螞蟻阿福，為啥不是王小川最先做出來？

“垂直領域，是AI創企的是避風港，還是焚化爐？

在中國大模型創企的叢林里，王小川一直被視為那個最懂醫療的“種子選手”。

從搜狗時代延續下來的醫療搜索基因，讓百川智能自誕生之日起，就堅定地把旗幟插在了醫療賽道的最高處。在同行們還在通用的幻覺里打轉時，百川已經早早喊出了“醫療大模型”的口號，試圖用專業數據構建起一道密不透風的護城河。

然而，整整一年的寂寞長跑，市場等來的卻是一聲略顯沉悶的回響。

就在大家開始懷疑“醫療AI是否還不到開花結果之時”的時候，螞蟻阿福突然橫空出世。這個背靠支付寶、長在金融土壤里的“異類”，以一種近乎野蠻的姿態席卷了醫療應用市場。極速攀升的用戶量、精準的診前建議、極低的幻覺率……這種撲面而來的代差感，像極了當初DeepSeek對硅谷巨頭的突襲。

這就產生了一個極其辛辣、甚至讓創業者感到絕望的悖論：

為什么深耕醫療、手握大量行業資源與數據的百川智能，沒能做出醫療賽道的現象級產品？而一個主業做金融、看似“外行”的螞蟻集團，卻在醫療這個最硬核的陣地里，完成了精準的降維打擊？

這背后的真相，可能并不是百川不夠努力，也不是醫療數據不夠多，而是一個大模型時代最殘酷的生存法則——在這個邏輯為王的時代，基座模型的能力，就是垂直賽道無法逾越的天花板。

600分與400分的殘酷代差

在AI圈，一直流傳著一個關于“童子功”的迷思：只要我喂的醫療數據夠多，我的模型就是神醫。

但現實卻給了這種“勤能補拙”論一個響亮的耳光。

我們可以把大模型的研發比作一場全民高考。通用基座模型的能力，本質上決定了這個學生的“基礎智商”和“邏輯下限”。

1.“邏輯母體”的降維打擊

想象兩個學生：

·學生A（阿里Qwen系列）：天賦極高，邏輯推演能力極強。在通用知識的海洋里博覽群書，高考模擬考能穩拿600分。他雖然沒專門學過醫，但只要給他看半個月的醫學教材，他就能舉一反三，準確理解病理之間的邏輯關聯。

·學生B（部分垂類創企）：底子薄弱，邏輯經常斷層。高考模擬考只能拿到 400來分。為了彌補不足，他沒日沒夜地死記硬背醫學詞典。

結果顯而易見：當用戶問出一個極其復雜、甚至包含多種生活場景干擾的病例時，400分的“專才”會因為邏輯理解不到位而產生嚴重的“幻覺”；而600分的“通才”憑借強大的閱讀理解和邏輯推理，能瞬間拆解出核心訴求。

這就是螞蟻阿福強悍的原因：它背后站著的是已經沖上“開源之王”寶座的Qwen系列和螞蟻百靈大模型。當通用智力實現跨代演進時，它對醫療文本的理解、對模糊語義的捕捉，完全是智力層面的跨代屠殺。

2.“數據紅利”的幻覺

王小川和百川智能當然不缺數據。他們擁有深厚的醫療資源、專業的業務場景、甚至最前線的臨床數據。但問題在于：數據不是護城河，處理數據的“消化器官”才是。

在大模型時代，原始數據就像原油，而基座模型就是煉油廠。如果你的煉油廠（基座能力）效率低下，給你再多頂級原油（醫療數據），你也產不出高辛烷值的航空煤油。

百川智能的尷尬在于，當它還沉浸在“積累醫療場景資源”的舊敘事中時，阿里系的基座能力已經完成了從“量變”到“質變”的飛躍。這種飛躍讓所有的行業積累在絕對的“智力差”面前，顯得如此無力。

3.基座二流，應用注定平庸

直白點說，在巨頭瘋狂迭代的通用基座競爭中，百川這類創企的基座能力往往被擠壓在‘第二梯隊’，難以在通用邏輯深度上與阿里、DeepSeek、ChatGPT、Gemini等頭部力量正面對抗。

一個邏輯底座只有400分水平的模型，無論套上多厚的“醫療殼子”，它的對話體驗、響應速度和準確率，都無法給用戶帶來那種“驚艷感”。而螞蟻阿福的出現，恰恰證明了：最頂級的醫療應用，首先必須是一個最頂級的通用AI。

為什么金融基因反而救了醫療AI？

如果說基座模型是“智商”，那么行業應用就是“情商”與“執行力”。百川智能在醫療賽道的失守，不僅是智商層面的被壓制，還有其他方面的原因：

1.金融級的“零容忍”

醫療和金融，本質上是全行業對“錯誤”容忍度最低的兩個孿生領域。

螞蟻做金融出身，骨子里刻著的是“合規”和“精準”。

當一個習慣了處理“一分錢都不能錯”的金融大腦，轉頭去處理“一毫克都不能錯”的處方建議時，那種對準確性的病態追求，反而成了醫療AI最需要的護城河。

2.場景的“閉環”

