Transcription
美国医生每周工作62个小时
大部分时间居然不是在看病
而是在跟保险公司
还有文书系统作斗争
AI到底能不能解决这些问题
Hello 大家好
欢迎收听《硅谷101》 我是泓君
从2025年底到2026年刚开年
AI医疗就打起来了
OpenAI发布了ChatGPT Health
而Anthropic它也紧跟着推出了
Claude For Healthcare
一家叫OpenEvidence的创业公司
年收入才1亿美元
但是估值却飚到了120亿美元
它凭什么
我们普通人现在问AI看病
到底是不是靠谱
我们这集就来聊一聊
美国万亿医疗市场的“AI争夺战”
今天跟我在一起的嘉宾是
Fusion Fund的创始管理合伙人张璐
Hello 璐 你好
泓君 你好
还有一位也是我们的老朋友
他是遗传学博士
美国药企免疫学的研究员
《说医解药》播客的主理人周叶斌
Hello 叶斌
嗨 大家好
今年其实是一个AI医疗的大年
我发现不管是中国
还是美国的这些模型厂商
都在开始做医疗了
璐 你应该也是刚刚从1月份的
J.P. Morgan的大会回来
你要不要先跟大家总结一下
这次大会你有发现一些
什么样的新的变化
对 每年1月份的
J.P.Morgan Healthcare Conference
基本上是美国全年最大的
一次医疗盛会
而且它不只是讨论医疗创新
它其实更是一个全产业的聚会
但今年可能我觉得
有更大一点不同是说
大型的药企和医疗公司
它的思维理念和前一年
是有了一个本质的改变
之前可能还会有很多讨论是说
要不要和AI进行整合
现在很明确的是一定要整合
而且整合的力度也非常大
效率 包括速度也很快
当时在大会期间
其实有一个比较重要的发布
就是Eli Lilly和英伟达
做了一个战略合作的发布
所以他们会在两边
进行非常深度的合作
而且拿出的预算初步宣布的
就是十亿美金的体量
我们也有几个初创企业
其实本来就在和Eli Lilly还有英伟达
两边都在合作
他们新的项目成立之后
整体整合的速度是非常快速
也非常惊人的
包括我和一些比较大的
医疗公司的CEO在聊的时候
经常会听到他们提到的一个概念
就是公司内部已经成立了
像“人工智能大学”这样的机构
他们会要求全公司的员工
包括管理层还有董事会层级的人
都要去参与课程的训练
去有一个基础的人工智能培训
和人工智能的了解
更好地通过人工智能
这样的一个工具去处理医疗数据
挖掘医疗数据的价值
推动一些新的项目的发布
和医疗创新公司的合作
对 那叶斌
因为其实你在药企
自己也是在医疗体制内的
你自己有觉得今年大家在讨论
“AI”这个名词的时候
有讨论得更多吗
有 其实我们现在平时也有在应用了
在医疗公司里面一个挺明显的就是
药企一般还是比较讲究保密性的
一方面他可能对于外面的模型
他会有一点谨慎
就比如说你的资料
能不能上传到ChatGPT
显然基本上应该都是不行的
但另外一方面
他也希望能够引入这样的
他往往有自己做一点
公司内部可以使用的
比如说是Microsoft 它的Copilot
除了药企之外的各行各业都在使用
哪怕是医院
他们采用的一些信息的服务商
都在引入AI这一块
这个几乎就是不可避免的
只不过就是如何是最好的使用方式
这个现在还都是在探讨当中
Eli Lilly好像前两年还开放了一个
自己的AI平台
就说你们其他小公司也都能来用
这个也提出一个挑战
就是有些小公司可能觉得
如果我加入到你的平台
我的信息是不是交给你了
但另外一些公司或者会想到的是
这样是不是我能够加强和礼来
这样一个大药企的合作
现在也确实算是一个
百花齐放的状态
而且除了大家提到的礼来跟NVIDIA
10亿美元AI药物研发实验室的合作
其实我注意到
在这次J.P.Morgan的大会上
Anthropic它也推出了一个
Claude for Healthcare
还有一家创业公司
叫做OpenEvidence
它现在的估值也到了120亿美元了
可以说今年是在整个AI医疗领域的
一个非常大的独角兽
我其实也不知道ChatGPT
它是什么时候上线的
GPT Healthcare
我是有一天突然打开网页的时候
就发现它上线了这个功能
而且它是ToB跟ToC两边都有
所以现在看起来
确实在2026年的这个一开年
医疗领域跟人工智能的结合
它是打得火热的一个状态
待会儿所有我们提到的这些公司
其实我们可以一个一个分析一下
看看它们的商业模式
跟它们不同的
怎么用AI去跟医疗结合
有一个非常详细的分析
在此之前我想跟各位也讨论一下
就比如说从医疗体系看
现在中美医疗它的痛点在哪里
叶斌 因为你在药企工作
平时从你接触到的医生来看
你觉得他们痛点是什么
比如说是不是
花在行政文书上的时间
比面诊还要多
其实我太太就是医生
所以我这个比较有（发言权）
她也经常和我聊到这一些
挺明显的就是
我昨天还去查了一下
去年10月份的时候有一篇论文
跟踪的是MGH
就是Mass General哈佛医学院
他们的附属医院
全科医生的一个工作状态
最后发现 全科医生每个礼拜
平均工作时间是61.8个小时
这是非常长的工作时间
相当于是你可能只有单休
然后你剩下的6天
每天要工作10个小时以上
但是另外一方面 我们也都知道
一个全科医生
平均每天其实他也就看
20到25个病人
已经算最多了
最常见的很多
实际上只有15到20个病人
那么他每个面诊的时间
大部分时候其实也就在15分钟左右
你能超过25分钟是非常罕见的
如果我们把每周工作61.8小时
其实平均到每个病人
每年要花1.7个小时
但另外一方面
他其实看这个病人的时候
我们都知道 没有那么长时间
中间的大部分时间
显然都不是在给病人看病
主要是看病引入的其他工作
像刚才泓君说到的
行政工作是很大的一块
他要和保险公司处理很多事情
他看诊的记录要记录下来
这带来很大的一个问题
一个是效率的问题
像美国医疗最大的一个成本
其实是行政成本
既不是药价
虽然现在很多人说药价是很高
这也是事实
但是主要的成本是在医疗这块
医生他们花很多时间在行政上面
另外一个 由于工作时长长了
也造成一个比较现实的（问题）
就是美国这里的
在英文里面叫Physician burnout
你可以理解为医生过劳
工作时间太长
让他觉得没有满意度
因为你可以想象
很多人去读医学院
不是为了在那里处理行政文书
不是为了跟保险公司打电话 交涉
他希望去看病 去治疗
这个就会导致很多医生
他的心理上面感觉特别的疲劳
这都带来很大的问题
对 你刚刚提到
医生在行政问题上花的时间很长
它为什么这么长呢
是因为他要跟保险对接
还是说整个美国的医疗体系
在不停的模块化的时候
它其实用于流程的时间会越来越多
是的 就是用于流程的越来越多
其中和保险（打交道）是很大的一块
因为像保险里面有一些治疗
