聯(lián)系電話: 010-8882344888
彩神官方AI 醫(yī)療公司 OpenEvidence 在 2 月份獲得紅杉資本新一輪的 7500 萬美元融資，估值超過 10 億美元，成為了新的 AI 獨角獸。
更為耀眼的是它的用戶數(shù)據(jù)，官方聲稱，1/4 的美國用戶醫(yī)生已經(jīng)在使用 OpenEvidence 的工具。
「如果算上所有活躍用戶，每月有 30-40 萬人接觸我們的系統(tǒng)，其中 20 多萬醫(yī)生會登錄并提問。換句線% 的醫(yī)生，已經(jīng)在某種程度上使用 OpenEvidence 了?！?/p>
成立于 2021 年，OpenEvidence 專注于提供專業(yè)的 AI 醫(yī)學(xué)知識助手，向所有醫(yī)生免費開放，通過廣告產(chǎn)生收入，產(chǎn)品迅速實現(xiàn)了自發(fā)傳播，并與《新英格蘭醫(yī)學(xué)雜志》等出版機構(gòu)達成戰(zhàn)略合作。
這種增長方式也是紅杉投資決策的關(guān)鍵因素。紅杉合伙人 Pat Grady 領(lǐng)導(dǎo)了這一輪投資，他認為 OpenEvidence 的采用與消費者互聯(lián)網(wǎng)產(chǎn)品的傳播方式相似。「沒有多少醫(yī)療工具能像消費者應(yīng)用程序那樣傳播，但這是其中之一。」
創(chuàng)始人 Daniel Nadler 最近參與紅杉資本的播客節(jié)目，對于 AI 醫(yī)療產(chǎn)品的落地、增長，以及如何做沒有幻覺的 AI 模型，輸出了很多干貨信息。Founder Park基于播客節(jié)目整理了文章。
傳統(tǒng)上，醫(yī)療 AI 產(chǎn)品往往需要通過醫(yī)院或其他機構(gòu)的審批，而 OpenEvidence 直接面向醫(yī)生，讓他們能快速獲取最新醫(yī)學(xué)知識。這種方式讓產(chǎn)品更快得到廣泛應(yīng)用。
醫(yī)生也是普通人，醫(yī)生也是消費者。如果你做出一個足夠好的產(chǎn)品，能夠真正改變他們的工作方式，甚至改變整個行業(yè)，然后直接放在 AppStore 上，但真的有效。
除了工作時間長、醫(yī)學(xué)院的高強度學(xué)習(xí)，還有醫(yī)生人數(shù)本來就不夠，他們還要面對一個極大的挑戰(zhàn)——醫(yī)學(xué)知識的更新速度太快，大約每五年翻一倍，根本跟不上。
但對醫(yī)生來說，幾乎所有情況都是特殊案例，都屬于「邊緣情況」。醫(yī)生的日常工作，就是不停地查找這些特殊案例對應(yīng)的解決方案。
我們的目標是「對醫(yī)學(xué)做 JPEG 壓縮」。所以，我們的訓(xùn)練數(shù)據(jù)主要是同行評審的醫(yī)學(xué)文獻，以及 FDA（美國食品藥品監(jiān)督管理局）和 CDC（美國疾病控制與預(yù)防中心）發(fā)布的權(quán)威信息。
我們解決幻覺的方法就是徹底避免讓 OpenEvidence 連接到公共互聯(lián)網(wǎng)，所有訓(xùn)練數(shù)據(jù)都必須是經(jīng)過同行評審的醫(yī)學(xué)研究。而且我們也不像那些只靠一個大模型的做法，而是用了多個模型組成的「集成架構(gòu)」，每個模型負責不同的任務(wù)
雖然已經(jīng)被說了無數(shù)遍，但我也找不到更好的表達方式：頂尖人才只想和頂尖人才共事。
Daniel Nadler:現(xiàn)在大概有 10 萬名美國醫(yī)生在用，還有一些來自全球其他地方的用戶。
Daniel Nadler:可能才一千人，甚至更少。其實很多人可能不知道，美國大約有 100 萬名醫(yī)生，要為 3.4 億人口提供醫(yī)療服務(wù)。這本身就是個值得討論的問題。而在這 100 萬名醫(yī)生中，如今大概有 10 萬人每個月會使用 OpenEvidence。
如果算上所有活躍用戶，每月有 30-40 萬人接觸我們的系統(tǒng)，其中 20 多萬醫(yī)生會登錄并提問。換句線% 的醫(yī)生，已經(jīng)在某種程度上使用 OpenEvidence 了。
Pat Grady: Sequoia 主要投資科技行業(yè)，而不是醫(yī)療行業(yè)。但據(jù)我了解，在醫(yī)療領(lǐng)域，10 萬名醫(yī)生短時間內(nèi)開始使用一個新產(chǎn)品，是非常不尋常的。一般來說，醫(yī)療行業(yè)的增長速度沒這么快。你們到底做對了什么？
Daniel Nadler:這也是我們合作愉快的原因——因為你們不是傳統(tǒng)的醫(yī)療投資人，而我們的做法也不是典型的醫(yī)療行業(yè)做法。我們的關(guān)鍵點在于，我們認識到——醫(yī)生也是普通人，醫(yī)生也是消費者。事實上，每個人都是消費者。而你們的投資策略也抓住了這一點，你們不會把「消費者互聯(lián)網(wǎng)」單獨當成一類，然后把醫(yī)療行業(yè)歸為一個獨立、封閉、難以滲透的領(lǐng)域。你們把所有行業(yè)都用互聯(lián)網(wǎng)的增長曲線來看待，我們的思路也是一樣的。
如果你從「自上而下」的方式入手，比如很多人說醫(yī)療行業(yè)很難進入，做醫(yī)療創(chuàng)業(yè)太難了，別去碰這個行業(yè)……
沒錯。因為大家的思路都一樣——他們都在用同樣的方式「撞墻」。他們想辦法去找某個大型醫(yī)療集團的高層，比如首席醫(yī)療信息官（CMIO）或者首席技術(shù)官（CTO），然后想方設(shè)法約個會，爭取見上一面。哪怕他們?nèi)嗣}再廣，光是把這場會議安排上，就得等三四個月。等終于開上第一場會，他們會興奮地擊掌：「太棒了！反饋很好！」
然后呢？然后他們要安排第二場會，可能是跟醫(yī)院的「AI 委員會」開會。這又得等三個月。等到真的去開會了，這期間醫(yī)院的 AI 策略可能已經(jīng)變了，政策環(huán)境可能也變了，甚至美國總統(tǒng)換了，新政府突然有了新的 AI 監(jiān)管要求。于是會議又被推遲，一年過去了，他們可能還在第三、第四場會議的路上。而真正需要這個工具的醫(yī)生呢？在這個過程中，他們根本沒機會用上。