王小川的百川智能，更多時候像是一個拿著絕世好劍（醫療模型）在尋找戰場的俠客。而螞蟻阿福，是直接出生在戰場中心。

·支付寶的“國民級”入口：每天有數以千萬計的人在支付寶里掛號、繳費、查醫保。這些動作本身就是最真實的醫療需求。

·從對話到服務的“最后一公里”：螞蟻阿福背靠的是整個支付寶醫療生態——問完了，直接幫你掛號；看完病，直接解讀報告；藥快沒了，提醒你一鍵續方。

這種“模型即服務（MaaS）”的完整閉環，讓阿福不僅僅是一個會聊天的醫生，而是一個能辦事的助理。這種產品感知度，是純技術創企很難通過堆砌數據來彌補的。

3.阿里系的“暴力美學”

不得不承認，大模型是一場極其燒錢的軍備競賽。

當百川還在為萬卡集群的入場券和昂貴的算力租賃精打細算時，螞蟻背后站著的是阿里云的整建制支持。Qwen系列的每一個版本迭代，其算力成本和研發投入都是創企的數十倍。

這種“生態溢出”效應導致了一個殘酷的結果：阿里只要把通義千問的能力稍微往醫療方向“側一側身”，所爆發出的動能就足以覆蓋掉垂直創企數年的深耕。

大模型創企有沒有“第二條路”？

螞蟻阿福的橫空出世，是對整個AI創業圈的一次“冷水洗頭”。它迫使所有創業者必須直面那個血淋淋的真相：在AGI的絕對力量面前，舊時代的“垂直壁壘”正在像海浪前的沙堡一樣瓦解。

1.垂直領域：是避風港，還是焚化爐？

長期以來，創企們抱有一種幻覺：巨頭做通用，我做垂直；巨頭有算力，我有數據。垂直賽道被視為躲避巨頭炮火的“避風港”。

但現實證明，缺乏頂級基座支撐的垂直深耕，往往會變成資金和精力的“焚化爐”。醫療行業極其沉重，當你試圖用有限的算力去馴化一個二流基座處理復雜的醫療邏輯時，你投入的每一分錢都在產生邊際效應遞減。正如我們所見，當通用基座的邏輯能力跨過某個臨界點，它對垂直賽道的侵蝕是全覆蓋式的。

2.破局思考：效仿DeepSeek，從“數據迷信”轉向“架構突破”

如果基座能力決定了天花板，那么像百川智能這樣的創企，出路究竟在哪里？

或許，答案不在于更多的醫療數據，而在于更聰明的“算法效率”。

·單點突破：創企不應再盲目迷信“垂直數據”的堆砌。DeepSeek的崛起已經證明，通過創新的模型架構（如MLA、Multi-token Prediction）和極致的算力優化，即便沒有巨頭的資源，也能打磨出第一梯隊的推理能力。

·放棄全棧幻想：如果自研基座始終無法躋身“600分俱樂部”，那么最理性的選擇或許是徹底擁抱Qwen或DeepSeek這樣的頂尖開源基座，將全部精力投入到醫療場景的極精調（Post-training）與業務閉環上。

3.邏輯是引擎，閉環是方向盤

醫療AI的下半場，拼的不再是“誰的醫療詞庫更全”，而是“基座邏輯+行業閉環”的深度耦合。

未來優秀的醫療AI產品，必須具備兩個硬性指標：

極強的邏輯引擎：能聽懂大白話，能進行多步推理，能像頂級醫生一樣思考。

極深的場景嵌入：不僅僅會聊天，還要能接管掛號、支付、隨訪、藥效追蹤等所有瑣碎的環節。

王小川的英雄主義

碰上AI殘酷的現實主義

在技術的宏大敘事中，我們往往容易記住最后的贏家，卻忽略了拓荒者的背影。

王小川和他的百川智能，無疑是這場大模型浪潮中最具理想主義色彩的探索者。從放棄大廠的高薪厚職到毅然投身醫療這片“最硬的荒地”，王小川的探索價值不應被一時的市場熱度所抹殺。他為中國醫療AI試出了數據的深度，也試出了行業的壁壘，這種敢于“下苦功”的英雄主義，是技術進化史中不可或缺的動力。

然而，商業世界最浪漫的一面往往包裹著最殘酷的現實邏輯。

螞蟻阿福的突圍給所有人敲響了警鐘：大模型競爭是一場沒有終點的智力長跑。 在這場長跑中，所有的行業應用、場景積淀和數據護城河，都必須建立在一個穩固的基座之上。基座不穩，一切應用皆為泡沫。如果底層的智力水平無法保持在第一梯隊，那么在垂直賽道上的每一分努力，都可能是在沙灘上建大廈，潮水（通用AI能力）一漲，沙堡即平。

我們不必糾結于為什么“做金融的”贏了“做醫療的”。因為螞蟻阿福的成功，本質上并不是醫療垂直數據的勝利，而是通用人工智能（AGI）降臨垂直行業的初次啼鳴。

它告訴我們，未來的AI將不再區分“醫療”、“金融”或“教育”。當一個擁有頂級智力、極強邏輯和自我演化能力的“通用大腦”出現時，它會像空氣和水一樣，自然而然地滲透進每一個行業。

醫療賽道的這把火，才剛剛開始燒。而留給垂直創企的時間，已經不多了。