你需要有事前授权
那就是事先要经过保险同意做这个
否则的话这个钱是报不了的
那就有谁来付钱的问题
另外一方面 作为一个医生
比如说一个手术
他看病之前需要先看一下
他的病历情况是怎么样的
看病之后他还要做一个记录
这些都会引入很多的行政工作
美国这个医疗本身又比较碎片化
一个新的病人过来
有可能他原先的电子档案
另外一家医院用的
和你这个稍微不一样一点
甚至是一样的
或者大家的记录方式不一样一些
都会引入很多的很琐碎的工作
导致整体来说
医疗方面
我们这个行政的时间和成本
都非常的高
对 我觉得叶斌总结得很好
其实在美国比较大的一个问题就是
EHR的这个系统
本来是为了让我们更好地
做自动化和数据化
但是它反而让医生花了很多时间去
有点像一个记录员一样
把很多信息转成数字化的记录
还要去审核
这样的一个流程
就会导致医生
他其实付出了很大的时间
但你会发现
最后他日常做的工作
他是一个巨大的资源错配
就你为什么让这样高成本的人力
在做一些低价值的重复的劳顿
但现在这就是医疗系统里面
存在的一个巨大的问题
包括现在我们能看到
美国这么多的医院
它大部分都是不盈利的
也面临一些比较重大的
财务层面上的问题
而医生的数量现在又不够
其实现在全美国都进入到了一个
缺少医生的状态
这也是因为很多医生会觉得
我都每周工作60多个小时了
但可能只有1/3的时间是在面诊
去在实际做医生的工作
剩下的全都是行政工作
再加上和保险公司打交道
确实很复杂
像事前授权
还有另外一个
叫医疗编码
医疗账单
也就是到后面索赔申诉的过程中
其实有一个数据是很夸张的
这也是为什么之前大家会看到
美国民众对医疗公司
有这么大的怨言
因为现在整个医疗的支付系统
它非常的复杂
比如说医生他要花很多时间
确保医疗编码是做得正确的
让保险赔付这个过程能够流畅
但是还是会有很多赔付的要求
会被拒绝
被拒绝的这些支付的要求
只有10%左右会进入申诉的过程
但是进入申诉的这些诉求
它80%都会被推翻
也就是说它实际上是应该被支付的
为什么有这么高的一个推翻比例呢
就是因为实际上
它被拒绝支付的原因
不是医学的问题
它是一个文书和流程的问题
所以这就给医生带来了更大的压力
他如果不把
文书和流程过程中的错误
减少到最少
他可能会导致他的病患
要经历这样的一个流程
去获得保险公司的支付和赔付
这样的话你会发现
在医疗账单
医疗编码层面上
花的时间很大
但是这个层面不应该是医生
浪费这么多时间去做的
我记得我之前有一个创始人
他为什么会出来做这家公司
就是因为他以前是洛杉矶
非常顶尖医院的一个急诊室医生
他有些时候就觉得
他前一秒可能还在拯救人的生命
因为急诊室来的人
都其实是一个生死存亡的阶段
他完成了这些工作之后
还要在半夜
可能凌晨3点 凌晨4点
站在传真机前面
去处理这些医疗编码
他就觉得自己的时间
简直就是完全错配
这也是为什么他辞职
要去做相关领域的初创企业
所以我觉得这点是
大家可能没有意识到的
医生的一个困境
其实还想给大家分享一个
宏观的数据
在我们人类社会里面
所有产生的数据里面
有30%是医疗相关的
但这些数据其实很多
现在也在被数字化收集起来
但我们现在真正去应用使用到的
连5%都不到
而在美国的话 整个医疗体系
又是美国GDP的20%以上
所以这是一个巨大的潜在的“金矿”
现在也是到了一个
非常好的时间节点
整个产业愿意去合作
这也是现在一个非常好的时机
去做医疗AI创新的原因
对 然后你刚刚在提到的
美国医疗的这些行政问题
保险问题 流程问题的过程中
你觉得我们刚刚提到了一些
创业公司
有哪些他们是在解决这些问题
其实还比较多
包括Claude
Claude它和Anthropic
它们做的Claude for Healthcare
和其他的几家不一样的一点是
它其实是在针对做很多
比较基础的设施的一个路线
比如说是针对医疗账单 医疗编码
还有它的HIPAA系统的明确性
还有一些合规的和连接层的
API的需求
这是它做的一个方向
所以这个方向
虽然它不是一个特别性感的
直接通到应用端的或用户端的
技术解决方案
但其实对于医疗行政成本来讲
是比较关键的一层
很多初创企业关注的方向
也是跟这个方向相关的
当然核心是我刚才提到的
最重要的医疗账单和医疗编码
这两个层面
本身就是一个巨大的市场
另外一方面
它用AI做自动化也相对比较好做
因为它没有新的数据生成的需求
它更多是一个基于规则的
人工智能的应用
所以它的解决方案相对比较简单
但是它的系统植入的过程
可能需要的时间长一点
因为你还是要
符合现在所有医疗系统
包括保险公司对于很多合规的需求
连接层的一些需求
哪些数据怎么样去托管的一些需求
所以这个方向我们会看得比较多
另外就还是数据隐私
像我们有一家公司
它就是我刚才提到的
和Eli Lilly还有英伟达
都在重点合作的一家公司
它做的就是有点偏向于
数据隐私的方向
但它做的是联邦学习
叫Federated Computing
所以它的Federated Computing系统
第一步就是植入了美国
可能60多家大型医疗体系
这样的话 医院就可以
在安全的语境下
把自己的内部数据分享给第三方
包括互相的一个合作
它不用在物理层级上转移
或者是分享自己的数据
它可以直接通过联邦学习的平台
进行数据的共享
所以这个Federated Computing
它其实在某种程度上
也解决了像敏感数据合规的问题
所以现在在整个医疗领域
推行的速度很快
这家公司也是Eli Lilly
重点合作方之一
而且他们和ChatGPT也合作了
因为ChatGPT
他们也开始做医疗层面上的应用
所以怎么样可以把合规这一层
先去解决掉
对于他们铺设应用层是很关键的
这方面的技术解决方案
在医疗领域推行的速度
还是比较快的
对 你刚刚提到的
这个医疗账单跟医疗编码
账单我可以理解 编码是指什么
比如说最糟糕的一个情况
就是一个患者去世
那么他的死因你就要记录
在医疗里面很重要的就是
你来记录下来
这个患者中间发生了什么样的情况
这些都是医疗编码
相当于是有一个代码你要输进去
你这里面如果出错的话
都会影响到后面保险
甚至怎么确定你这个医生
在里面到底是犯了错误
还是整个医疗过程是没有问题
都会有非常大的影响
对 但是刚刚璐你提到了
Anthropic 它的Claude
它其实是在解决这一块的问题
刚刚听叶斌的意思是
它其实就是要详细记录
你的医疗过程
当出了问题的时候
第一是看它的病例
是不是在保险赔付的范围内
如果真的有医疗事故的话
到底它的事故是医生 医院
还是病人
它有一个责任界定
其实也不是 医疗编码
还是要把它理解成一个
有点像翻译的感觉
叫医疗编码
就是把医生的诊断和治疗行为
翻译成一个标准化代码
比如说有诊断的代码 操作的代码