我在這方面有很多經(jīng)驗——這已經(jīng)不是我第一次創(chuàng)業(yè)了。在創(chuàng)辦 OpenEvidence 之前，我已經(jīng)成功賣掉了一家 AI 公司。
Daniel Nadler:我對美國大公司的運作方式再熟悉不過了。這不只是醫(yī)療行業(yè)的問題，所有大機構(gòu)運作起來都差不多。我很清楚這個套路，知道它行不通。尤其是對我來說，這是我的第二家公司，我想做的不是一場漫長的審批馬拉松，而是真正讓醫(yī)生用得上的產(chǎn)品。如果我花幾年時間做了一家「有使命感、有影響力」的醫(yī)療AI公司，結(jié)果醫(yī)生根本沒法用，那還有什么意義？所以我們選擇了完全不同的方式。醫(yī)生也是普通人，醫(yī)生也是消費者。如果你做出一個足夠好的產(chǎn)品，能夠真正改變他們的工作方式，甚至改變整個行業(yè)，然后直接放在 AppStore 上——這聽起來像是創(chuàng)業(yè)入門課 101 的內(nèi)容，但真的有效。
我們沒有燒錢做市場推廣，也沒有鋪天蓋地的廣告，一切都是醫(yī)生之間的「口口相傳」。當醫(yī)生覺得這個工具真的好用，他們就會告訴身邊的同行。然后越來越多人開始用，形成了自然的增長。這種增長模式和特斯拉早期的策略很像。特斯拉一開始幾乎不做廣告，而當時汽車廣告是整個廣告行業(yè)的重頭戲。大家都覺得，要想賣車，必須砸大錢做廣告。但特斯拉說：「我們就做一款超級棒的車，讓用戶自己去傳播。開過的人會覺得『天吶，這比其他車好太多了！』然后主動推薦給別人?！?/p>
同樣的事情發(fā)生在 OpenEvidence 身上。醫(yī)生從 App Store 試用，覺得好用就推薦給同行。一年前，可能只有幾百上千人用它；今天，已經(jīng)有幾十萬醫(yī)生在用了。大概占美國所有執(zhí)業(yè)醫(yī)生的 10% -25%。具體比例取決于計算方式，因為拿到行醫(yī)執(zhí)照的醫(yī)生比真正活躍執(zhí)業(yè)的醫(yī)生多，但即使按最低標準計算，OpenEvidence 也已經(jīng)覆蓋了 10% 以上的美國醫(yī)生。而這一切，完全是靠產(chǎn)品口碑驅(qū)動的。
Pat Grady:大家可能很容易理解「什么是好車」，但「什么是醫(yī)生需要的好應(yīng)用」可能就沒那么直觀了。
Daniel Nadler：我覺得一款產(chǎn)品好不好，最核心的一點就是它能不能真正解決問題。很多科技產(chǎn)品其實是「先有解決方案，再找問題」，但真正好的產(chǎn)品必須從實際痛點出發(fā)，提供真正有效的解決方案。那么，做醫(yī)生最難的是什么？除了工作時間長、醫(yī)學(xué)院的高強度學(xué)習(xí)，還有醫(yī)生人數(shù)本來就不夠，他們還要面對一個極大的挑戰(zhàn)——
醫(yī)學(xué)知識的更新速度太快，像消防水管噴涌而出的信息流，根本跟不上。很多人沒意識到這個問題，但實際上，每分鐘就有兩篇新的醫(yī)學(xué)論文發(fā)表，一天 24 小時不間斷，一周七天都如此。Nature 曾經(jīng)有篇研究表明，醫(yī)學(xué)知識每 73 天就翻一倍。當然，這個算法可能有點激進，我們在 OpenEvidence 內(nèi)部做了一次更保守的測算，
結(jié)果是大約每五年翻一倍。這里的統(tǒng)計方式很關(guān)鍵，比如如果把所有的引用都算進去，可能就會得出 73 天這個結(jié)果。但醫(yī)學(xué)研究并不是所有論文的質(zhì)量都一樣，真正對醫(yī)生有用的，往往是頂尖的期刊，比如影響因子最高的前三分之一的期刊。即便只看這些，醫(yī)學(xué)知識每五年就翻一倍。如果你稍微算一下，就會發(fā)現(xiàn)這意味著什么：1950 年，醫(yī)學(xué)知識大約 50 年翻一倍，而現(xiàn)在是 5 年。換句線 年，一個醫(yī)生從醫(yī)學(xué)院畢業(yè)，他學(xué)到的知識在整個職業(yè)生涯中還能管用。到他退休時，可能有一半的知識過時了，但影響不大，因為他的職業(yè)生涯也差不多結(jié)束了。而且那時候的醫(yī)學(xué)進展也沒那么快，所以醫(yī)生還能靠日常學(xué)習(xí)慢慢跟上。
但今天情況完全不同了。醫(yī)生還沒等到完成住院醫(yī)師或進修醫(yī)師培訓(xùn)，他們在醫(yī)學(xué)院學(xué)到的內(nèi)容就已經(jīng)有一半過時了。醫(yī)學(xué)教育曾經(jīng)是醫(yī)生獲取知識的主要方式，但現(xiàn)在，它能支撐醫(yī)生知識面的時間可能只有幾年。
舉個例子，假設(shè)一個銀屑病患者去看皮膚科醫(yī)生。理論上，醫(yī)生可以查閱最新的生物制劑研究，挑選最安全、最有效的治療方案。但問題是，皮膚科醫(yī)生可能會關(guān)注皮膚病相關(guān)的醫(yī)學(xué)期刊，但如果這個患者同時患有
?。∕S），那情況就復(fù)雜了。MS 主要屬于神經(jīng)科的研究范疇，指望皮膚科醫(yī)生把所有的神經(jīng)科期刊也都看完，顯然不現(xiàn)實。更別說不同疾病之間的交叉領(lǐng)域，信息量更是龐大。在這種情況下，醫(yī)生就很難辦。一方面，他們不能隨便給患者開藥，萬一藥物影響了 MS 的病情怎么辦？另一方面，他們也不能什么都不做，因為風(fēng)險不明確就不治療銀屑病，這對患者的生活質(zhì)量影響很大。他們需要找到最靠譜的最新研究，比如 IL-17 和 IL-23 抑制劑的療效和安全性，尤其是針對同時患有 MS 的患者。
在 OpenEvidence 之前，醫(yī)生要查這些信息特別費勁。去 Google 搜？搜不到有用的信息。去 PubMed 查？最多就是給你一堆論文標題，但你要的并不是一篇通用的綜述論文，而是一個非常具體的問題：對既有銀屑病又有 MS 的患者，IL-17 抑制劑和 IL-23 抑制劑哪個更安全？哪個更有效？
