氨基觀察-數(shù)字醫(yī)療組原創(chuàng)出品

作者 | 林白

很多人可能沒(méi)有意識(shí)到，放眼全球，醫(yī)療是 AI 滲透速度最快的核心行業(yè)之一。

根據(jù) Menlo Ventures 的最新研究，2023 年全球醫(yī)療機(jī)構(gòu)的 AI 采用率僅為 3%，但到 2025 年，這一數(shù)字已飆升至 22%。短短兩年，增長(zhǎng)超過(guò) 7 倍。

然而，當(dāng)大洋彼岸的醫(yī)療 AI 加速狂飆，患者開(kāi)始習(xí)慣 AI 輔助，甚至超過(guò) 45% 的美國(guó)醫(yī)生已經(jīng)高頻使用 OpenEvidence 輔助決策時(shí)，國(guó)內(nèi)的圖景卻呈現(xiàn)出一種微妙的“錯(cuò)位”。

一方面，超過(guò)1000家醫(yī)院開(kāi)始使用AI系統(tǒng)，國(guó)家醫(yī)療AI專項(xiàng)投入數(shù)百億元，在持續(xù)探索如何把AI應(yīng)用到醫(yī)療行業(yè)。另一方面，面對(duì)復(fù)雜的臨床決策，醫(yī)生不敢輕易將信任交付給一個(gè)偶爾會(huì)“胡說(shuō)八道”的黑盒。

這一困境的本質(zhì)，是市面上始終缺乏一個(gè)真正成熟、嚴(yán)謹(jǐn)、且可托付的醫(yī)療大模型底座。幸運(yùn)的是，這個(gè)長(zhǎng)期困擾行業(yè)的“信任死結(jié)”，正在被解開(kāi)。

近期，百川智能正式發(fā)布了面向醫(yī)療應(yīng)用開(kāi)發(fā)者的 Baichuan-M3 Plus。

與上一代 M3 相比，M3 Plus 不再僅僅追求通用能力的提升，而是將觸角伸向了真實(shí)醫(yī)療場(chǎng)景最痛的地方——如何讓模型變得足夠可靠，并具備規(guī)模化落地的經(jīng)濟(jì)性。

如果說(shuō)之前的醫(yī)療 AI 還是“嘗鮮品”，那么 M3 Plus 的發(fā)布，或許真正有望打通國(guó)內(nèi)醫(yī)療 AI 落地的“最后一公里”。

它是如何做到的？我們一起來(lái)看看。

AI醫(yī)療的“最后一公里”——信任

在所有垂直 AI 賽道中，醫(yī)療已經(jīng)成為資金最密集、確定性最高的方向之一。

2025 年，全球醫(yī)療 AI 的年度支出達(dá)到 14 億美元，幾乎是 2024 年的三倍。這一數(shù)據(jù)也標(biāo)志著一個(gè)歷史性時(shí)刻：醫(yī)療首次超越法律、金融、設(shè)計(jì)，成為 AI 垂直領(lǐng)域中資金最密集的賽道。

僅在 AI 醫(yī)療領(lǐng)域，已經(jīng)跑出了 8 家 AI 獨(dú)角獸，數(shù)量明顯高于其他垂直行業(yè)。其中表現(xiàn)最突出的，當(dāng)屬 OpenEvidence。

不到兩年時(shí)間內(nèi)，其月度醫(yī)生咨詢量從 2024 年的 36 萬(wàn)次，增長(zhǎng)到 2025 年的850 萬(wàn)次，增長(zhǎng)超過(guò)20 倍。

把視角拉回國(guó)內(nèi)，AI在醫(yī)療場(chǎng)景加速落地的趨勢(shì)同樣存在。

比如，新華社在 2025 年 2 月的一篇報(bào)道中提到，國(guó)內(nèi)已有超過(guò) 1000 家醫(yī)院提供大模型相關(guān)的醫(yī)療服務(wù)和智能應(yīng)用，醫(yī)院可以基于不同大模型底座，開(kāi)發(fā) AI 助手、健康知識(shí)問(wèn)答等功能。

雖然宏觀層面在大力推進(jìn)，但落回到微觀層面，也暴露出了一些不足。

比如，大部分醫(yī)生并不知道如何使用AI。一個(gè)很明顯的例子是，許多醫(yī)生已經(jīng)在私下使用 AI 做資料檢索和輔助分析。但一旦涉及到正式的臨床系統(tǒng)，態(tài)度立刻變得謹(jǐn)慎。

中國(guó)醫(yī)生正面臨的一個(gè)現(xiàn)實(shí)的挑戰(zhàn)：市面上缺乏一個(gè)真正成熟、可托付的醫(yī)療大模型。

事實(shí)上，這一問(wèn)題并非國(guó)內(nèi)獨(dú)有。

今年年初，國(guó)外投資機(jī)構(gòu)Bessemer Venture Partners聯(lián)合Amazon Web Services與 Bain & Company，對(duì)醫(yī)療行業(yè) 400 多家公司進(jìn)行了一次系統(tǒng)調(diào)研，試圖回答一個(gè)問(wèn)題：AI 為什么在醫(yī)療落地會(huì)卡??？