诊断就是说你得了什么病
如果你是得了高血压
它有一个代码 比如说是I10
如果你是糖尿病
它有对应的一个代码
就像在中国你有个病历本
上面会写你得了什么什么病
但是保险公司它只认代码
比如说医生他写
这个病人得了高血压
但是他的代码标错了
保险公司是只看那个代码的
还有操作
像我们经常讲的CPT-Code
医生做了什么
比如说他是让你去做心电图
做MRI CT
医生也需要把这个代码
它是有一个数字
比如说9000 8000 8300这样的
去给你标上去
包括你一些特殊的医疗项目等等
比如说像救护车
就属于特殊的医疗项目
所以这个翻译的过程很重要
如果你的代码错了
保险就会第一拒付
拒付之后医院就要去申诉
它收款的周期就会拉长很多
从医院的角度
你想 它提供了医疗服务之后
它其实是要等着收款
来去支持它日常的运营的
所以医院就会给到医生压力
这就是为什么很多时候
大家只知道医疗账单
但是很多患者没有意识到
医疗编码其实是非常核心的一环
而且它是非常非常巨大的
它是几十亿美金级别的量级
而且它会直接影响
像我提到的
比如说医院的营收
如果你的编码错误比较多
那对于医院的评估也会受到影响
而且如果你这个代码
他会觉得说你还编码过高
他会罚款 还觉得说你有欺诈风险
所以你会发现这个过程
它其实一点都不复杂
但是对错误的容错率又非常低
那它对于AI来讲就非常合适
它首先规则很明确
它又是个结构化的任务
它又是一个大量重复的任务
它是有一个明确答案的
你是高血压就是高血压
你的代码就是这个
所以我们其实看到一些
做编码的公司
说实话 都不一定需要用生成式AI
其实它就是基于规则的 你想想
它是很简单的
这样的一个对应的过程
它可以自动从你的病历
提取诊断信息
然后去匹配代码
当然用生成式AI的话
你还可以检查说
是不是Supporting documents
就是你支撑的这些材料
是不是足够的
或者说你还可以再做一些预估
比如说我们现在提交的这个
是不是可能会有被拒付的风险等等
这也是为什么Anthropic
看到这个巨大的机会
来去做这样的一个解决方案
你知道它做的是
具体的哪几个环节吗
它有做编码
Feature好像有一个是专门
是针对ICD-10的
一个比较基础的诊断代码的应用
HIPAA的合规这方面
它其实也有一个具体的解决方案
HIPAA合规
大概是一个多大的市场量级
叶斌你要不要也跟大家解释一下
HIPAA合规在美国是什么意思
HIPAA其实就是关系到
我们的一个医疗的隐私
这是非常重要的
HIPAA合规可能是这个
能不能进入医院的一个关键
如果不合规的话可能就进不了
比如说我太太在医院里面工作
她和其他人
聊到这个病人的情况的时候
哪些信息是可以告诉谁的
哪些是不能告诉的
比如说患者的姓名 这些
可能就是你不能说的
如果它根本就不是HIPAA合规的
比如说ChatGPT
医生能不能就把一个
病人的整个病历给传上去
那显然是不行的
一旦传上去之后就违反了那个HIPAA
被发现的话那是很严重的问题
在制药公司里面也是一样
药企每个员工
都要进行你的HIPAA的培训
保证在医疗方面的隐私数据
你能够达到美国这边的法律规定
对 HIPAA它其实是一个
保护医疗隐私数据的联邦法律
它其实存在很多年了
我记得是九几年的一个法律
它违规的处罚是非常高的
可能是百万美金级别的
而且很容易就触发集体的诉讼
我记得当时OpenAI公布了一个数据
其实很惊人
他说每周大概有2亿多的用户
是在OpenAI的ChatGPT上去问
和医疗相关的话题
这也是为什么
他想专门发布一个产品
是针对ChatGPT Health
而且他很明确地说
如果是ChatGPT Health
你在这里面的对话
它不会用于训练模型
这个也是为了HIPAA合规
我了解了
对 我刚刚还在想
我说ChatGPT Health
它是一个特有的模型
比如说针对医疗系统做过优化的
还是有什么其他的
为什么它跟大模型不能并行去解决
所以我理解它有一个特征
就是它的隐私保护是更好的
对 是的
而且它其实
在Health的层面上的数据
和它普通GPT的那个数据是隔离的
它也不会混到一起
当然这是他公开宣布的
他也强调他跟医疗相关
这个ChatGPT Health的对话
是不用于训练模型的
Anthropic
因为他做的
其实是更偏向于基础设施层面的
所以他们明确的就是说
他们一定是
提供HIPAA合规的云部署
因为云部署主要就是三个平台
AWS 谷歌和Azure
这三个层面上
他说他很明确
一定是HIPAA合规的部署
而且非常强调说
你的企业是有直接控制数据的
比如说我是一个医院
我用了Claude for Healthcare
但是这个数据的控制
一定是在我手里
而且他再去连接这些
我们刚才做coding的数据库的时候
他说他一定连接的是官方的数据库
所以他提供的是一个
企业的底层解决方案
在某种程度上
它可能也会避免了更加复杂的
因为如果你和用户端的话
你可能产生的这个应用场景
会更加多样一点
造成的这种隐私相关的风险
会更高一点
所以我其实觉得Anthropic
在Claude for Healthcare
这方面的打法
还是非常非常聪明的
对 我确实觉得在大模型
走向垂直领域的应用的时候
在美国这一点尤其重要
包括它不仅仅是在医疗
可能在法律
在各种涉及到用户敏感数据的行业
它可能都是一个门槛
大家担心的第一个问题
就是隐私的问题
是的 所以这也是导致
确实在医疗AI这个领域
你会发现很多早年的公司
它会直接是做面向消费者的
或者说更偏向于轻诊断
或者是生活方式
但是其实你真的要去
抓住这个巨大的医疗AI市场
还是要去符合所有的
这些审批合规的一些过程
才能够抓住这个最大的市场
很多AI创业公司它就从一开始
不仅要考虑它的AI模型能力
应用解决方案的整合能力
它也要考虑安全团队 合规架构
还有相关的审计
法律层面上的考虑和整合
还有你在和医疗企业
还有医院去合作的时候
它确实还会有一个安全审查的周期
你也不能够随便抓取所有这些数据
去做模型训练
就像你讲的
为什么在医疗领域我们看的公司
都是这种小语言模型
它不是大语言模型
它做小语言模型
一方面是说
它的数据质量确实比较高
它可以通过有限的高质量的数据
进行特定应用场景的优化
但更重要的是小语言模型的话
你在未来可以有可能
去做本地化部署
本地化部署的话
在隐私合规这个层面上的空间
就会更大
对 刚刚我们是分析了
Anthropic切入的模式
我们再说一下OpenAI
我注意到OpenAI
它其实同时推了两端
一端是它的ChatGPT Health
就是我们刚刚提到的
它是面向于普通用户的
大家可以通过连接自己的
苹果手表的健康记录 医疗记录
包括自己的锻炼数据的记录
在上面去问一些健康的问题
还有一个就是它是