讓醫(yī)生可以快速找到最新、最準確的醫(yī)學(xué)證據(jù)。像這樣的問題，并不是個例，而是每天都會發(fā)生的情況。醫(yī)學(xué)涉及的領(lǐng)域太廣了，每一個病例幾乎都是一個「邊緣案例」，需要醫(yī)生在大量信息中尋找最相關(guān)的答案。
Daniel Nadler:從工程的角度來看，醫(yī)學(xué)的復(fù)雜度可以說是無限大的。雖然不是真正的「無限」，但對醫(yī)生來說，幾乎所有情況都是特殊案例，都屬于「邊緣情況」。醫(yī)生的日常工作，就是不停地查找這些特殊案例對應(yīng)的解決方案。換句話說，如果你能幫助醫(yī)生更高效地找到這些罕見病例的參考資料，比如在頂級醫(yī)學(xué)期刊里找到關(guān)于銀屑病合并多發(fā)性硬化癥患者，IL-17 和 IL-23 抑制劑安全性比較的研究，那么你就大大改善了醫(yī)生的工作體驗。更重要的是，這樣還能提高患者的治療效果，避免因為醫(yī)生不知道「IL-17 對銀屑病效果很好，但對有多發(fā)性硬化癥的患者來說，IL-23 其實更安全」這樣的關(guān)鍵信息，而導(dǎo)致病情惡化。醫(yī)生之所以可能不知道這些信息，并不是他們的問題，而是因為在他們上醫(yī)學(xué)院的時候，這些研究根本還不存在。像 IL-23 抑制劑，2017 到 2019 年才出現(xiàn)，就算是現(xiàn)在還很年輕的醫(yī)生，讀書時也沒學(xué)過這些新知識。他們只能在畢業(yè)后自己去追蹤最新的研究。但問題是，這種「邊緣情況」太多了，每一個這樣的案例背后，可能還有成千上萬個類似的情況需要關(guān)注。在有 OpenEvidence 之前，醫(yī)生要想隨時跟上這些更新，幾乎是不可能的，而這就可能影響到患者的治療效果。
很多醫(yī)生用 OpenEvidence 后告訴我們，他們會用它來查找那些自己一輩子可能只遇到一兩次的病例。而當越來越多醫(yī)生都這樣說，涉及的病例各不相同時，我們就意識到，醫(yī)學(xué)知識的「長尾」有多么驚人——雖然沒有真正無限長，但對人腦來說，已經(jīng)復(fù)雜到幾乎無法完全掌握。
而 OpenEvidence 的作用，就是幫助醫(yī)生在這條漫長的「長尾」里，精準找到他們需要的知識。
Pat Grady:醫(yī)學(xué)知識增長的速度非?？?，這本來是件好事，但問題在于，醫(yī)生的學(xué)習(xí)能力是有限的，無法完全消化這些海量的新信息。就像一個不斷被裝滿的桶，里面的「潛在能量」很大，但沒法順利轉(zhuǎn)化成「動能」，因為醫(yī)生無法高效地吸收和應(yīng)用這些信息。AI 擅長處理海量文本、進行推理，所以 AI 的出現(xiàn)正好可以解決這個問題，把這些醫(yī)學(xué)知識轉(zhuǎn)化成醫(yī)生真正可用的工具。
Daniel Nadler:簡單來說，OpenEvidence 的「evidence」就是經(jīng)過同行評審的醫(yī)學(xué)文獻。更重要的是，我們要明確它不是什么。過去很多大公司嘗試用 AI 做醫(yī)學(xué)應(yīng)用，但最后「翻車」了，其中一個重要原因就是它們的數(shù)據(jù)來源有問題——它們直接從網(wǎng)上抓取信息，比如各種健康博客，甚至是社交媒體上的帖子。而這些內(nèi)容的作者，大多數(shù)既不是醫(yī)生，也沒有醫(yī)學(xué)背景，很多人同時還寫旅游攻略、做美食博客，真正的專業(yè)知識有限。問題是，AI 學(xué)習(xí)的內(nèi)容就是這些博客里的信息，所以當大模型在早期階段輸出一些荒謬的醫(yī)學(xué)建議時，問題不在于 AI「瘋了」，而是它學(xué)到的東西本來就不夠?qū)I(yè)。而 OpenEvidence 完全走了另一條路，我們的模型不聯(lián)網(wǎng)，不會去抓取互聯(lián)網(wǎng)上的內(nèi)容。我們的數(shù)據(jù)來源是像《新英格蘭醫(yī)學(xué)雜志》這樣的頂級醫(yī)學(xué)期刊，我們還和他們建立了戰(zhàn)略合作關(guān)系。
Pat Grady:《新英格蘭醫(yī)學(xué)雜志》一般不會隨便授權(quán)AI公司使用他們的研究數(shù)據(jù)吧？
Daniel Nadler:確實不會。據(jù)我所知，我們是唯一一家獲得授權(quán)的 AI 公司。很多 AI 公司都去找他們談合作，但基本都被拒絕了。
Pat Grady：為什么他們似乎信任 OpenEvidence，而不信任其他公司？你們到底有什么特別的地方，讓他們愿意合作？
具體的細節(jié)就不展開了，簡單來說，很多知名 AI 公司去找《新英格蘭醫(yī)學(xué)雜志》，問他們：「我們能用你們的數(shù)據(jù)來訓(xùn)練模型嗎？」結(jié)果被直接拒絕了。我不去揣測他們拒絕的具體原因，也不能替他們發(fā)言，但總之他們說了「不」。而我們的情況完全不同，我們壓根沒去主動找他們，而是他們主動找到我們。怎么回事呢？《新英格蘭醫(yī)學(xué)雜志》編輯委員會里的幾位重量級人物本身就是 OpenEvidence 的深度用戶，他們希望自己常用的工具里能包含他們的內(nèi)容。
這就是最理想的情況，對吧？所以他們主動找上門來，我們也花了很多時間去打磨合作框架，確保合作方式符合他們的品牌定位，保護他們的學(xué)術(shù)權(quán)威性。畢竟，他們是醫(yī)學(xué)界的「天花板」，是行業(yè)頂尖的醫(yī)學(xué)期刊，而且他們是非盈利機構(gòu)，不是靠商業(yè)化賺錢的。就算有人砸再多錢，他們也不會因為錢而輕易妥協(xié)。事實上，一些資金雄厚的 AI 公司確實嘗試用巨額資金打動他們，但他們依然拒絕了。如果他們是私營企業(yè)，可能會接受，但他們是由馬薩諸塞州醫(yī)學(xué)會運營的非營利機構(gòu)，他們更看重自己的學(xué)術(shù)使命，而不是短期的商業(yè)利益。對 OpenEvidence 來說，這個合作就像是「水到渠成」。雜志社的核心人員本身就是我們的用戶，他們用了覺得好，就主動找我們談合作。如果我們采取傳統(tǒng)的企業(yè) SaaS 推廣模式，比如先花很長時間去談醫(yī)院的大規(guī)模合作，等著參加第 17 次會議，還沒用戶使用，那《新英格蘭醫(yī)學(xué)雜志》的人也不會接觸到這個產(chǎn)品，更談不上喜歡上它。最終，我們也不會有這個機會達成合作。
