每天2000多万人在豆包上“看病”

自大模型诞生以来，医疗行业里的一个基本共识是，不管通用大模型的性能有多好，迭代有多快，在医疗这个对准确率要求极高的细分场景中，垂类模型总是更专业，更应该被信赖的那个。 今年6月，《自然医学》上的一项同行评审研究显示，在医学知识测试、临床判断准确度和真实场景模拟这三个评估阶段，专业医疗大模型的表现都不如Gemini 3.1 Pro、GPT-5.2这些前沿的通用模型。 这个转变是在何时发生的，背后的原因是什么，它又会如何影响医疗AI行业的走向？我们和左手医生创始人张超进行了一次深度对谈。 左手医生创立于2015年，几乎是国内第一批做医疗大模型场景落地的公司，产品线覆盖AI家庭医生、智能导诊、诊室听译机器人等等。 张超直言，自己也曾被流量迷惑，走过一段弯路，最后发现，大家押注的chatbot依然是互联网时代的玩法，它会形成一个巨大的入口，但那不是垂类模型的战场，亦不是医疗AI的终局。 他的核心判断是：通用模型正在吃掉问答层，垂类公司的命还剩下两条，一条是构建医疗世界模型，另一条是做好履约服务。 张超：那倒没有。过去互联网时代，每天会有1-2亿人在百度上做健康相关的搜索动作，现在只不过换了一个入口。千问现在每天的医疗健康的咨询量，听说也是大几百万。本质上就是，这些通用模型正在逐步承接过去那些搜索平台上的流量，医疗健康也不会例外。 张超：我也是做了很多年以后忽然发现垂类的场景，很难做成平台化的生意。继承流量是更容易的，想创造流量对于垂类平台来讲挺难。用户完全可以在搜索、微信、手机系统和通用AI助手中提出健康问题。即使垂类模型回答得更专业，你也很难要求用户重新建立一个入口。 张超：就对话这一层来说，我的核心观点是，老百姓大概80-90%的健康问题，垂类模型和通用模型的回答质量差别不会特别大。对于模型来讲，它的智能来自于数据。垂类模型能够获得的数据，通用模型现在也能够获得，包括数据的处理流程都是一样的，清洗、去重、随机采样、质量提升、判别，所以最后的结果其实不会相差太多。 健闻咨询：最近很多论文和测评甚至提出，通用模型在某些特定医疗任务上的表现已经超过垂类模型了，这个观点你认可吗？ 张超：完全有可能。对于通用模型来讲，在垂类上加强，只需要花钱就搞定了。它不需要那么多的konwhow，并且由于它的参数量大，任务多，有很多你在垂直上没有见过的能力，它可以通过其他任务衍生回来。 医学能力不一定主要来自医学专业化，也来自更大规模的通用训练、更强的推理能力、更充分的人类偏好对齐和更快的模型迭代。在目前这种文本语料下，通用的大投入是一种降维打击。 健闻咨询：我们过去一直讲的观点是，在一个通用模型的底座上，用高质量的医疗数据做加训，往往能得到一个医疗上更强的垂类模型。这套逻辑已经被颠覆了吗？ 张超：逻辑本身没问题。但目前的情况是，通用模型在迭代过程中，为了维持整体配比，也会去买高质量的医疗数据，不断做蒸馏，最后的结果就是医疗部分的性能会得到提升。其次，现在的垂类模型大多都是基于开源的通用模型基座去训的，基础本来就没有那么好，而且垂类模型加训之后的效果往往是不升反降，你又怎么去和顶尖的通用模型竞争呢？ 张超：我理解是这样的。通用模型正在吃掉问答层，垂类公司的机会只能继续往下，走入医疗深水区——要么去扎根服务构建履约生态；要么继续向前，为临床建模。 张超：从C端用户出发，垂类公司真正应该争夺的，不是用户从哪里提问，而是提问以后，谁能把事情办完，谁能做成履约。告诉患者应该挂什么科，只是信息；帮助他匹配医生、查询号源并完成预约，才是履约。告诉患者某种药可能适合，只是知识；完成医生审核、处方流转、医保支付、药品供应和配送，才是履约。 张超：对。我觉得本质上，大家还是被“流量”、“平台”这样的字眼欺骗了。我曾经也被欺骗过，后来发现其实这条路并不正确。就是你要投很多很多的钱，但是达不到预期的商业化效果。 当你跳出来看的时候就会发现，依靠信息和知识来构建的流量入口，这个事情对于垂类来讲是不合适的。就像京东，我不管流量入口在哪里，反正最后买货要从我这走，因为我送的就是快。 张超：我前面提到的匹配医生、挂缴查、医保支付、药品供应和配送，都是履约。如果从医疗场景里往外走一点，帮助保险公司更早识别投保人的就诊信号、疾病风险和高费用路径，也有很大的商业化机会。