ChatGPT for Healthcare
它是面向于医院的
我注意到有6家医院
是跟他们进行了一个首批的合作
你们怎么去看OpenAI
它切入医疗的这个模式
我的问题其实可以拆分成两个
一个是它To C的这一端
除了可以更加保护患者的隐私
它还有什么特别的吸引力
然后To B的这一端它是怎么合作的
其实OpenAI 它做Health
我觉得有两个动力
一方面是因为OpenAI其实从去年
就开始在考虑说
自己怎么样向ToB去转向
因为C端的话
确实付费是一个巨大的问题
而且To B其实你就要看
哪个市场比较巨大
而且它有海量的高质量的数据
适合去做初始的To B的这些整合
医疗当然就是一个巨大的市场
一方面美国GDP的20%
都在医疗系统
30%的人类社会的数据医疗相关
现在应用得比较少
不代表它没有数据化
它其实在医疗系统里面
数据化的程度是非常高的
也是得利于我们刚才提到的
这些非常巨大的行政压力
医生就有点像做这种数据的整合
数据的生成
还有数据的标注的过程一样
他把这些数字化的数据
都在EHR的系统里面
还有包括在医院的体系里面
所以我觉得从OpenAI来讲的话
一方面是希望在To B层面上
通过医疗体系
去进行一个巨大的商业化的探索
增加它的To B的收入
二来 这个行业的数据也是
海量的 高质量的数据
我们也提到过
OpenAI它其实现在面临的一个挑战
就是怎么样可以去进一步地
提升模型的能力
在现在这样一个
大量的数据基础之上
数据的质量比数据的数量更重要
所以C端持续去加更多的数据量
可能对它的模型能力的提升
是非常有限的
但是如果是在B端
可以去通过To B的推广
拿到更多的高质量的
比如说医院内部的数据
对于它模型能力的增加
是非常有益处的
所以这是一个商业化层面上的探索
同时也是一个
模型能力战略层面上的一个探索
对 叶斌有补充吗
璐说得非常好
我们说了很多行政
但医学本身也是一个科学
每天都有大量的文献出来
这就有大量的知识更新的一个过程
在过去 医生反正他每年
都要去修多少个这样的学分
相当于你在了解最新的知识
但这个过程肯定也是不平均的
不是每个医生的知识
都更新得很快 很及时
或许你同一个医院看不同的医生
也可能给你的治疗方案
也会稍微有不一样一点
ChatGPT for Healthcare
我至少看到他们的介绍
似乎是这两个方面都有提升
一个是行政方面的
事先授权的文书
它帮你来撰写
另外一个方面
它是可以有很多大量的研究
公共的一些诊疗方案
比如说看到一个病人之后
它可以帮助你
设计一个可能比较好的诊疗方案
但我个人觉得
这两个方向
无论是把最新的诊疗方案
保证你每个患者 你的诊疗
都是尽量得更加合理
还是在行政成本上面的降低
对整个医疗
显然都是非常有意义的
对
刚才因为讲了好多
ChatGPT for Healthcare这个C端应用
但我可能要补充一点
OpenAI它其实也专门强调了
它C端那个产品
它有非常明确的免责声明
它非常明确说你还是要咨询医生
它并不进入诊断领域
所以它其实还是要控制
它的医疗风险
所以从用户向来讲的话
也不要完全去信它
因为它还是很明确说它不承担责任
这也是为什么它在C端的产品
它其实会觉得自己的灵活度会更大
但是B端就不一样了
它希望当然是未来成为
医院级的AI操作系统
并不是一个工具
它想直接去准入到工作的流程
成为基础层
甚至说它现在其实很大的一个趋势
就是Agent 智能体
它希望成为一个开发平台
可以让医院在它的这个平台上
去开发各种各样的智能体
所以我觉得它的野心还是很大的
而且刚开始
如果我们看到其他的一些
Healthcare AI的应用的话
它其实可能会是一个独立的APP
独立的一个产品
但是OpenAI它是希望说
我可以跟你内部EHR的工作流程
直接去整合
我直接去给你自动总结
自动补充资料 解释
但是这个过程
很有意思的一点是什么
大部分医院用的软件系统
其实是微软
微软现在在ToB层面上和OpenAI
其实是有一个竞争的关系在的
所以它想嵌入工作流程
但微软的产品
已经是在工作流程内部
嵌入到里面去了
所以我们也会很有意思
我现在其实也在关注
微软它的反应会是怎么样
就比如说像病例自动总结
这个对于微软来讲
如果说医院医生用的都是
Outlook的系统
Microsoft的整体系统的话
Office系统
其实它是一个非常容易的
内部增加的一个新的功能
而不像OpenAI这样
你还是要去进行整体的系统整合
OpenAI它现在也在说
我们是一个开发平台
医院也可以在上面构建
你自己需要的这些智能体
像我们刚才提到的这个编码
这个医疗编码
还有辅助沟通
你都可以在我们的平台上
去建立新型的智能体
所以你会发现
它进来还是一个生态打法
它虽然一开始有应用端比较多
但它还是进来说
我希望成为你所有的一个生态
野心当然很大
而且生态打法可能也会
对于他们未来的价值最高
但我并不知道
这样的一个生态打法
对于医院的接受度有多高
其实现在它合作的医院数量
还是比较少的
我记得斯坦福这边
是儿童医院在跟它合作
但目前还没有听到比较多的反馈说
这个整合速度有多快
对 我觉得这个还挺有意思的
感觉美国这些大的巨头
他们其实是在抢占AI的
我可以理解是他们的一个SaaS系统
而且你刚刚提到说
现在整个医院他们用的系统
是现在微软的Outlook
因为其实现在整个模型的质量
它们已经在慢慢地拉平了
它们如果能在
不更改现有基础的情况下
只是升级软件
让Outlook有各种的医疗总结的能力
其实我觉得也可能是走得通的
所以这一块竞争
还是感觉蛮火热的
对 而且其实你能看到
最近还有好几个
开源生态模型的发布
所以你会发现
可能在过去这些年
现在是开源模型能力
和闭源模型能力的
彼此之间的差异最小的这一段时间
开源的这些模型既便宜又好用
对于很多高监管行业来讲
他们确实也有可能去考虑
有些太敏感的数据 太敏感的应用
是不是可以以低成本的方式
直接自己内部去建
或者说初创企业
可以以更加低成本的方式
更快速的迭代方式
把这些应用场景搭建起来
然后去和这些行业进行合作
只是说在这个基础之上
我们要考虑为什么要做小语言模型
做特定的垂直领域的部署
就是因为你要消除幻觉
在医疗领域的话
你不像C端的应用
你对幻觉是没有容忍度的
所以这也是为什么
我们现在虽然看到很多公司
去做医疗相关的AI Agent
但我们总是需要 叫人机回环
就是你还是需要医生
医生去使用它
而不是说用它去替代掉医生
我们刚刚分析了
OpenAI与Anthropic
这两家巨头在医疗领域的动作
那接下来
我们聊一聊开头提到的创业公司
OpenEvidence
我觉得它也是今年
整个医疗领域的一匹黑马
2026年1月份的时候
我看它的估值是达到了120亿美元