所以，這就形成了一個良性循環(huán)：我們把產(chǎn)品免費推出去，讓人們自發(fā)使用，然后核心用戶群里剛好有《新英格蘭醫(yī)學(xué)雜志》的重要人物，他們用著覺得不錯，就主動找到我們，最終促成了合作?，F(xiàn)在，我們的模型可以基于他們完整的數(shù)據(jù)進行訓(xùn)練，而市場上其他 AI 產(chǎn)品都做不到這一點，我可以很肯定地說，目前 OpenEvidence 是唯一一個完整訓(xùn)練了《新英格蘭醫(yī)學(xué)雜志》全文的 AI 產(chǎn)品。
Pat Grady：剛才聊了「Evidence」這個詞的含義，現(xiàn)在來說說「Open」。為什么「Open」這么重要？它意味著什么？
Daniel Nadler：「Open」對我來說，一開始就意味著很多東西，其中最核心的一點是我們的市場策略。它時刻提醒我，OpenEvidence 不是一家傳統(tǒng)的企業(yè) SaaS 公司。我的第一家公司就是做企業(yè) SaaS 的，那種模式可以很賺錢，你也很清楚，企業(yè) SaaS 賽道能跑出很多成功的公司。但在做第二家公司的時候，我不想重復(fù)自己，我希望它不僅僅是個有影響力、有使命驅(qū)動的公司，還要和我的第一家公司完全不同。所以，我決定不走企業(yè) SaaS 模式，而是直接面向個人用戶，或者更準確地說，面向「專業(yè)用戶」?！窸pen」這個詞，就代表了這種理念：
我們直接觸達醫(yī)生，而不是讓醫(yī)院管理層或其他人來做中間商。醫(yī)生是直接的使用者，他們的痛點很明顯——工作負擔過重、時間不夠、患者太多，還要處理海量的醫(yī)學(xué)信息。我們的目標就是幫他們解決這個問題，讓他們更輕松地獲取關(guān)鍵信息。此外，「Open」還代表著醫(yī)療信息的公平性。在美國的醫(yī)療體系里，資源分配非常不均衡，就像社會其他領(lǐng)域一樣，有錢的醫(yī)院可以買到所有最先進的工具，甚至有預(yù)算去試用各種軟件，但最終可能真正使用的寥寥無幾。如果你讓馬斯克去審計這些頂級醫(yī)院的 SaaS 支出，他估計會大跌眼鏡——他們買了一堆工具，但真正用的卻少之又少。
Daniel Nadler：你看，一方面大型醫(yī)院、研究機構(gòu)在用高端科技，但另一方面，在美國農(nóng)村地區(qū)，或者一些經(jīng)濟條件較差的城市里，很多醫(yī)生其實是私人執(zhí)業(yè)，或者是在小型診所里工作，比如不到 10 人的團隊。很多人可能不知道，其實醫(yī)生也是小企業(yè)主，他們不是都在那些資金雄厚的大型醫(yī)院系統(tǒng)里上班。很多醫(yī)生是自己開診所的，就像上世紀 50 年代那樣，他們有自己的診所，可能只有一兩個行政助理或者秘書幫忙，剩下的所有事都得自己操心——看病、管理、處理各種行政事務(wù)，全都壓在他們身上。而且他們沒有龐大的科技預(yù)算，更別提像大學(xué)那種基金會支持了。他們根本負擔不起每年 1 萬、2 萬美元的軟件訂閱費。所以，這就是「開放」的意義。我們收到一封來自喬治亞州奧爾巴尼的一位醫(yī)生的信，他是當?shù)匾患野┌Y中心的主任，同時也是一名社區(qū)腫瘤醫(yī)生。他說 OpenEvidence 已經(jīng)成為他日常行醫(yī)的生命線，讓他的癌癥治療方式發(fā)生了巨大變化。而我對奧爾巴尼并不了解，就上網(wǎng)查了一下，發(fā)現(xiàn)這里位于喬治亞州西南部，75% 的人口是非裔美籍，家庭收入中位數(shù)是 4.3 萬美元/年。
然后我開始拼湊這個醫(yī)生的處境——他可能是方圓 50 英里內(nèi)唯一的腫瘤科醫(yī)生，或者就算有第二個醫(yī)生，也要服務(wù)大范圍、經(jīng)濟條件一般的患者。他根本不可能拿出 1 萬、2 萬美元去訂購 SaaS 軟件。而這就是「開放」的意義。我們還收到來自阿拉斯加費爾班克斯的一封信，一位醫(yī)生說她在當?shù)氐纳鐓^(qū)診所工作，幾乎沒有機會接觸到?？漆t(yī)生。OpenEvidence 讓她能夠獲取?？萍墑e的醫(yī)學(xué)知識，即便她所在的地方根本沒有相關(guān)的專家資源。
想想這個場景，她在一個小型社區(qū)診所，不是在有充足資金的大醫(yī)院上班，她根本不可能花大價錢買這些軟件。所以，這就是「開放」的意義——它適用于全國的每一位醫(yī)生。我們很自豪，OpenEvidence 不僅僅被梅奧診所（美國著名的醫(yī)療機構(gòu)）使用，我們當然很喜歡梅奧診所，甚至曾在那孵化過一部分產(chǎn)品，很多頂級醫(yī)院的醫(yī)生也在用它，但它的價值不僅限于這些精英醫(yī)療機構(gòu)。我們的用戶遍布全美，從鄉(xiāng)村診所到城市醫(yī)院，從梅奧診所到克利夫蘭診所，甚至在沃爾特·里德國家軍事醫(yī)療中心，幫助政府為士兵和提供治療，而政府不需要花三年時間走采購流程。
再舉個例子，美國事務(wù)部（VA）是全國最大的醫(yī)療系統(tǒng)之一，也是最重要的醫(yī)療體系之一，因為它為軍人和提供治療。而 VA 采購新技術(shù)通常需要三年時間，如果 OpenEvidence 不是開放的，我們可能還在政府的審批流程里徘徊，等著決定 VA 里的醫(yī)生能不能用它來幫助。而現(xiàn)在，我們已經(jīng)收到來自 VA 醫(yī)生的信，他們說 OpenEvidence 在關(guān)鍵時刻幫助他們做出治療決定，改善了的護理質(zhì)量。這讓我每天醒來都充滿動力。這就是「開放」的意義。
