今年最火的AI醫療增長神話，中國能復制嗎？

11個月、免費、覆蓋40%美國醫生群體。

美國OpenEvidence以專精小模型+病毒式增長，證明了在醫療這個最難滲透的行業里，依靠精準的發展策略，也能做出現象級爆款產品。

成立僅四年，OpenEvidence已創下多項行業紀錄：美國約40%的執業醫生成為其活躍用戶，注冊醫生總量超25萬，日均處理臨床查詢超6萬次，成為歷史上增長最快的醫生端AI平臺。自今年7月以來，該平臺每月臨床咨詢次數幾乎就翻一番，達1500萬次。這表明醫療工作者對該工具的需求正在極速增長。

資本層面，其估值實現了火箭式增長：2025年7月估值為35億美元，10月完成2億美元融資后，估值躍升至60億美元，短短三個月增長近70%。截至目前，公司累計獲得Google Ventures、紅杉資本、凱鵬華盈、黑石集團等知名風投超3億美元投資，成為醫療AI賽道估值最高的初創企業之一。

面對這樣一個快速躥升的項目，我們不禁要問它究竟做對了什么，國內是否有類似的產品？

01

OpenEvidence解決了什么問題？

解決臨床醫生實際痛點是OpenEvidence發展的核心邏輯。

據《Nature》的研究，如今醫學知識每73天就會翻一倍，而在1950年時，這個數字為50年。照此計算，醫科學生甚至要每天學習超過29小時才能跟上專科文獻的發表速度，這顯然是不可能做到的。

OpenEvidence創始人舉過一個例子，一位銀屑病合并多發性硬化癥的患者來找皮膚科醫生。皮膚科醫生就會處于一個困境，他們不想讓多發性硬化癥變得更糟，而多發性硬化癥是一種神經疾病，皮膚科醫生很難快速獲得IL-17抑制劑和IL-23抑制劑療效的最新證據，特別是這些抑制劑對多發性硬化癥合并癥患者的療效和安全性是什么。

在傳統場景下，醫生不得不求助PubMed，可搜索后只會得到文獻標題，而不能得到諸如“IL-17抑制劑與IL-23抑制劑的安全性如何？”這樣一個非常具體問題的答案。站在AI工程的角度來看，這是一個去尋找邊緣案例的過程，在同行評審的頂級醫學期刊的某篇文章中回答了銀屑病和多發性硬化癥患者IL-17s與IL-23s的比較安全性問題，但它永遠不會出現在標題中。

在智藥局合伙人張世晨看來，可以有兩個緯度來理解OpenEvidence：從技術端來看，它是醫學證據的Google增強版；從產品端來看，它是專屬于醫生的ChatGPT。

OpenEvidence所做的，就是在醫學知識數量瘋漲的當下，為注冊醫生提供可信醫學證據的AI搜索引擎，通過整合全球權威醫學文獻，在數秒內快速為醫生輸出可追溯、結構化的臨床決策支持內容，本質是解決醫生“知識過載但可信信息稀缺”的痛點，其輸出的每一條結論都能精準關聯至NEJM、JAMA等頂刊文獻的具體段落，規避了AI幻覺風險。

02

OpenEvidence怎么做的？

OpenEvidence選擇垂直深耕而非規模競賽模式來構建產品。

OpenEvidence摒棄了通用AI“參數競賽”的邏輯，走垂直知識深化路線，其技術體系圍繞“垂直化模型訓練”、“證據可信度”和“醫療場景可用性”三大核心構建。

當前，隨著AI大模型的廣泛應用，越來越多的AI公司喜歡追逐大參數規模的通用模型。特別是考慮到OpenEvidence成立于2022年，正值ChatGPT帶來的通用大語言模型浪潮，OpenEvidence卻反其道而行，在2023年發表了《Do We Still Need Clinical Language Models?》論文，詳細論述了醫療這類高精度要求的領域，專門訓練的70億參數模型表現優于數萬億參數通用模型的內在邏輯。