然后有40%的美国医生每天都在用
它比较有特色的一个事情是
它是跟美国的顶级的期刊检索综合
然后带出来的一个回答
而且它跟期刊之间都是签了一些
独家内容的合作的
大家怎么看
它从训练数据上跟模型上
相当于它是一个
帮助医生的模型 对吧
对的
美国的医生通过这些顶级的期刊
还有一些国家的一个标准的
最新的诊疗方案
如果医生遇到什么问题
它可以直接去问
然后它会给出一个
基于比较强的医学科学权威证据
来给出一个回复
它解决的一个问题
我觉得或许是
如果我们去问ChatGPT
有时候问一些医学问题
它确实会出现幻觉
或者它找的医学证据的层级
可能是有一点问题的
比如说我太太也试验过
就是让ChatGPT帮我综述一下
这个领域最新发展的什么
它就有时候会出现它的幻觉
它会编出一些文章
它说发现了什么东西
那个在医疗领域里面
肯定会有很大的问题了
特别是如果医生
比如说我遇到一个糖尿病的病人
现在的诊疗方案应该是怎么样的
如果这时候你出现一个幻觉
那后续的问题就非常严重
OpenEvidence我理解
如果它用的完全是最顶级的
权威的期刊
然后又限制在了标准的诊疗方案
那么它把它的数据的质量
以及它的回答的质量
都控制得非常好了
同时它也针对的目标人群非常简单
它就是针对医生
甚至它针对医生也就做一件事情
就是你需要最新的知识时
我就给你最新最权威的知识
没有别的想法
它不是要给你做其他很多东西
最后让它这个质量
可能是非常的稳定
这或许是为什么它现在那么成功
有那么多医生愿意去使用它
那我理解
它这个不就是一个开放的
把这些资料输入进去
一个更加智能的搜索库吗
只是说你这个搜索
融入了更多的智能而已
就像你刚才对它的一个评断
它其实是一个高度优化的RAG
就是一个检索的架构
从医疗领域的应用来讲
对幻觉容忍度很低的
同时医生对于它很多的引用
还有信息
它是需要非常精确的
所以其实你可以想象说
它这个RAG的架构想做成的一个结果
就是它相当于是把这个模型
有一个比较好的限制
去保证它不要自由发挥
不要有幻觉的内容
你所有的内容必须是来自于
你检索到的那些授权的内容
另外它不是也有很多授权的信息吗
它在里面去找的这些信息
都是高度准确
而且是高质量的
最后你的这个输出
就是给医生提供的输出
你必须是有它的出处
它就可以保证它的正确率
在这样的一个应用场景
你会发现说
它能够做到的结果
就是它基本上可以去降低
或者消除幻觉
内容也是非常高质量的
它是一个结构化的检索
它不是一个随机的检索
而且它也没有这种所谓的
我们经常讲
生成式AI的这种创造性的推理
所以它的模型优化的能力
主要体现在
比如说它一来就是你说的
这个检索和筛选
它只接入了高质量的
医学的信息和数据库
所以它没有不相关的
或者甚至我们说垃圾信息的影响
同时它其实还是针对这个医疗场景
去进行了优化
你在医疗场景对话的内容
应该怎样进行专业度的对话
和你实际上用无论ChatGPT
Anthropic Claude
会进行的这个语境
还是不太一样的
当然我知道大家现在觉得
它也是一个比较火爆的公司
然后估值也很高
但我并不觉得
它是一个具有核心AI能力的公司
当然它做了很好的RAG的架构优化
我觉得它的核心的一个竞争能力
实际上是它的信息 是它的数据
它能够拿到这些高质量的
医学内容的授权
而且它又在很短的时间之内
进行了很快的大规模的
对于医生使用团体的渗透
所以现在使用率也很高
所以它并不是说去问诊或怎么样
它其实就像你说它是一个
医生对于临床的一些信息的搜索
还有整合的工具
而且它速度很快
对于相对比较年轻的医生来讲
现在使用率是非常高的
但是你会发现它的商业模式
你也可以说它商业模式很聪明
但是我也不知道它有多可持续发展
它现在的年收入大概是1亿美金左右
当然增长速度是比较快的
但是所有的医生是免费使用的
它怎么赚钱呢
就是像广告商一样的挣钱
比如说是医疗广告
还有内容推广
将来它可能也会做企业版本
所以它其实用的是哪部分的预算
你想所有的医药公司
它其实都有药物代表
要去医院里面和医生打交道
在这个层面上它的预算是非常高的
包括去说服一些医生说
你要考虑用我的药
你要考虑向患者推荐我的新药
它是非常高的一笔预算
现在这部分大的预算
它拿出一部分小一点的预算
直接用在OpenEvidence上面
只要你是一个免费的医生用户
你就每天在看到它这些广告的信息
对于很多医药公司来讲
它可能在做药物代表推广的时候
它针对的是一些医院
或科室里面比较核心的医生
但年轻医生的话
可以通过OpenEvidence上面的广告
去潜移默化地影响
他对药品的推荐和判断
这是它的一个商业模式
有些时候你就会考虑说
医生的医学的这个客观性
你怎么保证
比如说药物公司想推广某种药
在医生问问题的时候
它是不是会优先推送
和这个药相关的一些研究成果
这个也是它未来商业模式
可能遇到的挑战之一
现在它的估值确实比较高
应该是有120亿
但你想想 它的收入只有1亿美金
我们可能对这个公司
还是处于一个观望的态度
C端的迁移成本是比较低的
所以对于医生来讲
他如果说有另外一个解决方案
也是免费的
而且可能没有这些广告层面上的
客观性的考量
而且你也可以直接使用
或者说未来
比如说Gemini Claude
或ChatGPT Health
直接在你日常使用的AI的应用里面
直接加了一个医疗的
附属的 新的 独立的应用
那OpenEvidence
是不是还有现在这样的优势
所以我觉得这些都是值得关注的
未来的一些发展点
对 他们是用一个RAG的方式
然后在解决很多医疗跟医生
在使用模型过程中的准确性的问题
关于AI医疗的模型
我觉得他们还要解决一个
巨大的问题 就是
因为你给人看病
你不能出现任何的错误
也不能有幻觉
垂直的医疗模型
跟垂直的医疗语料的训练
是有必要的吗
还是说它会被大模型的能力
给覆盖掉
我个人觉得还是有必要的
OpenEvidence其实就是个例子
它都不是垂直了
它是垂直里面引出很小一块
我们都说的是AI如何去帮助医疗
AI有时候对医疗有一个坏处
现在有很多文献工厂发很多文章
很多灌水的医疗文章 论文
可以让AI来编一篇
就发表出来了
这个实际上造成一个数据污染
你像OpenEvidence
它做得非常垂直 做得非常非常小
它限定了自己数据的来源
但另外一方面它也提升了这个质量
这或许是垂直领域的一个优势
因为如果你是完全的大模型
我的理解可能还是
这方面的风险相对大一些
它引用的数据肯定会引用更多
你比如说一旦提到健康
它可能会在网上在美国这里有那些
wellness influencer
健康领域的一些人 他提出一些观点
它或许也会引入到里面
因为那些东西也有很多人信
网站上面还是有很多引用
但是这个
和新英格兰医学杂志上面的论文
从证据的质量和可靠性上
还是有很大差异的