再有就是面向药企，用模型的垂类能力去做一些基于真实临床轨迹下的真实世界研究、试验设计优化和虚拟患者，帮助药企提高临床研发的效率。 张超：保险控费是一个很大的市场，我不太方便说得太细。但大概会有这么三个方面。第一，当患者生病那刻起，我就要知道，比如说他刚被诊断为某某肿瘤，这个信息对保司来说是有价值的，它可以马上进行干预。第二，你要能给出更好的治疗方案，不是感冒发烧应该怎么办的口水文，是精细到某个肿瘤专科里的个性化方案。第三，能关联到合作专家，提供更好的治疗服务。 张超：这就是壁垒所在。比如我做挂号，做支付，你就可以第一时间获知患者的就诊信息，那你如果能够在合规上再走一步，就可以把这信息给真正需要的人，比如保司，你的投保人刚刚确诊了肿瘤早期，保司一定是愿意花钱买这个信息的。这事豆包怎么做得了呢？ 张超：我没有这么说，这个市场是开放的，但蚂蚁一定很有竞争力的。它有自身的保险经纪平台，有支付宝上的医保支付记录，还有阿福这样的BOT，这些东西一旦关联起来，完全就是降维打击。 健闻咨询：从入口到履约，你讲的其实是商业模式的变化。如果从医疗垂类模型的产品角度，在chatbot的路径之外，它还有机会胜过通用模型吗？ 张超：这是另一个核心问题。首先我的答案是，肯定有机会。前提是，垂类模型要按照一个独特的逻辑去梳理数据，而这个独特的逻辑是和医疗领域是密切相关的。 张超：我给你举个特别好的例子。去年的时候，我外公得了阑尾炎，接近100岁的老人，做不做手术。你去问这些医疗类bot，给出的答案都是模棱两可的，它会告诉你动也可以，不动也可以，各自风险是什么。这个答案对用户来说其实没什么用，最后我还是去问了一个专家，他看完资料以后，做了一个判断，要动。 张超：我可以不要判断，但我需要一个基于患者治疗轨迹的预测。他要能告诉我，采取不同的治疗动作后，患者未来可能分别发生什么，这个和传统大模型的概念就完全不一样了。 张超：回到原点。我们训练模型的时候，会给它一堆病例，它其实是基于next token prediction来做的，通过预测下一个词，结合奖励机制，把预测成功率越做越高。但医生看病例的时候，他看到的不是文字，而是患者状态，他要看症状或者说患者的健康状态(state)，开检查，判断风险，观察治疗反应，从长期结果中修正判断。说到底，他的知识全部用来干一件事：预测患者的下一个状态。设想一下，如果模型能够按照next state去训练，它最后给出的就不再是静态的答案，而是治疗结局预测，这才是临床真正需要的东西。 张超：没错。因为医疗模型真正难的地方，不是回答一个医学问题，而是理解一个患者在时间上的状态变化。这种对患者状态轨迹的学习和研究，不可能靠静态的病例文本来实现，必须要建模医疗世界本身，本质是患者状态建模，行动预测、结果反馈和长期决策。 张超：那倒也不至于，数据还是那些数据，但要先做结构化的治理。举个例子，我有1万份肺癌病例，过去可能直接丢给模型训了，但现在必须先完成患者的时间轴重建、分期推理、治疗线识别、进展判断、结局标注和因果校正等等。 张超：我觉得最主要还是数据的获取。现在市面上大多数可交易的数据，都是静态数据。我们需要和医疗机构合作，去长期持续地获得患者在治疗过程中的动态数据，而不是一次性的数据交易。另外，因为医疗世界模型目前还是在一个探索阶段，所以我们需要医疗机构能够开放比较全的数据场景，让我们去不断地试错、优化，这些都是挑战。 张超：我们目前的主要设想是把BOT变成医生在院外的手，做一个随访工具，去长期跟踪和记录患者的状态。我们想先找一些专科或者说专病合作，先做一个小的成果出来。目前数据已经准备好了，正在训，训了之后再说。 张超：我们做了一些调研，成果是有，但基本都还是在研究领域。我们自己也做了一些小实验，比如在某些单独任务上，用医疗世界模型的思路去重置一下训练过程，进展也还不错，他确实会比单独的预测token要好一点。 张超：会非常大。垄断才能产生利润。你觉得一个通用的问答能产生什么垄断吗？不可能。但我如果说，肺癌患者的肿瘤方案，我出的就是最好的，一个方案几百块，你觉得患者会买单吗？一定会啊，举个极端点的例子，很多头部医院一个专家的黄牛号都要好几千了，照样有人抢。 张超：我的判断是，比如说在某个专病上，有个合作机构，真的能拿到不错的数据，持续使用。另外我在算力、人员上的配置还算可以，每年能有个三五千万的投入。两年内，就可以达到第一个商业化的里程碑。