2025年8月，OpenEvidence取得了里程碑式的突破，在美國醫師執照考試（USMLE）中獲得了100%正確的成績，在全部325道問題均準確回答并正確提供參考文獻。這一成績超越了ChatGPT-5，成為史上首個在該考試中獲得滿分的AI系統。這樣的結果無疑是對其模型方法論的最佳背書。

在“證據可信度”方面，OpenEvidence選擇使用經過同行評審的，來自PubMed、Cochrane等權威公共數據源的數據來訓練大模型，并且拒絕抓取公共互聯網上的內容，盡量避免錯誤。同時，為解決AI“幻覺”問題，要求每一條輸出結論必須與至少2篇以上高等級文獻的具體段落強關聯，實現結論可追溯、證據可驗證的效果。

同時，醫生在使用OpenEvidence時能直接查看答案的來源，也就是說，OpenEvidence會直接把流量送回數據庫。正是這樣的機制，吸引來了頂尖醫學期刊《新英格蘭醫學雜志》的獨家合作，獲得其全文訓練權限并近乎實時更新知識庫，同時為其帶來大量訪問。醫生有可靠的內容，專業期刊獲得了流量，OpenEvidence獲得了權威內容讓模型更加精準，從而形成一個良性循環。

OpenEvidence架構示意圖，據公開信息整理繪制

在“醫療場景可用性”方面，OpenEvidence圍繞臨床決策全流程進行設計，在Mayo Clinic的實測顯示，系統將復雜病例處理時間縮短40%，誤診率下降35%，特別在腫瘤跨學科會診中提升診斷一致性達68%；在急診科，系統將分診準確率提升至92%，大大降低了急診科的誤診率和漏診率；在罕見病診斷方面表現則更為突出，對121種罕見病的識別準確率超過專科醫生組15.7個百分點，平均決策時間僅為人類專家的1/8。

具體到產品界面，更是以醫生工作流程為設計重點，圍繞證據可追溯這一核心，做到每句回答都標注交叉引用編號，文末附上完整參考文獻清單，方便醫生核實。同時對問題采用雙模式回答機制，“臨床證據”模式側重展示支持證據和文獻綜述，“護理指南”模式則提供直接操作建議。

總的來看，OpenEvidence成功構建起了護城河，形成短期難以復制的競爭壁壘。

首先，獨家權威內容授權是其核心壁壘，它不僅是僅有的獲得NEJM與JAMA全文索引權的AI工具，還與全球多家頂級醫學學會達成合作，獲得權威的結構化數據，而通用AI模型僅能獲取文獻摘要，內容深度和完整性不可同日而語。

其次，40萬活躍醫生產生的真實世界查詢數據（包含具體病例、用藥疑問、指南困惑等）經脫敏處理后，又能成為模型優化的黃金數據。同時，在醫療自然語言處理領域的深厚積累，包括醫學實體識別和關系抽取的特殊優化，臨床語境理解和查詢意圖識別，證據質量評估和排名算法都不是一朝一夕可以追趕的。

最后，是品牌的信任度。目前，OpenEvidence已經覆蓋了美國超過40%的執業醫師，廣泛的用戶基礎是醫生們對其準確性和可靠性的認可。斯坦福醫院的心臟科醫生表示：“每當我懷疑OpenEvidence的答案，就會去查證原始文獻，可大多數情況下，它提供的信息都是準確且有良好引用的。這種信任需要時間建立，但一旦建立，就會成為強大的競爭優勢。”

03

OpenEvidence能持續盈利嗎？

用戶免費+廣告變現的“谷歌”式商業閉環。

說起OpenEvidence的商業模式，就不得不提其創始人Daniel Nadler的經歷。Nadler在哈佛大學獲得經濟學博士學位，2013年，他創立了金融AI公司Kensho，開發了一種能夠實時分析金融事件對市場影響的智能系統，以5.5億美元的價格賣給了標普全球，之后Nadler與牛津大學計算機博士Zachary Ziegler聯合創辦了OpenEvidence。

這位金融專業出身的創始人自然明白一個高效的商業模式對于企業的重要性。

傳統醫療AI軟件系統要想進入醫院，有著冗長的醫院采購流程，美國一套醫院信息系統從評估到采購最快也要2年的時間，同時，還要面臨FDA嚴苛的審批要求，并且審批過程也較為漫長。