如果是垂直类的话
这可能是它的一个天然的优势了
对 璐怎么看
我非常同意叶斌说的
我觉得医疗AI领域是一个
非常需要垂直语言模型的
应用的方向
就是因为它的专业性 数据的质量
包括它应用场景的多样性
虽然我们说医疗行业非常巨大
但你想想有多少类不同的疾病
多少类不同的医疗场景
多少不同的医疗数据
数据虽然总体量很大
但它的多样性
还有个体的特质性也非常强
所以在这个基础之上
它对幻觉的容忍度又很低
垂直领域应用
我觉得是非常好的一个方向
而且也会是一个很快速迭代的方向
再加上医疗领域
还有一个天然的特点
就是它其实有很多边缘设备
海量的医疗器械
还有电子化设备
在智能医院的普及
这些医疗设备上面都可以去进行
端的AI的部署
如果你要做端AI的话
你必须是一个小模型
否则大模型的话
你在端层面上很难去运行
因为它的量级太大了
耗电量 算力的需求等等
再加上我们提到说医疗领域
它不管怎么样都是高监管行业
数据隐私的要求
你就不可能把所有的数据
全部传到云端
你还是希望说哪怕云端符合HIPAA
你也希望说有些核心数据
是在本地化
这不仅是医疗行业的需求
甚至说是终端患者的需求
我当然希望说
我最敏感核心的数据
是在本地部署的
而不是说在云端部署的
所以我觉得
所有这些医疗领域的特性
就哪怕我们说的整体的大模型
快速发展能力继续去提升
我觉得因为刚才我提到的
这些医疗领域的特性
它还是会更适合于
垂直小模型的特定应用场景的
这样的一个部署和发展
另外 其实刚才叶斌说得也非常好
因为刚才你问叶斌那个问题就是
我们对于AI幻觉
在医疗领域怎么看
我刚才想到的也是自动驾驶的例子
现在我们其实对于医生
和人工智能解决方案整合的
这个角度的需求
有一部分确实是要承担责任
到底如果说出现了医疗的问题
谁来去承担这个责任
谁最后有一个最终的解释权
一方面你很难说是AI的问题
是这个技术平台的问题
有一个特定的人或医生
会更好地去进行追责
还有另外一点
是我们也要有一个敬畏度
就是医疗领域还在不停地迭代发展
人体是非常复杂的一个系统
从医生的角度 对于一个病人
特种疾病是进行偏保守的治疗
还是偏激进的治疗
甚至每个人个体之间
疾病的反应和反馈都不一样
所以这些东西一部分
你可以相信AI去帮你进行规划
但有一些部分你也没有办法
通过一个单纯的数据去体现出来
包括很多的这些生物标记物
我们现在还不明确
就是我们的数据虽然已经很巨大了
但是是有限的
就像我们有一家公司
它其实是通过智能胶囊
一个微型机器人
去收集肠道的菌群数据
microbiome data
但这个数据它不只是和肠道的
比如说一些癌症类疾病
消化道系统疾病相关
它其实是脑部疾病
尤其是帕金森的一个生物标记物
这些数据我们现在还没有
我们就没有一个完整的数据基础
去让AI进行更加全面和整体的
个性化的分析和判断
这就是为什么我觉得
在医疗未来发展的方向
当然个性化的方向 数字化的方向
医疗和AI整合是一个必然的方向
但是我们总是需要人机回环
需要医生在使用这些工具
作为一个主体去进行最终的判断
对 我觉得这个里面
可能还分为几个层次
就是你刚刚提到了帕金森
它可能已经是一个非常严重的
大家真的有了病
要治疗的一个程度了
其实治病的难度越往上走
它的医生数也越少 也越专业
同时我觉得还有一部分的需求就是
很多人 我不知道你们有没有
有时候觉得自己有点不舒服
问一下AI是怎么回事的
我有时候就遇到一个不知道
该怎么处理的疾病的时候问一下
大体上它还是能判断
它还是能给一个正确的方向的时候
就是这种比较初级的
比如说有时候大家感冒 失眠怎么办
这个时候AI它是不是也是一个
还挺有帮助的工具的
当然是 这就是为什么你会看到
2亿多人每周都在ChatGPT上
问医疗相关的问题
而且它这些海量的数据
确实可以提供一个非常快速的反馈
包括有些时候
有些人他可能会把自己的一些
测血的数据 测血的结果提交给AI
另外刚才叶斌也提到一点
其实医疗资源还是不平均 不平衡的
包括在美国 在中国都是这样
大家都希望看到最好的医生
但最好的医生时间有限
他也不一定有所有的数据
去做这个判断
他有多少时间可以去整体地观摩
你所有的这些持续监控的数据
可能有些偏远的地方
他的医疗资源也相对比较落后
这个时候AI的平均水平
就会高于比较落后地区的医疗水平
这就是为什么我刚才讲说
未来的方向一定是要做
AI和医疗的整合
但是我也不希望大家
就盲目地去相信AI的能力
觉得它可以解决所有问题
对 这也是我非常想问叶斌的
比如说你自己有一点不舒服
或者家人有一点不舒服
你会去问AI
然后你觉得AI给的诊断建议
现在是可以相信的吗
我会
很多时候我觉得还是挺有道理的
一个问题不光是用不用AI
还有一个问题就是怎么用了
如果你得到一个答案
你是完全相信AI
还是你想办法继续问这个AI
继续用更多的问题去提问
确定它是怎么推出这个结论的
它的依据是什么
这个可能可以帮助你来
更加地了解AI的判断到底对不对
在这里面
其实AI给大家做了一个事情
其实就是一个分层诊疗的事情
好比在中国大家的一个习惯
只要一有病都是往三甲医院跑
你在城市里面
都是往最大的这个医院
基本上不太可能有人去
旁边的一个什么
社区的诊所去看病是吧
有些人可能他真的有病 真的需要看
但他一想到医院里面要排那么长队
他有些人也就不太愿意去
甚至有很多人可能连体检都不想做
这个都是最终会导致
整个医疗的效率不是很高
有资源的浪费
同时我们自己也没有
得到很好的医疗服务
有很多简单的问题
如果可以通过AI先来处理
这实际上对未来是很有好处的
像在美国
他们有些地方可能也希望尝试
你比如说急诊室进来一个人
美国的急诊永远都是要等很久
等的过程其实就是一个判断
就说你这个人是不是真的
立刻要去看这个病
还有一些人可能稍微等一下
这个过程在有些情况下
如果可以加入AI
或许能够让它处理得更加合理
同时也让 急诊一般都是
亏钱亏得最厉害的一个部门
急诊是亏钱亏得最厉害的部门
为什么
美国这有一个保险赔付
有些人可能他没有保险
但他最后都拖到大病了
那他就去急诊
他由于没有保险
那么他能够赔付到的钱
都是非常有限的
有些政府可能会给一些钱
但都是比较有限
就会导致急诊
一般来说在有些医院
可能都不一定愿意开这个急诊
但现在有一些急诊
全都被另外一些公司给买过去来做
他们有其他的方式
来把他那个收入给增加上去
但他往往增加的
不再是传统意义上的急诊那一块了
在急诊里面如果我们可以更好地
把病人给分流分层
也是会提升它这个服务
同时也可能让它的效率
运营得更高一些
这个尤其在一些偏远地方
那就更加有必要了
因为那边可能人手不足
那是非常明确的
像我们在问AI问题的时候
可能取代了我们去三甲医院
排队的时候 在中国的话
在美国的话可能你是打电话
找家庭医生
这也是一个分流分层