Pat Grady：你們算是為醫(yī)療行業(yè)打造了一款「殺手級應(yīng)用」，而且效果很好。我們的很多聽眾也在做類似的事情，試圖用 AI 打造自己的「殺手級應(yīng)用」。所以，我很好奇，你們是怎么做出來的？它是基于 GPT-3 或 GPT-4 的某種封裝嗎？背后的技術(shù)是什么？能不能講講？
Daniel Nadler：我分兩部分來講，一部分是我們是怎么做的，另一部分是對聽眾來說有哪些可借鑒的地方。我猜很多聽眾的應(yīng)用可能不像醫(yī)療領(lǐng)域這么特殊，所以也想談?wù)劯ㄓ玫姆椒?。在醫(yī)療領(lǐng)域，我們的解決方式是組建了一支博士級別的科學(xué)家團隊。我的聯(lián)合創(chuàng)始人 Zachary Ziegler 是哈佛的計算機科學(xué)家，師從 NLP 領(lǐng)域的頂級學(xué)者 Alexander Rush。Evan Hernandez 來自 MIT 的 Jacob Andreas 實驗室，還有 Eric Lehman 也是 MIT 的。我們招募了一群站在語言模型最前沿的科學(xué)家，他們來自當時全球最強的兩三所研究機構(gòu)。
為什么要這么做？因為我們要解決的是醫(yī)學(xué)領(lǐng)域的問題，而這個問題門檻極高、難度極大，當時還沒有人真正解決。那些大互聯(lián)網(wǎng)公司做的醫(yī)學(xué) AI 產(chǎn)品，早期基本都翻車了，出過不少尷尬的事故，大家應(yīng)該都記得。所以，我們的策略是結(jié)合學(xué)術(shù)和工程實力來攻克這個問題。我們不僅僅是在做工程實現(xiàn)，還在做原創(chuàng)的研究和知識探索。
當時整個行業(yè)的趨勢是拼模型規(guī)模，所有人都在追求更大的語言模型，比如 DeepMind 出的
論文*，大家都在討論「更大、更大、更大」。但我們反其道而行之，我們的思路是——與其追求龐大的通用模型，不如訓(xùn)練更小、更專業(yè)化的模型，在特定領(lǐng)域里做到極致。今天這已經(jīng)成了共識，比如 DeepSeek 也在走類似的路，但在 2022 年那個時候，這并不是顯而易見的選擇。
我們的模型在通用對話上可能很差，寫詩、閑聊這些完全不行，一旦離開醫(yī)學(xué)領(lǐng)域就會崩潰。但在醫(yī)學(xué)領(lǐng)域，它的表現(xiàn)極其精準，效果遠超那些大而全的模型。我們以學(xué)術(shù)的方式去做這件事，發(fā)表了論文《我們還需要臨床語言模型嗎？*》（Do We Still Need Clinical Language Models?）。這篇論文在 2023 年被評為醫(yī)療 AI 領(lǐng)域最佳論文，吸引了很多關(guān)注。這是行業(yè)里第一篇明確提出「在醫(yī)學(xué)領(lǐng)域，小而精的模型比大模型更好」的研究。
現(xiàn)在回頭看，大家可能會覺得這個思路很合理，但在當時，行業(yè)的主流方向還是規(guī)模化擴展。我們的做法類似于 JPEG 壓縮，語言模型就像是對世界的「壓縮」。關(guān)鍵問題是：你在壓縮什么樣的「世界」？這又回到了我們之前討論的公共互聯(lián)網(wǎng)。
Daniel Nadler：如果說大模型是在對整個互聯(lián)網(wǎng)做「JPEG 壓縮」，那它們的訓(xùn)練方式其實就是盡可能多地獲取數(shù)據(jù)，越多越好。那么，所有這些數(shù)據(jù)從哪來？當然是公共互聯(lián)網(wǎng)。但就像 Ilya 說的，你到底在壓縮什么呢？你壓縮的就是整個公共互聯(lián)網(wǎng)。這也就是為什么 2022 年底、2023 年初的時候，很多大模型的輸出會顯得有點尷尬，是因為它們的「壓縮」方式導(dǎo)致的。而我們的方法不太一樣，我們的目標是「對醫(yī)學(xué)做 JPEG 壓縮」。所以，我們的訓(xùn)練數(shù)據(jù)主要是同行評審的醫(yī)學(xué)文獻，以及 FDA（美國食品藥品監(jiān)督管理局）和 CDC（美國疾病控制與預(yù)防中心）發(fā)布的權(quán)威信息。幸運的是，在我們正式和《新英格蘭醫(yī)學(xué)雜志》（NEJM）合作之前，我們已經(jīng)發(fā)現(xiàn)了一個關(guān)鍵優(yōu)勢：根據(jù)美國版權(quán)法，美國政府創(chuàng)作的內(nèi)容默認屬于公共領(lǐng)域。這也是能夠使用大量公共數(shù)據(jù)的原因之一。
?。ㄖR共享許可協(xié)議）下的公開數(shù)據(jù)。這個方法不是所有領(lǐng)域都能用，比如法律、會計、稅務(wù)等很多信息都受保護。但醫(yī)學(xué)領(lǐng)域的很多高質(zhì)量內(nèi)容，尤其是 FDA 和 CDC 發(fā)布的信息，都是免費的。所以，我們用這些數(shù)據(jù)做訓(xùn)練，同時規(guī)避了版權(quán)問題，建立了一個足夠好用的系統(tǒng)，讓醫(yī)生可以使用。這樣，我們就吸引了像《新英格蘭醫(yī)學(xué)雜志》這樣的機構(gòu)主動聯(lián)系合作，最終拿到了更多原本受版權(quán)保護的內(nèi)容。這種「飛輪效應(yīng)」逐步推動了整個系統(tǒng)的成長。我們的方式非常技術(shù)導(dǎo)向，也非常學(xué)術(shù)化，主要是因為醫(yī)學(xué)領(lǐng)域的準確性太重要了，不能出錯。
Pat Grady：對，我正想問你這個問題?，F(xiàn)在很多醫(yī)生在用 OpenEvidence 來做臨床決策，那它的「幻覺」（hallucination）問題怎么解決？
Daniel Nadler：是的。而且，順便說一句，這也是給創(chuàng)業(yè)者或者工程師的一點思考，有些應(yīng)用場景里，幻覺不只是「沒那么煩人」，甚至是個「特色功能」。比如 Midjourney，就是個很好的例子。
