OpenEvidence启示：中国医疗AI的增长密码何在？在医疗这个高门槛、强监管的行业，美国公司OpenEvidence创造了惊人的增长奇迹。成立仅四年，它已覆盖美国约40%的执业医生，注册医师超25万，日均处理临床查询超6万次，成为史上增速最快的医生端AI平台。自今年7月以来，其月均临床咨询量几乎每月翻番，目前高达1500万次。资本市场上，其估值在短短三个月内从35亿美元飙升至60亿美元，累计融资超3亿美元，吸引了谷歌风投、红杉资本等顶级机构。这一现象级产品的成功，让业界不禁深思：中国能否复制这样的神话？OpenEvidence成功的核心在于精准切入临床医生的真实痛点。当今医学知识每73天翻一倍，医生深陷“知识过载但可信信息稀缺”的困境。例如，皮肤科医生面对银屑病合并多发性硬化症的患者时，很难快速获取关于IL-17抑制剂与IL-23抑制剂疗效的最新权威证据。传统检索工具往往只能提供文献标题，而OpenEvidence通过整合全球顶级医学文献数据库，能在数秒内输出结构清晰、结论可追溯的答案，且每一句回答都精准关联至《新英格兰医学杂志》等顶刊的具体段落，有效规避了AI“幻觉”风险。业内将其评价为“医学证据的增强版Google”和“医生的专属ChatGPT”。在技术路径上，OpenEvidence逆潮而行，放弃了通用大模型的参数竞赛，坚持走垂直知识深化的专精路线。它论证并实践了在医疗这类高精度领域，专门训练的70亿参数小模型表现优于万亿参数通用模型的内在逻辑。2025年8月，该系统在美国医师执照考试中获得满分，全部325道问题均准确回答并提供完整参考文献，成绩超越了ChatGPT-5，这为其方法论提供了最强背书。其数据严格选自PubMed、Cochrane等权威经同行评审的源，并创新性地与《新英格兰医学杂志》达成独家合作，获得全文索引权限，形成了“医生获得可靠答案—期刊获得精准流量—模型持续优化”的良性循环。在实际应用中，系统能将复杂病例处理时间缩短40%，在罕见病诊断上的准确率甚至超过专科医生组。其商业模式同样独具匠心，巧妙地绕开了传统医疗AI进入医院系统的冗长流程和FDA严苛审批。它将自身定位为“医学信息检索工具”而非诊断设备，从而规避审批；直接向医生个人提供免费服务，通过邮箱或执业医师码快速注册，凭借极致体验和免费策略在医生社群中实现病毒式传播。盈利则依靠基于庞大医生用户的场景化精准广告，例如当肿瘤科医生查询“PD-1抑制剂”时，平台会推送相关药物的三期临床研究成果，且广告经临床专家审核，并与答案系统物理区隔。目前，其年广告收入已超5000万美元，毛利率高达90%，已跑通可持续的盈利闭环。反观国内市场，虽已涌现出如零假设的“KnowS”、百川智能的M2Plus、灵犀医疗的“EviMed”以及医渡临床Copilot等旨在为医生提供循证决策支持的产品，但发展路径因生态差异而显著不同。核心区别在于，美国医生是独立决策者，有消费级产品使用习惯，而中国医生深度嵌入公立医院体系，工具采购需经医院审批。因此，国内产品大多选择To B收费模式，优先服务医院或药企，在打磨产品的同时积累高质量数据，难以实现OpenEvidence那种直接面向医生、依靠产品力驱动增长的病毒式传播。此外，在权威内容合作上，国内产品也暂未建立起如《新英格兰医学杂志》独家授权级别的品牌信任护城河。然而，OpenEvidence的成功策略对国产医疗AI具有重要启示：坚持可信优先，构建内容与数据的双重壁垒；以医生真实工作流为中心进行产品设计；探索可行的商业化闭环。短期内，因医疗生态土壤不同，中国可能不会出现完全相同的复制品。但从长远看，国产AI通过服务B端积累数据、打磨产品，有望在未来3到5年内逐步向C端医生群体渗透，实现突破。医疗AI的竞争，本质是数据质量与临床信任的竞争。无论是OpenEvidence还是中国探索者，其目标都不是替代医生，而是让海量知识在算法时代转化为更精准的临床决策支持，最终惠及每一位患者。热门微博 科技快讯 ai医疗 哈勃观察员