困住医疗AI的死循环，终于有国产玩家跑通了

40%美国医生天天用的医疗AI，凭什么？

美国AI医疗初创公司OpenEvidence的崛起堪称现象级。成立仅四年，它已覆盖美国约40%的执业医生，注册医生总量超25万，日均处理临床查询超6万次。在资本层面，其估值从2025年7月的35亿美元飙升至10月的60亿美元，三个月增长近70%。OpenEvidence并非通用大模型，而是一个专为医生设计的“医学证据搜索引擎”——它整合全球权威医学文献，能在数秒内输出可追溯、结构化的临床决策支持内容。其创始人举过一个典型案例：一位银屑病合并多发性硬化症的患者就诊，皮肤科医生急需了解IL-17抑制剂与IL-23抑制剂对合并症患者的安全性证据。传统搜索只能得到文献标题，而OpenEvidence能精准定位到顶级期刊中回答这个具体问题的段落，直接给出答案并附上参考文献。

拒绝堆参数：小模型如何完胜万亿参数大模型

在通用大模型疯狂堆参数的浪潮中，OpenEvidence选择了一条“反共识”的技术路线。2023年，它发表论文《Do We Still Need Clinical Language Models?》，论证了在医疗等高精度领域，专门训练的70亿参数模型表现优于数万亿参数的通用模型。这一理念在2025年8月得到极致验证：OpenEvidence在美国医师执照考试（USMLE）中以325道题全部正确获得满分，超越ChatGPT-5，成为史上首个满分的AI系统。其技术体系围绕三大核心构建：垂直化模型训练（只使用PubMed、Cochrane等权威公共数据，拒绝公共互联网内容）、证据可信度（每条输出结论必须关联至少2篇高等级文献的具体段落，实现可追溯）、医疗场景可用性（在Mayo Clinic实测中，复杂病例处理时间缩短40%，误诊率下降35%）。更重要的是，它获得了《新英格兰医学杂志》（NEJM）的独家全文训练授权，后者主动与其合作，形成“权威内容→精准模型→医生使用→流量回流期刊”的良性循环。

免费+广告：医疗AI的商业奇迹怎么炼成的

OpenEvidence的商业模式巧妙地避开了传统医疗AI的“死循环”——冗长的医院采购流程和FDA审批。它将自己定位为“医学信息检索工具”，而非需要审批的诊断设备，从而绕开监管壁垒。产品直接向医生个人提供免费服务，只需用NPI（美国国家医师识别码）或执业医师邮箱注册即可使用核心功能。这种极低的决策成本使得产品依靠口碑在医生群体中病毒式传播。商业化则依赖场景化精准广告：当肿瘤科医生查询“PD-1抑制剂”时，系统会推送相关药物的3期研究成果，广告内容经临床专家审核，且与答案系统物理隔离，不干扰临床判断。这一模式让礼来、辉瑞、罗氏等药企的营销预算从广撒网变为精准触达。目前，OpenEvidence年广告收入已超5000万美元，手握约4亿美元广告库存，毛利率超90%，成为少数跑通盈利模式的AI初创公司。

中国玩家的破局尝试：B端起步，等待C端爆发

与美国医生作为独立决策者不同，中国医生执业于公立医院体系内，工具采购需医院审批，个人免费工具难以进入核心流程。因此，国内医疗AI玩家普遍选择了“曲线救国”的B端路径。例如，零假设旗下的“KnowS”先服务头部药企，通过付费项目积累高质量标注数据，再推出面向医生的产品；灵犀医疗的EviMed已在超100家三甲医院试点，覆盖心血管、抗感染等领域；百川智能的M2Plus通过六源循证推理范式降低AI幻觉率；医渡临床Copilot则深度融合医院院内数据，直接对接患者数据生成可执行的诊疗策略。这些产品虽未实现OpenEvidence的病毒式增长，却在打造内容护城河——通过主动整合全球亿级文献、动态更新知识库、引入循证增强训练机制，逐步积累医生信任。

国产OpenEvidence还有多远？数据与信任的终极赛跑

业内专家指出，国产OpenEvidence的真正启动需要一批活跃的医生用户，而这类产品短期内难以出现一模一样的复制品，因为中美医疗生态土壤不同。OpenEvidence的成功高度依赖两点：顶级期刊的独家授权（这是任何付费推广都买不到的品牌信任）和产品驱动增长（PLG）模式（医生自发使用→数据优化→更好体验→口碑传播）。目前国内AI大模型虽在数据质量上下了大功夫，但相比NEJM级别的权威背书仍有差距。不过，3-5年窗口期依然存在——随着国内产品在B端合作中积累足够数据并打磨好产品，当医生群体对AI工具的依赖从“试用”变为“刚需”，C端爆发或将成为可能。医疗AI的竞争本质是数据与信任的竞争，谁先打破“内容稀缺→用户稀少→数据不足→模型不准”的死循环，谁就能在算法时代赢得希波克拉底誓言的新生。