結(jié)論指向四個(gè)核心障礙：安全問(wèn)題、缺乏內(nèi)部 AI 專業(yè)能力、成本高企，以及數(shù)據(jù)準(zhǔn)備的挑戰(zhàn)。如果進(jìn)一步抽象，會(huì)發(fā)現(xiàn)除數(shù)據(jù)問(wèn)題外，其余障礙幾乎都可以歸結(jié)為兩個(gè)命題：

AI 是否足夠可靠，以及是否具備可接受的經(jīng)濟(jì)性。

在醫(yī)療場(chǎng)景中，這兩點(diǎn)不是錦上添花，而是能否使用的前提，尤其是前者。

這也揭示了AI在醫(yī)療場(chǎng)景落地的特殊性，與其他AI產(chǎn)品更側(cè)重于“能力展示”不同，AI醫(yī)療應(yīng)用更追求“可信交付”。而這恰恰也給了創(chuàng)業(yè)公司巨大的機(jī)會(huì)。

死磕“幻覺(jué)”與“有證可循”，

百川正在定義醫(yī)療AI的新范式

百川選擇的方向，恰恰是在模型層面系統(tǒng)性解決這一問(wèn)題。

在上周開(kāi)源發(fā)布了 Baichuan-M3后，這次百川進(jìn)一步推出了面向醫(yī)療應(yīng)用開(kāi)發(fā)者的 M3 Plus。

與 M3 相比，M3 Plus進(jìn)一步探索了模型在真實(shí)醫(yī)療場(chǎng)景中，變得足夠可靠、并具備規(guī)?；涞氐目赡苄?。

要理解 M3 Plus 的意義，需要回到百川更早的技術(shù)選擇。

在去年的 Baichuan-M2 Plus 中，百川首次將「六源循證」這一循證醫(yī)學(xué)范式系統(tǒng)性引入模型訓(xùn)練與推理過(guò)程。與其說(shuō)，這是一個(gè)簡(jiǎn)單的知識(shí)庫(kù)，不如說(shuō)是一套圍繞醫(yī)學(xué)證據(jù)構(gòu)建的結(jié)構(gòu)化認(rèn)知體系。

這套體系覆蓋從原始研究、證據(jù)綜述、指南規(guī)范，到臨床實(shí)踐、公共健康教育以及監(jiān)管與真實(shí)世界數(shù)據(jù)等多個(gè)層級(jí)。模型在訓(xùn)練和推理過(guò)程中，被明確約束只能使用權(quán)威醫(yī)學(xué)來(lái)源，而非互聯(lián)網(wǎng)泛化信息，并且需要在不同證據(jù)層級(jí)之間建立清晰映射。

這種設(shè)計(jì)的直接結(jié)果，是模型真正學(xué)會(huì)了如何基于證據(jù)給出判斷。在這一機(jī)制下，模型的醫(yī)學(xué)幻覺(jué)顯著下降，可信度開(kāi)始逼近資深臨床醫(yī)生的決策風(fēng)格。

在 M3 中，百川進(jìn)一步把幻覺(jué)控制前移到模型基座層面，探索更底層的解決路徑，團(tuán)隊(duì)構(gòu)建了一套事實(shí)感知強(qiáng)化學(xué)習(xí)（Fact-Aware RL）架構(gòu)。

所謂的Fact-Aware RL ，簡(jiǎn)單來(lái)說(shuō)，就是在模型訓(xùn)練的每一次獎(jiǎng)懲中，都加入對(duì)醫(yī)學(xué)事實(shí)的嚴(yán)苛校驗(yàn)。這相當(dāng)于在 AI 的大腦里植入了一個(gè)實(shí)時(shí)的「審稿人」。當(dāng)模型試圖為了讓答案看起來(lái)通順而編造一個(gè)藥物劑量時(shí)，懲罰機(jī)制會(huì)立刻介入。

這樣一來(lái)，使底座模型在無(wú)工具的設(shè)定下幻覺(jué)也能大幅降低到SOTA水平。

而 M3 Plus，正是將這兩條技術(shù)路線合并的結(jié)果：一方面，繼承 M3 的低幻覺(jué)模型基座；另一方面，在此之上系統(tǒng)性強(qiáng)化循證推理能力。

在六源循證體系的約束下，模型的事實(shí)性幻覺(jué)進(jìn)一步下降，開(kāi)始具備在真實(shí)醫(yī)療應(yīng)用中“可托付”的基礎(chǔ)。

