又一家AI独角兽出现，1/4的美国医生都在用，用互联网的思维做AI医疗

AI医疗圈又冒出一家新独角兽。

今年2月，红杉资本的一笔7500万美元融资，把AI医疗公司OpenEvidence直接推上了独角兽的位置，估值达到10亿美元。但这家伙虽然顶着AI医疗的名头，用的却是一套消费互联网的打法。

大多数AI医疗公司都在走to B的路，往医院体系里扎。OpenEvidence偏不，它把目光直接投向C端的医生群体——免费向所有医生开放，收入靠广告来撑。这商业模式，一听就很“互联网”。

而且，用户增长速度也很互联网。按照公司创始人Daniel Nadler的说法，目前四分之一美国在职医生已经在用OpenEvidence了。要知道，一年前这个数字还几乎是零。在医疗这个慢火炖汤的行业里，这种渗透速度确实少见。

难怪红杉的合伙人Pat Grady会评价说，OpenEvidence看起来更像是一家披着AI医疗外衣的互联网公司。

01 披着AI医疗外壳的互联网公司

光看界面，OpenEvidence和ChatGPT很像，不过它是专门服务于医疗场景的聊天机器人。简单来说，它能帮医生在那些漫长的、零散的“长尾”医学信息里，精准地捞出需要的知识，显著提升处理罕见和复杂病例的能力。

但真正让它与众不同的，是它的选择：为什么瞄准医生，而不是医院？

原因很简单，传统医疗产品的落地路径太长了。一个AI医疗公司负责人，可能要花三个月才能约到大型医疗集团的高管开个会，然后又是三个月排队等医院的“AI委员会”审批。更别提中间还可能撞上医院AI政策或者监管政策的变化，不确定性大到让人绝望。

Nadler说得很直白：医生首先是一个职业，但同时也是一个消费者。如果你的产品足够优秀，能切中他们的需求，他们就会用，甚至会帮你传播。这个逻辑，早期的特斯拉已经验证过了。

其实，这种思路并不孤单。在AI医疗圈里，越来越多产品开始绕开医院，直接服务医生，以此避开冗长的采购审批流程。比如AI医疗笔记产品FreedAI，就是专门面向独立执业的临床医生。发布不到两年，每天就有1万个付费医生在使用，做到了1000万美元的年度经常性收入。

回到商业模式，OpenEvidence又玩了个不一样的。大部分AI产品都在卖订阅，它偏偏选了免费送，靠广告赚钱。结果呢？产品自己长出了翅膀，实现了自发传播。

Nadler列了一组数据：“如果算上所有活跃用户，每月有30到40万人使用我们的系统，其中20多万医生会登录并提问。也就是说，大约10%到25%的美国医生，已经在某种程度上用上了OpenEvidence。”一年前这个数字几乎为零，一年后却渗透了四分之一的市场，这速度放在任何行业都称得上“罕见”。

红杉资本的Pat Grady认为，这种通过口碑自然传播的模式，在医疗行业里几乎看不到，只能在互联网产品里找到原型。那么问题来了，OpenEvidence凭什么能跑得这么快？

02 用AI帮助医生找资料

关键还是抓住了痛点：医学知识的更新速度，远远超出了医生的处理能力。

美国医生的工作压力有多大？人口已经3.4亿了，还在涨，老龄化趋势明显，但注册医生只有100万。人手严重不足。除了白天看病，医生们还得花大量时间去翻期刊，确保自己掌握的是最新治疗信息。

但想追上医学知识的更新速度太难了。每分钟就有两篇新医学论文发表，一天24小时，一周七天。按OpenEvidence的测算，真正有价值的往往是顶尖期刊的那前三分之一影响因子。即使只按这个口径算，医学知识每五年就要翻一番。

这意味着，一个医学生刚刚毕业，学过的知识就已经在加速过时。当病人同时得了银屑病和多发性硬化症这种复杂情况，你想查某种药能不能同时用，用传统的PubMed或Google几乎无从下手——因为关键信息常常藏在论文正文深处，根本搜不出来。

这正是OpenEvidence的用武之地。它能做到这一点，靠的是对信息准确性和透明度的极度执着。

为了彻底解决大模型的“幻觉”问题，OpenEvidence对训练数据设了硬门槛：所有数据必须来自经过同行评审的医学研究。它走了一条和主流大模型完全相反的路：放弃互联网上所有的健康博文、社交媒体内容，只认严格的同行评议文献。

除了FDA和CDC公开的医学文献，它还和《新英格兰医学杂志》这类顶级期刊建立了合作（这份杂志由马萨诸塞州医学会主办，1812年创刊，已经连续出版超过200年）。

不只是数据来源严格，技术架构也不走寻常路。OpenEvidence没有依赖一个大模型包打天下，而是采用了一个由多个模型组成的“集成架构”，每个模型各司其职，有的负责检索，有的负责排序。Nadler的想法是，与其追求一个庞大的通用模型，不如训练更小、更专业的模型，在特定领域里做到极致。

解决了准确性问题，接着就是信息透明度。使用OpenEvidence时，医生可以直接看到答案的出处来源。它不是简单地“压缩”期刊内容然后输出，而是把流量直接引回原期刊网站。这就形成了一个良性循环：医生找到了可信的内容，期刊获得了流量，自然也愿意让OpenEvidence收录自己的文献。

在Nadler的设想里，AI医疗真正的想象力在于实现个性化医疗。未来某一天，AI会把病人的所有具体情况，和全球所有相关的医学知识进行匹配，形成一套超个性化的治疗方案。到那时候，120岁、130岁也许都不再是人类寿命的上限了。

03 总结

OpenEvidence的快速崛起，再次印证了两个道理。

一是垂直场景数据的价值。正如Norwest Venture Partners的合伙人Scott Beechuk所说，AI公司最深的护城河，往往来自大型的专有数据集。那些手握独特数据、能训练或微调出自己模型的公司，才能在特定垂直渠道里脱颖而出。

二是AI的价值从来不在于多漂亮的测评数据，而在于能不能真正看懂用户的需求。现在，医生们并不指望大模型一夜之间创造出治愈癌症的奇迹，他们更现实的期望，是AI能帮他们自动化解决某个环节的小问题。而只有长期深入行业、真正理解临床工作流程的人，才能捕捉到这些真实的、未被满足的需求。