由于我们医疗资源的局限性
这种分流分层
我个人感觉都是非常有意义的
对 然后我们刚刚提到了
关于大家问医生所有的这些回答
他是不是专业的
OpenAI它是发了一个评价标准
叫做HealthBench
它可以用真实的对话场景
而不是选择题
来去测AI的能力基准
而且它是由262位
来自于60个国家 26个专科
49种语言去做的一个评分标准
我看它的评分标准的结果是
它的O3模型的得分是60%
如果你把题变成非常难hard模式
它的最高分是32%
我想请叶斌
可不可以给大家科普一下
比如说在OpenAI
做HealthBench之前
我们去测这些AI的医疗能力
主要是用什么方法
它现在60%的得分是什么意思
就是说它仅仅拿了一个60分吗
我们可以去相信AI吗
其实它这个
HealthBench的想法非常好
我们去评价医生好不好
比如说你去看病
你肯定是一个对话的
就说我最近发烧或者是我喉咙痛
那个医生根据你给出的症状
给你一个判断
然后他会有继续问的一些信息
可能你要告诉我来帮你判断
但是如果你去读医学院做医生
它首先要经历的是什么
它是考试
考你医学知识
以前的AI的评分
如果是医学方面的
大家可能也看到过
比如说ChatGPT
它那个考美国的医生执照考试
能考多少分
比很多医生考得都高
那个就是选择题 它在考试
现在这个HealthBench它的评价
是通过几百位医生
总共筛选出来一个评分标准
相当于它模拟出来的
怎么样一个对话
人家病人来问你一个什么问题
你应该要覆盖到哪几个点
你应该用什么样的语言去回答他
你的回答要能够安抚这个患者
比如说有个人说
我看到我的邻居昏倒了
应该怎么办
这个问题如果你用一个ChatGPT
来问这个问题
ChatGPT应该要涵盖哪几点
才能是做得对的
这个就是看一个具体的医疗场景
它的表现符不符合
最佳的医学推荐了
不再是原来的
我问你血糖多少是正常
这个就是一个考知识点的
这和以前的就不一样了
以前好像有一个叫MedQA
还有一个叫PubMedQA
MedQA相当于是测试一个
书本的临床知识
PubMedQA是测试
你对于科学文献这方面的了解
现在HealthBench和它们两个
是完全不一样了
这个更多的是一个
真实的医疗场景下
你应该给出关于医疗的回答
应该覆盖到哪些方面
因为好像他们还拿这个
去让医生去做了
医生做出来很多也不太一样
这个60分看他具体情况怎么样
在有一些
我看到的他们最后测试的结果
比如说是急救这样的一个情况
它的得分相对来说是比较高的
还有一些常见疾病
比如说高血压这样的处理
它的得分也是比较高的
就证明从医学证据上
你应该要覆盖东西
他能够比较高的一个比例覆盖到
当然如果把它那个难度调高了
可能这个得分就下来了
那可能就证明一些
比较困难的疾病
还是比较难以面面俱到的一个问题
比如说是急救这个情景做得比较好
那么在急诊室里面
可能这个模型你加以一个改进
你可以帮助医生去判断
或者是帮助一个普通人判断
那也行的
比如说你就看到一个人昏倒了
那么你可以问一下ChatGPT
说不定这个ChatGPT
能给你一个比较好的建议
这也是可以的
如果是一个比较低的分数
那就要看的是它到底差在哪些方面
有些关键的问题
如果是没有回答到
那确实是一个比较大的问题
所以简单来说
以前测AI医疗的水平
就是让他去做选择题
那ChatGPT
它应该是很早就能考到90分以上
但是HealthBench
相当于让AI真的去坐诊
然后让200多个医生
从十几个维度去打分
而且我发现这个测试
它还有一个扣分项
就是说如果AI它犯的错误很危险
就会被扣分
所以它有可能是到0分
甚至是负分的
所以我们再来去看一下
这个60%的含金量
它其实是比选择题的90分
要高得多的 是这样吗
是的
最后其实我还有一个问题
就是你们觉得是不是AI医疗这条路
还是巨头的天下
我并不觉得它会是巨头的天下
因为一来是说医疗场景市场很巨大
同时它也非常多样
它的应用场景是非常多变的
所以从巨头的角度来讲
它不太可能整体覆盖
二来 在医疗领域
其实巨头除了模型之外
像它做很多其他的应用
它有很大的优势是在于数据优势
但是在医疗领域
大部分的核心医疗数据
实际上是在不同的机构手中
还有像医院系统 药厂 医疗公司等等
这些大的公司
它是不会愿意把自己所有的数据
都分享给其他的这些
大的巨头科技公司的
相对来讲的话
他们更愿意和初创企业合作
他会觉得自己的掌控度会更高一点
而且初创企业他可能做的产品
也会更加细分 更加垂直
所以从这个角度来讲
比较难说大头去垄断或者说去覆盖
当然有些 比如说底层的
像我们提到比较偏软件层的
EHR这些系统
本身它也是软件层
可能是从一些科技公司的角度
进行工作流程的植入会更好做
但即使这样 你会看到
各种各样这种工作流程
相关的一些细分的应用
初创企业会崛起成长速度非常快
还有最后一点
这个行业它是一个高监管行业
信任值很重要
你的数据怎么部署
谁去托管 谁去拥有
这个对于很多医疗公司
还有医疗领域的机构来讲
是非常关键的
在过去这些年
整个医疗系统对于科技行业
在数据隐私层面上的信任度
是相对比较低的
更不用说如果说很多数据
要去放在云服务层面上
哪怕是它HIPAA合规
它还是有很多的不确定性
一旦任何这些合规风险出现
像我提到的
集体诉讼情况出现
最后的确要承担这个责任
或者说后果的还是医疗公司
所以从他们风险控制的角度
他也更不愿意说
把一个巨大的风险
绑定在一家大的企业上
而是说把各个小风险分散到
多家的技术供应商
或者AI技术的服务商
Anthropic的Claude
前几天它出了一个插件
这个插件出了以后
其实整个SaaS行业
它的股价是在大跌的
我看它里面还有一个板块
是For Healthcare
然后你刚刚提到了
从合规的角度来讲
大家难道不是会更加信任一个
你已经很有声誉的巨头
它还同时 各种地方宣传说
我拿了各种各样的合规牌照
它不会是大公司
反而它的一种优势吗
而且我觉得还有一点是
因为它的模型的能力更强
我们可以理解整体上
它是处于一种更加智慧的状态
在医疗领域的话
当然模型能力强是个优势
但更主要的是说合规 安全 无幻觉
这个可能比他模型能力强
是更重要的一个必须的要求
然后再去看哪个模型能力更强
比如说你说大的整体模型能力
它比较强
但是在单一的一个应用场景层面上
垂直领域小模型
它的模型能力
是可以针对这个应用场景
优化到非常好的一个程度的
它是可以和这些大的公司
进行竞争的
所以在模型能力
在单个应用场景层面上
初创企业是可以有优势的
或者说至少可以打一个平手
然后你说Claude
我们刚才也聊过了
Claude它做的不是应用端
它其实做的是底层基础设施
这也是它比较聪明的一个打法
它可能作为一个大的技术解决方案
会更容易获得一些信任