因此，OpenEvidence選擇避開這些障礙，高效抓住用戶的同時進行快速迭代。首先，它將自身定位成醫學信息檢索工具，而不是需要審批的診斷設備，這樣一來就不需要FDA審批。

其次，它繞過醫院采購部門，直接向醫生個人提供免費服務。只要經NPI（美國國家醫師識別碼）或各國執業醫師認證的用戶，都可以免費使用基礎功能，而文獻檢索、指南查詢、病例分析等核心服務醫生也只需用郵箱注冊就能使用，整個過程快速高效，醫生決策成本極低。同時，極佳的用戶體驗和免費政策使得產品依靠口碑在行業群體中裂變式快速增長。

最后才是依托于醫生用戶群體的場景化精準廣告投放。過去，像禮來、輝瑞、羅氏這些MNC的營銷預算要透過醫藥代表、學術會議或專業期刊進行廣撒網式宣傳；現在，OpenEvidence為這些MNC提供了將產品信息精準推送給相關領域醫生的渠道。

例如腫瘤科醫生查詢“PD-1抑制劑”時，會推送相關藥物的3期研究成果，并且廣告內容會經平臺臨床專家審核，確保符合指南規范。同時，廣告與答案系統在界面上采用物理隔離設計，不干擾醫生的臨床判斷。對于甲方而言，數字化廣告可以精確跟蹤展示次數、點擊率和后續處方行為，能清晰呈現ROI數據。

目前，OpenEvidence的年廣告收入已超過5000萬美元，手中還握有價值約4億美元的廣告庫存，未來會進一步轉化為營收，并且由于是數字交付模式，毛利率超90%，遠超AI初創企業的平均水平。

在多數AI初創公司依賴融資生存的背景下，OpenEvidence已跑通盈利模式，90%的毛利率展現出極強的變現能力。從中長期來看，它還可以繼續技術集成拓展，針對醫院、醫學院、制藥企業推出定制化API接口服務，從而拓寬營收渠道。

04

這條路國內能走通嗎？

中國市場的特殊性導致發展路徑有所差異。

國內也有不少定位為醫生的AI循證決策工具的產品，他們與OpenEvidence的核心目標是一致的。

例如成立于2019年的上海零假設信息科技有限公司（簡稱零假設），專注于醫學智能化產品開發，旗下“KnowS”系列產品是一個虛擬醫學助手，通過融合數據技術和醫學專業知識，為醫生提供以文獻分析和臨床數據分析為核心的科研解決方案，助力醫學研究與創新。

還有百川智能的循證增強醫療大模型M2Plus，該模型通過創新的六源循證推理范式，涵蓋了從基礎研究到實際臨床反饋的完整知識體系，在醫療知識的準確性和可靠性方面實現了顯著提升，醫療 “幻覺” 率大幅降低。在生成回答時，M2Plus 也引入了循證增強訓練機制，以確保其引用權威來源，而非隨意生成內容。

靈犀醫療自主研發的“EviMed智慧循證分析引擎”，通過動態整合全球數億條醫學文獻、臨床試驗數據及真實世界證據，構建了覆蓋疾病全生命周期的證據鏈網絡。它不僅能實時追蹤最新醫學進展，還能通過多模態證據融合與因果推理算法，自動規避證據沖突，為醫生和研究者提供可信賴的決策支持，實現“零幻覺”的精準搜索與推理。

釘釘聯合壹生檢康發布“豆蔻醫生超級助理”，它是釘釘上首個針對醫生的專業AI應用，能實現1分鐘整合全球超過4000萬醫療專業文獻，并進行全鏈路溯源，用權威醫療研究證據，在產前診斷、婦科腫瘤等高復雜度醫學場景，婦產科醫生只需將病例提交，AI會從專業文獻指南中智能檢索，獲取“指南推薦+真實世界數據+相似病例”的完整證據鏈，并在1分鐘生成診療建議。