Daniel Nadler：Midjourney 其實就是靠「幻覺」做出獨特的藝術(shù)效果的。所以，有時候，聰明的做法不是把幻覺當成缺陷，而是想辦法把它變成優(yōu)勢。說到這，我想到一個可以創(chuàng)業(yè)的點子——如果要在金融領(lǐng)域用大模型，那其實可以反過來利用幻覺，把它當成風(fēng)險管理的工具。金融行業(yè)有一個核心問題就是「黑天鵝事件」（極端低概率但高影響的風(fēng)險）。傳統(tǒng)的計算機系統(tǒng)很難想象這些極端情況，但大模型的「幻覺」能力可能剛好能彌補這個短板。我自己就做過一些實驗，把我的投資組合信息喂給模型，然后讓它「幻想」可能的風(fēng)險。它給出的結(jié)果有時候讓我挺驚訝的，比如我很喜歡英偉達，但模型居然能想到一些我自己完全沒考慮過的潛在風(fēng)險。
所以，大模型的應(yīng)用才剛剛開始，我們現(xiàn)在也許只開發(fā)了 1% 的潛力，還有 99% 的可能性等著被發(fā)掘。對于創(chuàng)業(yè)者來說，這其實是個巨大的機會。
我們解決幻覺的方法就是徹底避免讓 OpenEvidence 連接到公共互聯(lián)網(wǎng)，所有訓(xùn)練數(shù)據(jù)都必須是經(jīng)過同行評審的醫(yī)學(xué)研究。而且我們也不像那些只靠一個大模型的做法，而是用了多個模型組成的「集成架構(gòu)」，每個模型負責不同的任務(wù)，比如檢索、排序等。這樣才能達到 OpenEvidence 目前的準確度。這些模型的「JPEG 壓縮」對象，只包含同行評審的醫(yī)學(xué)文獻，所以它不會生成超出這些文獻的信息。這就解決了一半的問題，而另一半的問題，是讓醫(yī)生能直接查看答案的來源。我們很早就做了這點，甚至比 ChatGPT 還早。我們的系統(tǒng)會提供可追溯的參考文獻，醫(yī)生可以點進去，直接查閱相關(guān)研究。這樣不僅提升了可信度，還讓醫(yī)生真正能依賴它做決策。
這個方法還意外帶來了和醫(yī)學(xué)期刊的雙贏合作。我們并不是簡單地「壓縮」期刊的內(nèi)容然后輸出，而是直接把流量送回期刊網(wǎng)站。結(jié)果我們幫助醫(yī)學(xué)期刊獲得了數(shù)千萬次訪問量，很多醫(yī)生因為 OpenEvidence 的推薦，發(fā)現(xiàn)了他們本來不會注意到的研究。這就形成了一個良性循環(huán)，醫(yī)學(xué)期刊也愿意讓我們收錄他們的內(nèi)容，最終受益的是醫(yī)生和患者。
更有意思的是，很多醫(yī)學(xué)協(xié)會也主動找上門來，希望我們能收錄他們的指南。這樣一來，不僅醫(yī)生能獲得更準確的信息，期刊和協(xié)會也能得到更多關(guān)注，整個生態(tài)都受益。這才是 OpenEvidence 真正的價值所在——它不僅提供了準確的醫(yī)學(xué)信息，還搭建了一個對所有人都有利的知識共享平臺。
Pat Grady：Kensho *已經(jīng)創(chuàng)立十多年了，這些年AI和機器學(xué)習(xí)的發(fā)展突飛猛進。如果我們對比 Kensho 和 OpenEvidence 的底層架構(gòu)，有多少是一樣的？又有哪些不同？其實我想問背后的問題是，一個真正能跑起來的 AI 應(yīng)用，究竟有多少是靠最近的技術(shù)突破？又有多少是建立在傳統(tǒng)的工程和機器學(xué)習(xí)方法之上的？
Kensho 誕生的時候，根本還沒有大語言模型，甚至連小一點的語言模型都沒有，還沒有 BERT，基本上什么都沒有。甚至可以說，那時候連「火」都快沒了。
Daniel Nadler：所以很難比較，對吧？當時 Kensho 其實是 NLP 領(lǐng)域的早期嘗試。當然，到我把公司賣掉的時候，它已經(jīng)成熟很多了。但如果你回到 2013 年我剛創(chuàng)立 Kensho 的時候，那和今天完全是兩個時代。不過，有一點是相同的：無論做什么AI，底層的基礎(chǔ)架構(gòu)都非常重要。比如，我們自己訓(xùn)練模型，剛才也聊過這個。即使你不訓(xùn)練自己的模型，只是接一個現(xiàn)成的大模型 API，一旦你的產(chǎn)品做得足夠好，流量上來了，它遲早會崩掉。而你肯定希望自己能做到這一步，做到 API 頂不住的程度。而當它真的崩掉的時候，你就需要傳統(tǒng)軟件工程里那一整套基礎(chǔ)設(shè)施，必須有非常扎實的工程能力才能支撐起來。
這點 Kensho 和 OpenEvidence 是一樣的，因為它們都是高要求的系統(tǒng)。拿金融領(lǐng)域來說，海量資金都是基于這些數(shù)據(jù)流動的，你不可能讓系統(tǒng)在交易過程中突然崩掉。所以這其實是件好事。我覺得，ChatGPT 爆火之后，很多人擔心「游戲規(guī)則是不是變了？」
但我要說，規(guī)則并沒有變。技術(shù)確實更先進了，這是一個持續(xù)發(fā)展的過程。技術(shù)一直都在進步，比如 1982 到 1987，或者 1993 到 1997，每個時代技術(shù)都會比之前更強。這次的進步確實是個飛躍，有非線性的增長，甚至可以說是指數(shù)級的提升。是的，Ray Kurzweil 說的都對，他早就預(yù)測到了。但從更宏觀的角度看，這仍然是一個循序漸進的過程，就像物理學(xué)的定律不會突然改變，哪怕我們在研究光速旅行，從十分之一光速提升到二分之一光速，技術(shù)復(fù)雜度可能呈指數(shù)級增長，但物理定律始終沒變。AI 也是一樣，它的發(fā)展是非線性的，但本質(zhì)上還是一個連續(xù)的過程。所以從工程和創(chuàng)業(yè)的角度來看，過去重要的東西今天依然重要。在 Kensho 時代重要的事情，今天在 OpenEvidence 依然重要。
還有一點，團隊的水平也很關(guān)鍵。Kensho 和 OpenEvidence 之所以能成功，很大程度上是因為我們找到了非常聰明的人來做這件事。