但即使这样
你可以去观察它的推进速度
还是相对比较慢的
除了安全和合规
另外一点
其实就像我们提到
应用场景很多样
数据的基础设施也很多样
并不是说美国所有的医院
或者医疗公司 医药公司
它用的什么云服务
还有它的云基础设施都是一致的
它其实还是有很多碎片化的
或者说个性化的特点
作为一个标准化服务的技术平台
比如说像Claude或者其他大的公司
它去做个性化服务
或个性化产品投放的可能性
就会低很多
因为对它来讲成本也比较高
但初创企业就有这个灵活度
对 那你们觉得
To C市场是有机会的吗
我觉得这个需求是肯定在的
我觉得现在在医疗界
一个非常有趣的现象
那就是大家把健康和养生的区分
你看那个养生很多都是ToC的
健康的话
大家可以想象去医院看一个医生
但很多时候我们对健康的需求
超过了医院医生可以提供的
我们甚至希望这个养生
很多时候就变成了
我们在网上看到某个人给大家讲
你怎么把自己的生活状态
给提升这方面
它有一些会和医疗有相关
它有时候又超出了
但是还有很多人在看这些
那就证明大家对这方面的需求
实在是太高了
可能有些公司
哪怕说我不想给你来提供诊疗服务
大家还是在用
还是在问ChatGPT
最后还是存在于那里的
只不过问题就是说To C
最后能不能做成功
但是由于现在AI模型的特征
哪怕你不是完全做医疗的一个模型
它还是能够提供一些建议
它最后还是会做到这一块
对 而且你刚刚提到养生
我觉得它是一个特别好的点
其实我前一段时间在看
《超越百岁》那本书
它里面有一个观点我还挺认同的
它说过去我们在一个医疗2.0的时代
大家如果有病的话
他是先生了病 然后再去寻求治疗
但是其实现在我们正在走到一个
医疗3.0的时代
比如说现在我们的苹果手机
电子手表 还有一些智能戒指
它是可以追踪到很多
我们个人的平时生活习惯的数据的
包括其实我们自己去就医的时候
也会有各种各样的数据
它是可以在我们健康
发生重大危机以前
就是我们通过各种智能监测
提前预防这些疾病
不是说等到了有病再治
而是说通过这些数据
更好地 主动地去管理自己的健康
可能在问题发生以前
就把这个问题给拦截下来
其实有的时候
我拿到这些数据的时候
我也有一点不清楚
这个数据是什么意思
以及要怎么做
就是从消费者的角度丢给大模型
有的时候还是很有用的
而且我觉得如果能出现
类似这方面的一些垂直应用
我可能也都会还蛮感兴趣的
就纯粹从消费者的角度来讲
对 因为其实我们聊未来的
医疗的发展方向
专注的是叫quality of life
就是生命的质量 生活的质量
你要去保证生命的质量
我们不只是要活得久
而是在八九十岁甚至100岁的时候
身体还很健壮 大脑也很清晰
想要达到这个结果
就是你提到的
要去更多的叫preventive health
就是你怎么样可以预防疾病的发生
或者说在疾病发生的早期
去进行诊断 进行个性化的治疗
而且可以在疾病对身体损伤
相对较小的一个阶段
去进行治疗和恢复
这都是未来医疗发展的方向
而现在我们有的这些海量的
高质量的医疗数据
再辅助AI
就是可以帮助我们
把很多的数据连接起来
其实以前我们经常讲诊断
大家对诊断的一个概念
它就是一个点的动作
就是你去看医生
在当下有什么疾病
去进行诊断
但其实你想想
我们整体无论是身体的变化
还有疾病的演变
还有免疫系统的变化
它是一个持续的过程
所以现在所有的这些智能设备
还有数据的收集
可以帮助我们进行持续的监控
和持续的诊断
那这些数据
不仅可以帮助我们更早的捕获疾病
而且也可以给医生
去提供更多的数据基础
去进行个性化的诊断和治疗
就日常身体的质量的维护
还有很重要的一点
就是我们现在会很多讨论长寿科技
核心就是我刚才提到的
生命的质量
所以现在很多新的技术
其实并不是把诊断和治疗
分得那么开
而是说有个性化诊断
也有个性化治疗
两边的数据是可以整合
进行相对应的
而且好处是
之前其实你会发现
有很多技术专注在早期诊断
但是没有治疗手段
所以很多时候大家也会去探讨
一方面是你有什么解决方案
你如果诊断出这个疾病
在没有解决方案的情况下怎么办
二来是由于没有治疗手段
也会导致在早期诊断和预防层面上
投入的资金和资源不够大
但现在的好处是
很多疾病都已经有了比较成熟的
可以开始进入临床的治疗手段
大家就会更愿意在预防类的技术
还有早期诊断技术上去进行投资
大家也会很明确地说
我早期诊断是有好处的
因为我可以早期
去把这个疾病治疗掉
而不是像之前有技术说
可以在病人得老年痴呆十年前
就诊断出这个疾病
但是这个对于人来讲
如果没有老年痴呆的治疗手段
是很可怕的一件事情
你就会想说
那十年之后
我是不是会得这样的一个疾病
所以现在它是一个
整个生态持续演变的发展
对 叶斌 你怎么看
从技术上来说
以后肯定这样的技术越来越多
同时也是大家的关注
以前我是生病 我把这个病治好
现在大家可能关注的是
我整体的一个健康的状态
这个方面的话
医院本身就比较难做这样的事情
这让我想起来
以前做基因测序的时候
比如说我们做医疗诊断的
肿瘤的 我们给他做个测序
看出来他这个肿瘤是哪个突变
我们给他用哪个靶向药
如果是To C的话
那么就变成23andMe
给大家做个测序
告诉一下你有哪些突变
那个To C最后没有成功
那是因为这个测序它只是一次性的
你测完一次
不可能说我还要再去测一个23andMe
因为人的DNA它是不可能变的
那么就导致它这个市场
是非常有限的
但是我们提到的AI医疗就不一样了
因为我们对身体的关注
这个是持续的
理论上来说
它应该是一个非常广泛的市场
当然它可能不像直接连接到
原来的医院那一块
你就可以想象做肿瘤的分子检测
毕竟每天都有
那么多癌症病人去医院
而且现在有越来越多的新药
它就需要能够确定
你是这个突变才能用这个药
他也会愿意来为这个付钱
To C这方面的话
可能这方面就稍微差一点
如果OpenAI它要收费的话
有些人就说
那我找个免费的可不可以
这可能是一大挑战
但是另外一方面
它这个市场确实是存在于那里的
对 聊到最后我有一个很强烈的感受
就是AI医疗这件事
它其实不是一个未来的概念
它已经在发生了
而且其实今天我们也聊到了很多
像幻觉的问题 隐私的问题
谁为AI的判断负责的问题
我觉得璐有一句话说得特别好
就我们需要人机回环
AI是工具 医生才是主体
叶斌的分流分层我也很认同
AI未必真的要去替代最好的医生
但是它可以让
大家在凌晨3点不舒服的时候
至少有一个靠谱的第一步
这个领域 我相信2026年
一定会发生更多的大的变化
我们也会持续关注
谢谢璐 谢谢叶斌
谢谢
最后 本期节目不构成任何的投资建议
也欢迎大家在小宇宙 苹果播客
Spotify上来订阅我们
也可以通过B站还有YouTube
搜索《硅谷101》播客来收听订阅
我是泓君 我们下期见