還有定位為“醫生最便捷的臨床決策工具”的醫渡臨床Copilot，它深度融合醫療垂直大模型、動態循證知識體系與院內患者數據，通過循證校驗解決AI“幻覺”問題，讓頂級證據一鍵溯源確保精準性；又能自動對接患者數據，將醫學證據與個體化病情無縫銜接直接給出可執行的診療策略，省去繁瑣步驟。Copilot配備集成醫生工作站的桌面版與移動端，方便醫生在病房診療、居家查閱等多環境下使用。

與OpenEvidence的免費策略不同，國內的產品普遍選擇收費模式，像“KnowS”的商業模式是先聚焦頭部藥企，專注于醫療科研方向，在提供付費服務的過程中，進行高質量標注數據積累并迭代算法模型，再將成熟的to C產品“KnowS”模型及智能體推向醫生群體。EviMed同樣選擇了To B收費模式，目前，EviMed平臺已在國內超100家三甲醫院試點應用，輔助完成覆蓋心血管藥物、抗感染藥物、風濕免疫等領域的綜合評價項目。

商業模式示意圖，據公開信息整理繪制

從產品層面看，國產大模型都有自己邏輯，百川選擇了大模型+醫療檢索增強生成優化的路徑，將循證醫學作為約束層，反映其對大模型能力的充分自信。零假設選擇先服務對專業性要求極高的藥企，積累數據后再推向醫生這條與OpenEvidence相反的路，背后是中國醫生工作強度更高、容錯率更低的現實問題。還有多款圍繞醫院現有工作流程設計的產品，其考量也是如何快速融入當下中國醫療信息化的運行模式。

OpenEvidence能成功，根本在于美國醫生是獨立決策者，可自主下載App，有消費級產品使用習慣。而國內醫生執業在公立醫院體系內，工具采購需醫院審批，個人免費工具難以進入核心流程。因此，無論是走B端路線，綁定醫院系統或是API解決方案，都是圍繞體系而非個人進行。

張世晨表示，國產OpenEvidence的真正啟動，需要一批活躍的醫生用戶。哪款產品能更快贏得醫生群體的認可與支持，就越能在這一領域立足，僅靠大眾用戶數量的增長是遠遠不夠的。

另一方面，OpenEvidence早期利用FDA/CDC公共數據，后期靠NEJM主動授權，本質是內容方認可其用戶價值。而國內產品盡管在數據方面下了大功夫去提高質量，但相比NEJM級別的權威背書還有所不及。此外，OpenEvidence的病毒式傳播，本質是產品驅動增長（PLG），而國內產品以B端為主，難以實現OpenEvidence的指數級增長。

因此，OpenEvidence的一些獨特壁壘，目前國內產品還沒有建立起來。

OpenEvidence的競爭壁壘，據公開信息整理繪制

比如OpenEvidence的產品驅動增長模式，依靠醫生自發使用→數據優化→更好體驗→口碑傳播觸達更多醫生，從而省下銷售費用；內容護城河方面，《NEJM》的主動合作是任何付費推廣都買不到的品牌信任，與多個頂級期刊合作共建商業模式解決數據版權問題；還有技術路徑的逆共識操作，在如今堆參數的時代堅持使用小模型，反而在專業領域實現更高精準度。

這些策略建立起來的競爭壁壘其實對國產醫療AI模型同樣具有參考意義。如果國產AI醫療模型能在版權和商業模式層面走通，那何嘗不能出海與之競爭呢？

綜合來看，國內短期內或許不會出現一模一樣的OpenEvidence類產品，這是因為醫療生態的土壤不同，但國產AI大模型經過B端用戶的使用，在合作中積累足夠數據并打磨好產品，在3年~5年后在C端實現突破，屆時或能復制部分OpenEvidence的成功。

醫療AI的競爭本質是數據與信任的競爭，它的出現不是替代醫生，而是讓希波克拉底誓言在算法時代重獲新生。無論是OpenEvidence還是國產AI大模型，都在經歷從信息檢索器進化為醫療生態中樞的過程，這類垂直AI賽道都將基于可信優先、場景為王持續進化。

*封面圖片來源：123rf

如果您認同文章中的觀點、信息，或想進一步討論，請與我們聯系；也可加入動脈網行業社群，結交更多志同道合的好友。

聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。文中如果涉及企業信息和數據，均由受訪者向分析師提供并確認。