在一個不允許犯錯的行業：巨頭向左、初創公司向右

出品|虎嗅科技組

作者|陳伊凡

編輯|苗正卿

頭圖|視覺中國

落后，有時能變成一種優勢。

正如某些發展中國家從未鋪設過銅纜電話線卻直接跨入了5G時代；正如一些新興市場直接跳過了信用卡支付，從現金步入移動支付時代。

2026年開年發生的故事，正在給這個判斷提供新的論據。那些在軟件時代步履蹣跚的行業，往往擁有跳過中間階段、直接躍入AI的“特權”，比如醫療、

OpenAI 斥資1億美元收購數據清洗公司 Torch 并發布“醫療全家桶”；被譽為“醫療界ChatGPT”的 OpenEvidence 完成新一輪融資，估值飆升至120億美元；Anthropic 緊隨其后宣布接入核心醫療數據庫。大洋彼岸，中國大模型獨角獸百川智能，幾乎在同一時間推出了 Baichuan-M3 Plus，宣稱將幻覺率降低至 2.6%——這一數據不僅低于 OpenEvidence，更觸達了全球最低水平。

這延伸出兩個問題，不同科技巨頭布局醫療搜索的目的和策略是什么？另外，當巨頭向醫療AI搜索下手時，初創公司的出路在哪里？

“只要市場規模大的ToC應用，大模型公司未來都會做。”這已經是AI圈的共識，除了醫療，過去的故事都在證明這個論斷，例如炒股、社交、電商、娛樂和游戲。這似乎是一個AI創業中，殘酷的“宿命論”。

不過，醫療是一個不容許大模型“犯錯”的行業，其對數據質量的要求極高，并且需要零幻覺。在這方面，OpenAI等這些巨頭的體量優勢，未必能夠轉化為勝率。

UpHonest投研團隊曾經在和虎嗅交流時就表示， AI時代的搜索將變得更加碎片化，未來每個人可能會有自己的AI搜索引擎，全新的生成式AI搜索引擎將緊密契合目標用戶的“心智模式”，投資人、律師、醫生的思維模式各不相同，信息獲取模式、目的和決策思維各有差異，這些不同和差異就是生成式AI搜索引擎創新的機會。

醫療搜索正是在AI時代下衍生出的生意，只是這個生意不同的人有不同的做法

醫療搜索：一個隱秘的AI富礦

在過去的大半年時間，我們一直在關注一些未被軟件“吞噬”的行業，如何直接躍入AI，但并非所有的數字化滲透率低的行業，皆有這樣的機會。

但這并不意味著所有的“數字化洼地”都是黃金。一位資深的工業 AI 創業者曾向我打過一個精妙的比喻：改造傳統行業，就像是要給一輛正在高速公路上疾馳的汽車更換引擎。這事能成，必須滿足兩個苛刻的前置條件，第一，這輛車本身必須具備現代工業的骨架，不能是馬車；第二，油箱里必須有足夠的燃料，能支撐它在換好引擎后繼續狂奔。

換句話說，只有那些“體量龐大到不得不改”且“擁有豐富高能燃料”的行業，才配得上 AI 的深度改造。

醫療，正是那個完美符合所有特征的唯一的標的。

這個行業充滿了“悖論”：它的體量大得驚人，擁有豐富的數據，但在核心診療環節，其數字化程度卻低得令人發指——繁瑣的流程、紙質的單據和互不相通的信息孤島隨處可見。傳統醫療受限于人力，無法突破高質量、低成本和高不可及性的“不可能三角“。

根據 RBC Capital Market 的統計，醫療行業貢獻了世界上30%的數據量。根據 IDC 發布的《數字化世界》報告預測，醫療健康數據正以 36% 的復合年增長率爆發式增長。隨著電子病歷的普及、可穿戴設備的爆發以及合規要求的升級，這些海量且復雜的醫療數據，正在成為訓練下一代高智商 AI 模型不可或缺的“燃料”。

從商業角度看，醫療不僅市場規模巨大，更是一個離支付最近、使用頻次高、客單價高的場景。根據 CMS (Centers for Medicare & Medicaid Services) 發布的官方國家衛生支出報告（NHE），2023年美國醫療衛生支出達到 4.8萬億美元，占其GDP的 17.6%。預計到2032年將增長至 7.7萬億美元。這是全球任何一個單一行業無法比擬的體量。

大廠的策略：爭奪入口與生態布局

OpenAI 披露的一組數據：每周有2.3億人在 ChatGPT 上咨詢健康問題，日活達4000萬，且70%的對話發生在診所下班之后。這意味著，AI 已經在實質上接管了人類的“非工作時間醫療咨詢”。這意味著醫療已經是一個高頻的使用場景。

