發(fā)布 ChatGPT 健康 6 天后，OpenAI 在自家醫(yī)療健康 Benchmark 上被反超

百川智能表示今年上半年，將陸續(xù)發(fā)布兩款 to C 的醫(yī)療產(chǎn)品。

作者｜Li Yuan

編輯｜鄭玄

你有沒有向 AI 助手問過你的健康問題？

如果你和我一樣是一個 AI 的深度用戶，大概率你也試過。

OpenAI 自己給出來的數(shù)據(jù)是，健康已成為 ChatGPT 最常見的使用場景之一，全球每周有超過 2.3 億人提出與健康和保健相關(guān)的問題。

正因如此，跨入 2026 年，健康領(lǐng)域也大有成為 AI 領(lǐng)域必爭之地的跡象了。

1 月 7 日，OpenAI 發(fā)布 ChatGPT 健康，允許用戶連接電子醫(yī)療記錄和各類健康應用，讓用戶能夠獲得更針對性的醫(yī)療回復；而 1 月 12 日，Anthropic 也立馬推出了 Claude for Healthcare，并強調(diào)了新模型的醫(yī)學場景能力。

不過有趣的是，這次，中國公司沒有落下，甚至大有領(lǐng)先之意。

1 月 13 日，百川智能宣布發(fā)布百川 M3 模型，在 OpenAI 發(fā)布的醫(yī)療健康領(lǐng)域評估測試集 HealthBench，反超 OpenAI 的 GPT-5.2 High，獲得 SOTA。

在宣布 All-in 醫(yī)療受到諸多質(zhì)疑后，百川智能似乎終于證明了自己。極客公園此次也專程與王小川聊了聊百川智能如何看待此次 M3 模型的能力，以及 AI 醫(yī)療的終局。

01

首次在健康領(lǐng)域測試集超越 OpenAI

此次發(fā)布的 M3 模型，最亮眼的成績之一，在于模型第一次在 OpenAI 發(fā)布的醫(yī)療健康領(lǐng)域評估測試集 HealthBench，超越 OpenAI 的 GPT-5.2 High，獲得 SOTA。

SOTA On Healthbench、Healthbench Hard and Hallucination Evaluation

Healthbench 是 OpenAI 在 2025 年 5 月份發(fā)布的醫(yī)療健康領(lǐng)域評估測試集，由 262 位來自 60 個國家的醫(yī)生共同構(gòu)建，收錄了 5000 組高度逼真的多輪醫(yī)療對話，是目前全球最權(quán)威、也最貼近真實臨床場景的醫(yī)療評測集之一。

發(fā)布后，OpenAI 的模型一直霸榜。

而此次，百川智能的新一代開源醫(yī)療大模型 Baichuan-M3，則獲得了 65.1 分的綜合成績位列全球第一，甚至在專門考驗復雜決策能力的 HealthBench Hard 上，M3 也成功奪冠，刷新了最高分。

百川還同步公布了一個幻覺率的測試結(jié)果，在幻覺率，M3 模型達到了 3.5%，屬于全球最低。

值得注意的是，這個幻覺率是不依賴外部檢索工具，純模型設置下的醫(yī)療幻覺率。

百川智能表示，能夠達到這兩點，關(guān)鍵的模型提升在于為醫(yī)療引入了合適于醫(yī)療的強化學習算法。

百川在 M3 模型上首次使用了 Fact Aware RL（事實感知強化學習）技術(shù)，達到了既讓模型不說套話，也不讓模型亂說話的效果。

這在醫(yī)療領(lǐng)域?qū)嶋H上是非常關(guān)鍵的。

在沒有優(yōu)化的模型中提問醫(yī)療問題，最容易出現(xiàn)的問題就是兩類，一是模型直接胡編亂造你的癥狀，臆測一個疾病出來；而另一個則是語義模糊，最終提示你還是得去看醫(yī)生，而這無論對于醫(yī)生還是患者，都沒有太大幫助。

這正是因為很多模型以純幻覺率作為優(yōu)化目標，此時模型可能通過堆砌簡單正確的事實來稀釋整體幻覺率。而百川引入語義聚類與重要性加權(quán)機制——聚類消除冗余表述的干擾，加權(quán)確保核心醫(yī)學論斷獲得更高權(quán)重。

同時，如果單純引入高權(quán)重的幻覺懲罰，極易迫使模型陷入「少說少錯」的保守策略，因此 Fact Aware RL 的算法中還設計了動態(tài)權(quán)重調(diào)節(jié)機制，根據(jù)模型當前的能力水平自適應地平衡這兩個目標——在能力構(gòu)建階段，側(cè)重醫(yī)療知識的學習與表達（高 Task Weight）；在能力成熟后，逐步收緊事實性約束（提升 Hallucination Weight）。

當可以聯(lián)網(wǎng)搜索時，百川還加入了基于多輪搜索的在線校驗模塊，同時引入了高效的緩存系統(tǒng)，進行海量醫(yī)療知識的對齊。

02

問診水平超過人類醫(yī)生，

步入可用階段

不過，在 Healthbench 上超過 OpenAI 并不是此次唯一的亮點。

此次更有趣的一個點，百川自己創(chuàng)造性地構(gòu)建了一個 SCAN-benche 評測集。比起刷榜 OpenAI 的評測集，百川自己構(gòu)建的評測集，或許更能說明百川智能在醫(yī)療上想要優(yōu)化的方向。

