不允许试错的行业：巨头向左，创业公司向右

出品|虎嗅科技组

作者|陈伊凡

编辑|苗正卿

头图|视觉中国

落后，有时能变成一种优势。

正如某些发展中国家从未铺设过铜缆电话线却直接跨入了5G时代；正如一些新兴市场直接跳过了信用卡支付，从现金步入移动支付时代。

2026年开年发生的故事，正在给这个判断提供新的论据。那些在软件时代步履蹒跚的行业，往往拥有跳过中间阶段、直接跃入AI的“特权”，比如医疗、

OpenAI 斥资1亿美元收购数据清洗公司 Torch 并发布“医疗全家桶”；被誉为“医疗界ChatGPT”的 OpenEvidence 完成新一轮融资，估值飙升至120亿美元；Anthropic 紧随其后宣布接入核心医疗数据库。大洋彼岸，中国大模型独角兽百川智能，几乎在同一时间推出了 Baichuan-M3 Plus，宣称将幻觉率降低至 2.6%——这一数据不仅低于 OpenEvidence，更触达了全球最低水平。

这延伸出两个问题，不同科技巨头布局医疗搜索的目的和策略是什么？另外，当巨头向医疗AI搜索下手时，初创公司的出路在哪里？

“只要市场规模大的ToC应用，大模型公司未来都会做。”这已经是AI圈的共识，除了医疗，过去的故事都在证明这个论断，例如炒股、社交、电商、娱乐和游戏。这似乎是一个AI创业中，残酷的“宿命论”。

不过，医疗是一个不容许大模型“犯错”的行业，其对数据质量的要求极高，并且需要零幻觉。在这方面，OpenAI等这些巨头的体量优势，未必能够转化为胜率。

UpHonest投研团队曾经在和虎嗅交流时就表示， AI时代的搜索将变得更加碎片化，未来每个人可能会有自己的AI搜索引擎，全新的生成式AI搜索引擎将紧密契合目标用户的“心智模式”，投资人、律师、医生的思维模式各不相同，信息获取模式、目的和决策思维各有差异，这些不同和差异就是生成式AI搜索引擎创新的机会。

医疗搜索正是在AI时代下衍生出的生意，只是这个生意不同的人有不同的做法

医疗搜索：一个隐秘的AI富矿

在过去的大半年时间，我们一直在关注一些未被软件“吞噬”的行业，如何直接跃入AI，但并非所有的数字化渗透率低的行业，皆有这样的机会。

但这并不意味着所有的“数字化洼地”都是黄金。一位资深的工业 AI 创业者曾向我打过一个精妙的比喻：改造传统行业，就像是要给一辆正在高速公路上疾驰的汽车更换引擎。这事能成，必须满足两个苛刻的前置条件，第一，这辆车本身必须具备现代工业的骨架，不能是马车；第二，油箱里必须有足够的燃料，能支撑它在换好引擎后继续狂奔。

换句话说，只有那些“体量庞大到不得不改”且“拥有丰富高能燃料”的行业，才配得上 AI 的深度改造。

医疗，正是那个完美符合所有特征的唯一的标的。

这个行业充满了“悖论”：它的体量大得惊人，拥有丰富的数据，但在核心诊疗环节，其数字化程度却低得令人发指——繁琐的流程、纸质的单据和互不相通的信息孤岛随处可见。传统医疗受限于人力，无法突破高质量、低成本和高不可及性的“不可能三角“。

根据 RBC Capital Market 的统计，医疗行业贡献了世界上30%的数据量。根据 IDC 发布的《数字化世界》报告预测，医疗健康数据正以 36% 的复合年增长率爆发式增长。随着电子病历的普及、可穿戴设备的爆发以及合规要求的升级，这些海量且复杂的医疗数据，正在成为训练下一代高智商 AI 模型不可或缺的“燃料”。

从商业角度看，医疗不仅市场规模巨大，更是一个离支付最近、使用频次高、客单价高的场景。根据 CMS (Centers for Medicare & Medicaid Services) 发布的最新国家卫生支出报告（NHE），2024年美国医疗卫生支出达到 4.8万亿美元，占其GDP的 17.6%。预计到2032年将增长至 7.7万亿美元。这是全球任何一个单一行业无法比拟的体量。

大厂的策略：争夺入口与生态布局

OpenAI 披露的一组数据：每周有2.3亿人在 ChatGPT 上咨询健康问题，日活达4000万，且70%的对话发生在诊所下班之后。这意味着，AI 已经在实质上接管了人类的“非工作时间医疗咨询”。这意味着医疗已经是一个高频的使用场景。