高頻，意味著流量入口和用戶心智，這背后蘊藏豐富的商業想象，例如支付、保險等。

但正如我們在最開頭提及，由于醫療行業對數據的苛刻要求，巨頭不一定具備這方面的優勢，在醫療上，誰能擁有最全且準確的數據集，就能獲得取勝的關鍵。

OpenAI 推出了獨立的 ChatGPT Health，允許用戶將自己的醫療記錄和健康應用數據接入 ChatGPT。對話記錄、文件記憶與普通模型分開，且明確承諾不用于模型訓練，以此解決醫療最敏感的隱私顧慮。1月13日，OpenAI宣布收購醫療科技初創公司 Torch，這家公司正在開發一種面向人工智能業界的“統一醫療記憶”系統，目標是將分散在不同廠商、不同格式中的患者健康數據統一整合到自己的平臺中。

1 月 11 日，Anthropic 在 J.P. Morgan 醫療大會上發布 Claude for Healthcare。Claude 醫療版接入了 CMS 覆蓋數據庫、ICD-10 編碼、NPI 注冊表、PubMed 3500 萬篇文獻。相比之下，Anthropic更加ToB，Claude for Healthcare可以被應用到臨床和保險流程中，協助醫療人員快速找到相關資訊，為臨床醫生節省時間。

視線轉回中國市場，螞蟻阿福（及背后的螞蟻醫療大模型）也是面向C端，背靠支付寶龐大的生態體系，螞蟻阿福占據了離錢和交易最近的入口。

大公司做泛、初創公司做垂

近期，百川智能正式發布新一代醫療大模型 Baichuan-M3 Plus，展示了其作為醫療大模型的能力，百川智能稱，面向所有服務醫務工作者的機構，免費開放M3 Plus的API形式，適用場景包括臨床輔助決策、醫學教育。不過我們還無法從僅有的公開資料中，窺探百川智能下一步的商業化細節和模式。畢竟，對于醫療行業而言，模型能力僅是其摸到這個行業門檻的第一步，是否能夠足夠了解用戶、深入用戶需求，建立自己獨特的數據飛輪壁壘，是醫療AI初創公司生存的關鍵。

另一個更具有參考意義的初創公司范本或許是OpenEvidence ，為醫療垂直大模型初創公司提供了一個完美的生存樣本。相比大廠面向C端的醫療產品，初創公司則面向B端，做深做垂。

與 OpenAI 和螞蟻阿福主攻 C 端大眾不同，OpenEvidence 從一開始就只做醫生的生意。其用戶需經過嚴格的資質驗證，僅面向臨床醫生、執業護士、藥師等專業人士。這種定位決定了其獨特的商業模式。

首先是獲客邏輯，類似“專業版ChatGPT”。對驗證過的醫生免費開放，通過極致的工具體驗積累高頻專業用戶。

其次是變現邏輯，OpenEvidence“免費增值+精準廣告”。它并沒有向醫院收軟件費，而是在擁有了全美最精準的醫生流量后，引入了針對B端的精準推廣（如藥企資訊），實現了類似消費互聯網的病毒式傳播。

第三就是他們數據飛輪積累的模式，一方面，醫生的每一次使用，就能夠幫他們積累數據和反饋，另一方面OpenEvidence還切入了醫生的剛需——繼續教育學分（CME）。在美國，醫生每年必須修滿學分，OpenEvidence 將使用 AI 學習的過程認證為學分，這讓它搖身一變，成為了美國醫生的“學習強國”，極大地鎖定了用戶時長。

為了減少幻覺，OpenEvidence不聯網，而是大規模采用美國FDA、CDC發布的免費權威信息，以及同行評審的醫學文獻。

在做深做垂上，OpenEvidence的另一個示例是，2025年他們推出了一個叫做DeepConsult的AI Agent，被稱為"數字博士研讀助手"，能自主檢索并分析上百篇相關研究，將平時需要人工數月綜述的主題，在數小時內生成綜合研究報告發送給醫生。盡管每次調用的計算成本是普通搜索的100倍以上，OpenEvidence仍然免費向美國認證醫生開放這一功能。有很多醫生會用這個AI Agent來查找自己一輩子可能只遇到一兩次的病歷。

我們曾經跟硅谷風投機構UpHonest投研團隊探討OpenEvidence的模式對于創業者的啟發和參考。

模型的能力，只是這類公司成功的第一步。商業化和場景化的精準變現才是核心。OpenEvidence的專業化勝過泛化，在垂直領域做深做透，而非追求大而全；其次，PLG（產品驅動增長）產品質量驅動增長策略，繞過傳統 B2B 銷售的復雜流程；場景化變現，將用戶的專業決策場景轉化為高價值的廣告投放場景。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4829480.html?f=wyxwapp