此次百川構(gòu)建的測評集，關(guān)鍵點在于優(yōu)化「端到端的問診能力」。這源于百川自己做的實驗洞察：問診準確度每增加 2%，診療結(jié)果準確度就會增加 1%。

也就是說相比于 OpenAI 的 HealthBench，仍然主要關(guān)注「AI 會不會回答問題」，百川的 SCAN-benche 希望評測出的是：AI 是否能在一問一答中，獲取有效信息，同時給出正確的診療結(jié)果和醫(yī)療意見。

通常情況下，我們向 AI 助手提問，如果只是提到「你是一位經(jīng)驗豐富的醫(yī)生」，通常并不會得到太好的模型效果。因為真正的醫(yī)生，問診的流程是十分規(guī)范的——百川將其歸納為四個象限的 SCAN 原則：Safety Stratification（安全分層）、Clarity Matters（信息澄清）、Association & Inquiry（關(guān)聯(lián)追問）與 Normative Protocol（規(guī)范化輸出）。

圍繞 SCAN 原則，百川借鑒醫(yī)學教育里長期使用的 OSCE 方法，聯(lián)合 150 多位一線醫(yī)生，搭建了 SCAN-bench 評測體系，將診療過程拆解為病史采集、輔助檢查、精準診斷三大階段，通過動態(tài)、多輪的方式進行考核，完整模擬醫(yī)生從接診到確診的全過程，也以在這幾個流程中，都獲得更好的結(jié)果，來優(yōu)化模型。

此次百川也公布了 M3 模型在 SCAN-benche 上的測評結(jié)果。

結(jié)果十分有趣。百川此次不僅和模型進行了對比，還找來了真人醫(yī)生進行對比。而在四個象限中，真人醫(yī)生實際上都已經(jīng)落后于模型能夠達到的水平了。

極客公園特意對此向百川團隊進行了提問，得到的回答是：此次的測評，全都是真人的?？漆t(yī)生在?？瓢咐吓c模型進行的比較。模型能夠獲勝，其一，在于模型更耐心，但更重要的是，模型擁有更好的跨學科的知識的掌握能力。

比如在一個案例中，提到 10 歲孩子反復發(fā)熱，而發(fā)熱是一個非常綜合的醫(yī)療現(xiàn)象，如果只詢問咳嗽等肺部情況，就容易忽略關(guān)節(jié)和泌尿系統(tǒng)中的嚴重問題，誤判為普通感染。

人類醫(yī)生通常只對分科的病情比較擅長，這也是復雜癥狀常常需要專家會診，或者疑難病癥專家也常常要去翻書找資料的原因。

而沒有經(jīng)過專門訓練，只是扮演醫(yī)生的普通模型，往往也很難回答好這類問題。

03

下一步：逐漸開始做 C 端產(chǎn)品，

推進更嚴肅的醫(yī)療

對于百川智能而言，超過人類醫(yī)生這個節(jié)點，意義十分重大：這意味著 AI 開始邁過可用性的門檻，開始能夠被部署到使用場景中了。

從 1 月 13 日起，用戶已經(jīng)可以開始在百小應的網(wǎng)站和 app 中，體驗到 M3 模型提供的回答了。

目前的網(wǎng)站設計十分有趣，雖然都是使用 M3 模型進行回答，但是區(qū)分醫(yī)生版和用戶版。在醫(yī)生版，回答更加簡潔，引用更多參考文獻，也更「不說人話」。而在普通病人版，模型幾乎不會一次性給出回答，都會進行更多追問，進行更明確的診斷。

百川智能提到，模型在后臺的思考很有意思。「我們經(jīng)常能看到這個模型在思維鏈中提到，『這個患者沒有理我的這個問題，但是這個問題我必須要問?！簧踔廖覀冇锌吹竭^那種極端的，說我已經(jīng)問了患者 20 輪了，這個已經(jīng)超出了設定的最大輪數(shù)，但是這個問題我還是要問。這是因為在訓練的過程中模型把話說得討巧，是得不到獎勵的，它必須真的得到了足夠多的關(guān)鍵的信息，得到正確的診斷，才能得到獎勵。這個是我們跟其他人訓練模型的一個明顯的不同。」

近來很多 AI 公司都開始介入醫(yī)療領(lǐng)域。這也是百川智能認為自己的最大不同之處——要做更嚴肅的醫(yī)療。

「這意味著百川在選擇場景時，并不是看哪個場景最好做就去做哪個。相反，百川堅持要不斷上推技術(shù)能力，挑戰(zhàn)更難的問題?！雇跣〈ㄖv到。

一個典型的例子是未來百川會優(yōu)先做腫瘤?？频慕鉀Q場景，而心理療愈排在百川的優(yōu)先級的比較靠后的位置。

在通俗觀點中，普遍認為 AI 提供心理療愈會更簡單，也是一個更容易落地的場景。百川的判斷邏輯則不同。他們認為腫瘤領(lǐng)域有更嚴格的科學依據(jù)。在這里，AI 更有可能做出嚴肅的醫(yī)療效果，從而達到或者超越人類醫(yī)生的水平。相比之下，心理學領(lǐng)域缺乏這種確定性的科學錨點。