Pat Grady：說到團隊，你剛才提到了 Zach、Evan、Eric 和 Micah。你是怎么吸引到這些人的？面對那么多選擇，他們?yōu)槭裁丛敢饧尤?OpenEvidence？
這個問題 Steve Jobs 早就說過了，雖然已經(jīng)被說了無數(shù)遍，但我也找不到更好的表達方式：頂尖人才只想和頂尖人才共事。精英人才想要和精英人才待在一起。這就像海豹突擊隊的 BUD/S（海軍海豹突擊隊的篩選過程）選拔，很多人報名參加，不是因為他們覺得自己一定能成功，而是他們想看看自己能不能跟上隊伍。他們想挑戰(zhàn)自己，想知道自己的極限在哪。這種心態(tài)，從古希臘時代就有了，無論是在戰(zhàn)爭、工程、體育，還是金融領(lǐng)域，最優(yōu)秀的人都想知道自己到底有多強，而唯一的方法就是和最優(yōu)秀的人競爭，看看自己能不能匹配上他們的水平。
所以，這就是我在 Kensho 的做法，而現(xiàn)在在 OpenEvidence 也是一樣的，事實證明，這種方式非常有效。雖然現(xiàn)在這個觀點可能有點「政治不正確」，但說實話，我就是想找高智商的人，除此之外，我不在乎別的。我不在乎你的背景、長相、身份，我只在乎你是不是一個聰明到極致的人。這就是事實，我也沒法掩飾。
回到團隊，比如 OpenEvidence 最初的核心成員：Zachary Ziegler、Jonas Wolf、Evan Hernandez、Eric Lehman、Micah Smith，他們幾乎都是哈佛或 MIT 的博士。但我要澄清，這不是因為我刻意去這些學(xué)校找人，而是因為在 Kensho 的經(jīng)驗讓我意識到，如果你讓高智商、學(xué)習(xí)速度極快的人去攻克一個難題，他們的進展會遠超一支普通規(guī)模大 100 倍的團隊。
對所有在聽的人來說，最讓人安心的一點就是，游戲規(guī)則沒變。物理定律沒變，重要的事情依然重要：頂級團隊、高智商人才、高學(xué)習(xí)能力的人、極度渴望成功的人、強烈的求知欲，這些都還是關(guān)鍵因素。
而當我說「高智商」時，我指的是 高神經(jīng)可塑性（neuroplasticity）。我指的是大腦學(xué)習(xí)新知識、適應(yīng)新環(huán)境的能力，而不是能多快解開魔方（因為解魔方和 IQ 其實沒什么強相關(guān)性）。
沒錯。所謂的高智商，就是指能快速吸收、理解、應(yīng)用全新的知識。而這在任何時代都重要——1000 年前重要，3000 年前也重要，只不過應(yīng)用的領(lǐng)域不同了。以前是在戰(zhàn)爭、軍事戰(zhàn)術(shù)、孫子兵法里，現(xiàn)在是在 AI、工程、金融等領(lǐng)域。我平時喜歡研究軍事歷史，像克勞塞維茨、馬基雅維利、孫子這些經(jīng)典的戰(zhàn)爭理論，也研究拿破侖、亞歷山大大帝這些歷史人物。他們并不是軍隊里體格最強壯的人，但他們有一個共同點，就是能在瞬息萬變的戰(zhàn)場上，完全調(diào)整自己的思維方式，迅速適應(yīng)新的戰(zhàn)局。
這就是我們現(xiàn)在所說的「神經(jīng)可塑性」——他們能夠在最短的時間內(nèi)調(diào)整自己的認知框架，找到最優(yōu)解。
過去 3000 年里，人類的活動方式確實變化很大。戰(zhàn)爭仍然存在，但大多數(shù)人已經(jīng)不再像古希臘城邦時代那樣為了生存而戰(zhàn)斗。但不變的是，想要取得突破性成功，核心仍然是大腦的學(xué)習(xí)能力和適應(yīng)能力。
Pat Grady：第一個問題。這個數(shù)字肯定沒法準確衡量，因為它需要一個「假如沒有」的對比場景。但我們猜測，OpenEvidence 的使用方式可能真的在挽救生命，比如幫助醫(yī)生做出更好的臨床決策。那么，我們什么時候可以說 OpenEvidence 已經(jīng)拯救了一百萬條生命？
一百萬條生命？這感覺像在做麥肯錫的面試題，需要推理一下，比如說，如果有 15 萬或 50 萬名醫(yī)生在用，每個醫(yī)生每天要看多少病人？其中有多少是危及生命的情況？我是這樣想的……
我的算法是，這取決于數(shù)據(jù)來源，但每年大約有 30 萬到 80 萬人死于醫(yī)療失誤。當然，并不是所有這些死亡都跟醫(yī)生當場的決策有關(guān)，可能還有其他因素。但我們先取 30 萬這個低值，再砍一半，得到 15 萬。這樣算下來，大概 6 年半就能達到一百萬的數(shù)字。當然，這是在 OpenEvidence 完全普及的情況下，所以再給它幾年發(fā)展時間，可能 8 到 9 年后，也就是 2034 年 11 月 4 日，我們能達到這個目標。
我唯一想補充的是，2030 年代，OpenEvidence 可能真的已經(jīng)拯救了一百萬條生命，但這不包括那些因為醫(yī)生避免了用錯藥而沒有惡化的病人，比如今天有個醫(yī)生沒有給 MS（多發(fā)性硬化癥）患者開錯生物制劑。這樣的情況每天都在發(fā)生。還有一個醫(yī)生在羅德島給我們寫信，說他用 OpenEvidence 判斷病人癥狀是否符合肺栓塞，最后發(fā)現(xiàn)確實符合，于是立刻送進急診，救了病人的命。所以，OpenEvidence 其實已經(jīng)在救人了，我們知道這點，因為醫(yī)生告訴了我們。但類似這樣的例子很多，有的病人可能只是病情沒變嚴重，或者一些并發(fā)癥被及時控制。這種影響的規(guī)模，早就達到百萬級了。
Pat Grady：好的，下一個問題。你覺得大模型會不會變成一個通用的、標準化的商品？
我覺得它們確實在變得越來越強，成本也在下降。而且 Ray Kurzweil 說的基本上都對。所以最前沿的東西不會被「商品化」，因為前沿永遠是前沿。但如果說 ChatGPT 剛推出時那種「哇塞」的感覺，它的成本最終會趨近于零。
這就是為什么我覺得，真正有趣的商業(yè)機會不在底層大模型，而是在應(yīng)用層面。當然，在大模型層面依然有很多學(xué)術(shù)上、科學(xué)上的突破，但從商業(yè)角度來說，最偉大的公司會出現(xiàn)在應(yīng)用層。
