小，毕竟后端不管是模型的fine-tuning调参还是大语言模型本身的革新，都会由云计算公司或者LLM公司直接解决，开源的模型成本低廉而云计算的成本对比传统人力也是相对便宜，那么本身具有庞大embedding数据的大型药企将拥有大量临床/临床前数据，类似于医药魔方/IMS这样的数据公司拥有大量的管线数据，而药明这样的CDMO公司有大量的分子数据，都可以利用智能体有效提升公司的内部效率，而医药数据本身极度缺乏公司间的互通性，也不开源，也没有点对点的数据接口，所以未来可以预见会出现结构化数据的军备竞赛，甚至不排除腾讯这样的云计算公司直接推出的垂直解决方案，毕竟对于TMT巨头这些子领域的数据获取成本与算力投入来对比不值一提。

总结：

我们从网页版的GPT、DeepSeek、Claude的应用，以及本地化部署和方法都初步做了一些总结，由于医疗数据本身有较强的隐私和封闭性，推荐大家学习如何系统的做好本地化/云端部署，让大模型更好的服务于团队以及公司。

对于医药BD 人士而言，AI 不仅是一款有用的工具，更是一个思维方式——如何高效检索并分析信息，如何用数据支撑商业决策，如何拓宽自身能力边界从而占据行业先机。无论从个人角度快速完成案头调研，还是团队层面部署智能体进行深度分析，熟练掌握大模型都将是未来医药 BD 人员必不可少的技能之一。

希望本文能帮助更多 BD 同行快速上手并不断探索 AI 带来的新机遇，真正发挥“人机协同”的最大价值。祝各位在新的医疗商业竞争中脱颖而出，持续为企业和行业创造更高价值！