再比如有的公司選擇給醫(yī)生做分身，王小川則認為這種方向并不是百川想要做的方向。醫(yī)生的分身本身不能完整復用醫(yī)生的水平，更不能超越醫(yī)生的水平。這樣的 AI 最終只能淪為幌子和獲客工具，并不能真正推動嚴肅醫(yī)療。

這種對嚴肅性的堅持，深刻影響了百川的很多商業(yè)選擇。

這直接關(guān)系到王小川對醫(yī)療 AI 下個階段根本問題的思考。他認為，當前這個階段最重要的任務是在增強 AI 能力的基礎上，逐漸提供更多的醫(yī)療供給。

中國多年來一直嘗試推行分級診療和全科醫(yī)生制度。初衷是希望老百姓先在基層看病，解決大醫(yī)院掛號難、排隊長、擁堵不堪的現(xiàn)狀。

這個制度之所以推行困難，本質(zhì)上是因為醫(yī)療資源的供給不足。基層醫(yī)療機構(gòu)缺乏高水平的醫(yī)生。大家即便只是感冒也愿意去三甲醫(yī)院排隊，是因為對基層的診療水平不放心。

這正是醫(yī)療 AI 發(fā)揮作用的關(guān)鍵點。大模型能夠把頂尖的醫(yī)學知識實現(xiàn)規(guī)?；职l(fā)。它填補了基層的供給缺口，讓每一個社區(qū)、每一個家庭都能擁有像三甲醫(yī)院專家一樣的診療能力。

而長遠來開，這還能有更廣泛的影響，可能讓醫(yī)療的讓決策權(quán)從醫(yī)生手中逐漸轉(zhuǎn)移到用戶身上。在傳統(tǒng)的醫(yī)療場景中，患者是利益的受益方，但往往沒有決策權(quán)。決策權(quán)集中在醫(yī)生手中。這種權(quán)力的不對稱往往會帶來溝通成本和治療中的痛苦。

而百川希望通過 AI，讓患者能夠更容易地獲得優(yōu)質(zhì)醫(yī)療資源的供給?！负芏嗳擞X得醫(yī)療太復雜了，患者是永遠理解不了的。但我們想的在美國的司法體系里面有個叫陪審團制度。法律也是非常專業(yè)的一個事，陪審團的普通人不懂，那就要求在法官、律師和檢察官能夠進行帶領(lǐng)，做充分的辯論，把話說清楚，說到一個普通人能判斷有罪沒罪的程度，讓普通人能依據(jù)邏輯正常判斷即可?！雇跣〈ㄖv到。

這也是百川智能不愿意只做簡單場景，而是希望不斷向高難度的嚴肅診療推進的原因之一。

當被問到解決高難度問題是否在商業(yè)上最有回報時，王小川給出了深刻的回答。

他認為，解決感冒發(fā)燒這類小問題，很難在用戶心中建立起足夠的信任。醫(yī)療是一個高度依賴信任的行業(yè)。只有當 AI 能夠解決重疾等高難度難題時，才能真正建立起信任的基礎。

從商業(yè)邏輯上看，患者面對嚴肅的健康問題時，也更有意愿為高質(zhì)量的 AI 服務付費。這種信任不僅是商業(yè)回報的前提，更是 AI 醫(yī)療能夠規(guī)?；瘧玫暮诵?。

而從更根本的意義上講，醫(yī)療對于百川智能和王小川本人而言，仍然意味著是一條接近通用人工智能（AGI）的路徑。

王小川認為，AI 目前在文、理、工、藝等領(lǐng)域都已找到了切實的解法，醫(yī)療則是一個極為獨特的領(lǐng)域。人類對醫(yī)學的探索尚未窮盡，AI 在這一領(lǐng)域也正處于摸索階段。

百川的路線圖非常清晰。首先通過 AI 提升診病效率，解決當前醫(yī)療供給短缺的問題。在此基礎上，百川致力于建立與患者之間的深度信任。當患者愿意使用 AI 工具，長期進行醫(yī)療咨詢，AI 就能在長期的陪伴中積累真實且高質(zhì)量的醫(yī)療數(shù)據(jù)。

這些數(shù)據(jù)的終極目標是構(gòu)建生命的數(shù)學模型。這是一條人類醫(yī)生至今尚未完全走通的道路，未來很有可能由 AI 率先實現(xiàn)。如果能完成對生命本質(zhì)的建模，這將成為推動通用人工智能邁向更高階進步的關(guān)鍵一步。

*頭圖來源：百川智能官網(wǎng)

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO

極客一問

你如何看待 AI 醫(yī)療？

蘋果首款折疊 iPhone Fold 手機殼金屬模具曝光。

點贊關(guān)注極客公園視頻號，