Pat Grady：總結(jié)得很好。那 AGI（通用人工智能）呢？你覺得它已經(jīng)實現(xiàn)了嗎？或者什么時候會實現(xiàn)？
我覺得我們已經(jīng)實現(xiàn)了，只是大家一直在改定義。圖靈測試？我們早就通過了。然后大家又說，AGI 需要在多個領(lǐng)域達到高中生水平？好了，現(xiàn)在也達到了。再后來變成「AGI 需要大學(xué)生水平」？這個也實現(xiàn)了。現(xiàn)在有人說，要在所有學(xué)科都達到博士水平，這才是 AGI。等到真的實現(xiàn)了，人們可能又會說：「不行，AGI 其實是要有『意識』?！蛊鋵嵈蠹艺嬲雴柕氖牵篈I 什么時候會有自我意識？什么時候能像電影里那樣變得「覺醒」？但問題是，我不確定這種「意識」到底是不是神經(jīng)網(wǎng)絡(luò)到一定復(fù)雜度后自然涌現(xiàn)的東西。這其實是一個哲學(xué)問題。
Pat Grady：明白，那如果讓你推薦AI相關(guān)的內(nèi)容，不包括這個播客，你會推薦什么？
《Understand》（中文名《領(lǐng)悟），Ted Chiang（特德·姜）的小說。
我不想劇透，你自己去體驗吧。Ted Chiang 是最偉大的科幻作家之一，他寫過《降臨》（電影原作）?！禪nderstand》是他 90 年代初寫的，完美展現(xiàn)了「智能指數(shù)級增長」是什么感覺。大多數(shù)人可能會期待我推薦一本非虛構(gòu)書籍，比如去讀 Chinchilla 論文之類的。但如果你想真正理解，我們這個時代正在發(fā)生的事情，這本小說能從敘事角度捕捉到那種加速感。
Pat Grady：最后一個問題。你覺得AI在未來 20 年里最積極、最正面的影響會是什么？它會如何讓我們的生活變得更好？
我必須說，是「個性化醫(yī)療」。個性化醫(yī)療一直是「明天的事」，就像量子計算、核聚變，感覺總是快實現(xiàn)了但又差點意思。不過實際上，我們剛才聊的 OpenEvidence，本質(zhì)上已經(jīng)是個性化醫(yī)療的起點了，比如針對某個病人特定的并發(fā)癥來推薦合適的生物制劑。但這只是冰山一角。
我認為，再過 10 年，不管是 OpenEvidence 還是其他 AI，都會把病人的所有具體情況與全球所有相關(guān)醫(yī)學(xué)知識進行匹配，形成一個超個性化的治療方案。到那時候，可能 120 歲、130 歲都不再是人類壽命的上限了。
然后我們就會進入像忒修斯之船的哲學(xué)悖論：如果你不斷替換自己身體的「木板」，到最后你身體里沒有一塊是原來的了，但你的記憶、情感、身份都還在——那么，你還是你嗎？
我是個樂觀主義者，我相信人類生物學(xué)是可以被「拆解重建」的。我覺得，這種「忒修斯之船式的醫(yī)學(xué)」就在不遠的未來。而 AI，正是推動它實現(xiàn)的關(guān)鍵。
特別聲明：智慧醫(yī)療網(wǎng)轉(zhuǎn)載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時并不代表贊成其觀點或證實其描述，內(nèi)容僅供參考。版權(quán)歸原作者所有，若有侵權(quán)，請聯(lián)系我們刪除。
下一篇：電子病歷+醫(yī)療核心底座：金山云與宜昌市中心人民醫(yī)院聯(lián)合研發(fā)成果亮相——走進宜昌，醫(yī)院“云數(shù)智”技術(shù)實踐研討會順利舉行
電子病歷+醫(yī)療核心底座：金山云與宜昌市中心人民醫(yī)院聯(lián)合研發(fā)成果亮相——走進宜昌，醫(yī)院“云數(shù)智”技術(shù)實踐研討會順利舉行
前沿洞察 醫(yī)療大模型競速賽打響！DeepSeek助力醫(yī)院信息化智慧升級
開創(chuàng)急診胸痛AI診療新紀元 潤達攜手華為與齊魯醫(yī)院聯(lián)合發(fā)布”齊魯·心擎 急性胸痛大模型”
力匯智聯(lián)AI大模型智能導(dǎo)診機器人“亮晶晶”，在山西省眼科醫(yī)院正式上線億元戰(zhàn)略投資，深化骨科醫(yī)療產(chǎn)業(yè)布局
坐標軟件iHealthOneGPT × DeepSeek融合創(chuàng)新，打造智慧醫(yī)療深圳新速度
醫(yī)用內(nèi)窺鏡耗材化趨勢已至，這家企業(yè)憑一次性宮腔鏡強勢入局 復(fù)星·星未來創(chuàng)業(yè)營
AI醫(yī)療獨角獸OpenEvidence：1/4的美國醫(yī)生都在用，像互聯(lián)網(wǎng)產(chǎn)品一樣做AI醫(yī)療
電子病歷+醫(yī)療核心底座：金山云與宜昌市中心人民醫(yī)院聯(lián)合研發(fā)成果亮相——走進宜昌，醫(yī)院“云數(shù)智”技術(shù)實踐研討會順利舉行
前沿洞察 醫(yī)療大模型競速賽打響！DeepSeek助力醫(yī)院信息化智慧升級
開創(chuàng)急診胸痛AI診療新紀元 潤達攜手華為與齊魯醫(yī)院聯(lián)合發(fā)布”齊魯·心擎 急性胸痛大模型”
力匯智聯(lián)AI大模型智能導(dǎo)診機器人“亮晶晶”，在山西省眼科醫(yī)院正式上線億元戰(zhàn)略投資，深化骨科醫(yī)療產(chǎn)業(yè)布局
坐標軟件iHealthOneGPT × DeepSeek融合創(chuàng)新，打造智慧醫(yī)療深圳新速度
智慧醫(yī)療網(wǎng) ? 2022 版權(quán)所有 ICP備案號：滬ICP備17004559號-5
6) sz = 6; startSz = sz; if (!(cEl = d.getElementById(trgt))) cEl = d.getElementsByTagName(trgt)[0]; cEl.style.fontSize = szs[sz]; for (i = 0; i
tgs.length; i++) {ctags = cel.getelementsbytagname(tgs[i]); for (j = 0; j