高频，意味着流量入口和用户心智，这背后蕴藏丰富的商业想象，例如支付、保险等。

但正如我们在最开头提及，由于医疗行业对数据的苛刻要求，巨头不一定具备这方面的优势，在医疗上，谁能拥有最全且准确的数据集，就能获得取胜的关键。

OpenAI 推出了独立的 ChatGPT Health，允许用户将自己的医疗记录和健康应用数据接入 ChatGPT。对话记录、文件记忆与普通模型分开，且明确承诺不用于模型训练，以此解决医疗最敏感的隐私顾虑。1月13日，OpenAI宣布收购医疗科技初创公司 Torch，这家公司正在开发一种面向人工智能业界的“统一医疗记忆”系统，目标是将分散在不同厂商、不同格式中的患者健康数据统一整合到自己的平台中。

1 月 11 日，Anthropic 在 J.P. Morgan 医疗大会上发布 Claude for Healthcare。Claude 医疗版接入了 CMS 覆盖数据库、ICD-10 编码、NPI 注册表、PubMed 3500 万篇文献。相比之下，Anthropic更加ToB，Claude for Healthcare可以被应用到临床和保险流程中，协助医疗人员快速找到相关资讯，为临床医生节省时间。

视线转回中国市场，蚂蚁阿福（及背后的蚂蚁医疗大模型）也是面向C端，背靠支付宝庞大的生态体系，蚂蚁阿福占据了离钱和交易最近的入口。

大公司做泛、初创公司做垂

近期，百川智能正式发布新一代医疗大模型 Baichuan-M3 Plus，展示了其作为医疗大模型的能力，百川智能称，面向所有服务医务工作者的机构，免费开放M3 Plus的API形式，适用场景包括临床辅助决策、医学教育。不过我们还无法从仅有的公开资料中，窥探百川智能下一步的商业化细节和模式。毕竟，对于医疗行业而言，模型能力仅是其摸到这个行业门槛的第一步，是否能够足够了解用户、深入用户需求，建立自己独特的数据飞轮壁垒，是医疗AI初创公司生存的关键。

另一个更具有参考意义的初创公司范本或许是OpenEvidence ，为医疗垂直大模型初创公司提供了一个完美的生存样本。相比大厂面向C端的医疗产品，初创公司则面向B端，做深做垂。

与 OpenAI 和蚂蚁阿福主攻 C 端大众不同，OpenEvidence 从一开始就只做医生的生意。其用户需经过严格的资质验证，仅面向临床医生、执业护士、药师等专业人士。这种定位决定了其独特的商业模式。

首先是获客逻辑，类似“专业版ChatGPT”。对验证过的医生免费开放，通过极致的工具体验积累高频专业用户。

其次是变现逻辑，OpenEvidence“免费增值+精准广告”。它并没有向医院收软件费，而是在拥有了全美最精准的医生流量后，引入了针对B端的精准推广（如药企资讯），实现了类似消费互联网的病毒式传播。

第三就是他们数据飞轮积累的模式，一方面，医生的每一次使用，就能够帮他们积累数据和反馈，另一方面OpenEvidence还切入了医生的刚需——继续教育学分（CME）。在美国，医生每年必须修满学分，OpenEvidence 将使用 AI 学习的过程认证为学分，这让它摇身一变，成为了美国医生的“学习强国”，极大地锁定了用户时长。

为了减少幻觉，OpenEvidence不联网，而是大规模采用美国FDA、CDC发布的免费权威信息，以及同行评审的医学文献。

在做深做垂上，OpenEvidence的另一个示例是，2025年他们推出了一个叫做DeepConsult的AI Agent，被称为"数字博士研读助手"，能自主检索并分析上百篇相关研究，将平时需要人工数月综述的主题，在数小时内生成综合研究报告发送给医生。尽管每次调用的计算成本是普通搜索的100倍以上，OpenEvidence仍然免费向美国认证医生开放这一功能。有很多医生会用这个AI Agent来查找自己一辈子可能只遇到一两次的病历。

我们曾经跟硅谷风投机构UpHonest投研团队探讨OpenEvidence的模式对于创业者的启发和参考。

模型的能力，只是这类公司成功的第一步。商业化和场景化的精准变现才是核心。OpenEvidence的专业化胜过泛化，在垂直领域做深做透，而非追求大而全；其次，PLG（产品驱动增长）产品质量驱动增长策略，绕过传统 B2B 销售的复杂流程；场景化变现，将用户的专业决策场景转化为高价值的广告投放场景。