當(dāng)然，在醫(yī)療場(chǎng)景中，僅僅“少說(shuō)錯(cuò)話”還不夠。與面向大眾健康助手不同，一個(gè)AI產(chǎn)品終究能否被醫(yī)生信任，往往取決于另一件事：引用是否準(zhǔn)確。

原因很簡(jiǎn)單，在醫(yī)療場(chǎng)景里，所有決策都要求有引用，因?yàn)獒t(yī)療決策本身就是一個(gè)以證據(jù)為核心的責(zé)任體系。

雖然說(shuō)引用很重要，但在引用準(zhǔn)確性這一關(guān)鍵問(wèn)題上，始終缺乏系統(tǒng)性的優(yōu)化路徑?，F(xiàn)實(shí)中，醫(yī)療大模型的引用錯(cuò)誤非常常見(jiàn)，部分市場(chǎng)主流模型產(chǎn)出的結(jié)果里，單個(gè)問(wèn)題的引用錯(cuò)誤率甚至能超過(guò)90%?？此品浅I(yè)，引用了許多權(quán)威協(xié)會(huì)的專家共識(shí)、原則性的官方文件，下面還有一些說(shuō)明書(shū)之類的東西。

但要么“張冠李戴”，看似有引用編號(hào)，但文獻(xiàn)內(nèi)容并不支持當(dāng)前表述；要么“內(nèi)容沖突”，角標(biāo)形式正確，但模型并未真正理解證據(jù)立場(chǎng)，只是機(jī)械拼接。

這種引用不準(zhǔn)確的問(wèn)題，在醫(yī)療場(chǎng)景中變得尤為可怕，但卻始終未引發(fā)足夠的重視。

問(wèn)題的根源在于，很多模型只是把“是否給出引用”當(dāng)作生成約束，卻從未把“引用是否正確”作為一個(gè)可以學(xué)習(xí)、可以懲罰的核心目標(biāo)。

在 M3 Plus 中，百川選擇正面解決這一問(wèn)題，將引用準(zhǔn)確性作為獨(dú)立的訓(xùn)練目標(biāo)進(jìn)行系統(tǒng)建模：

• 一是引入專門的 Citation Reward Model，對(duì)引用行為本身進(jìn)行學(xué)習(xí)；

• 二是對(duì)多類引用錯(cuò)誤進(jìn)行明確懲罰，包括編號(hào)存在但內(nèi)容不匹配、描述與原文證據(jù)不一致、以及關(guān)鍵證據(jù)漏召回；

• 三是將引用正確性與六源循證體系、答案正確性深度耦合，使引用不再是生成完成后的“裝飾”，而是貫穿檢索、理解與生成全過(guò)程的結(jié)構(gòu)性約束。

在這一訓(xùn)練機(jī)制下，模型被迫只在“能夠被證據(jù)支持”的空間內(nèi)進(jìn)行推理。最終，結(jié)論與證據(jù)段落的匹配準(zhǔn)確率超過(guò) 95%，真正讓 AI 的醫(yī)學(xué)判斷做到可核驗(yàn)、可追責(zé)、可教學(xué)。

總的來(lái)說(shuō)，M3 Plus 所做的事情，并不是再一次能力堆疊，而是試圖在模型層面回答一個(gè)更根本的問(wèn)題：如何讓AI的每一次輸出，都有據(jù)可查、可信可用。

用成本優(yōu)勢(shì)，

砸開(kāi)了醫(yī)療 AI 的天花板

當(dāng)然，醫(yī)療大模型要真正進(jìn)入真實(shí)世界，僅僅做到“效果可靠”還不夠，成本同樣是決定能否規(guī)模化落地的硬約束。

在現(xiàn)實(shí)部署中，醫(yī)療機(jī)構(gòu)和商業(yè)應(yīng)用面對(duì)的，并不只是“模型是否足夠強(qiáng)”的問(wèn)題，更直接的挑戰(zhàn)在于：最先進(jìn)模型的調(diào)用成本，是否允許它被高頻、長(zhǎng)期、穩(wěn)定地使用。如果每一次推理都意味著顯著的邊際成本，再好的能力也只能停留在試點(diǎn)階段。

正是基于這一判斷，在 M3 Plus 中，百川圍繞醫(yī)學(xué)場(chǎng)景，對(duì)模型架構(gòu)、推理路徑與部署形態(tài)進(jìn)行了系統(tǒng)性的工程重構(gòu)，在不犧牲模型可靠性與醫(yī)學(xué)能力的前提下，將綜合使用成本壓縮至上一代的約 30%，為真實(shí)規(guī)?；褂么蜷_(kāi)空間。

正是在這一基礎(chǔ)上，百川在經(jīng)濟(jì)性約束上完成了關(guān)鍵突破，具備被更廣泛使用的現(xiàn)實(shí)條件。

目前，百川不僅面向開(kāi)發(fā)者開(kāi)放 API 的限時(shí)免費(fèi)體驗(yàn)，更發(fā)起 「海納百川」計(jì)劃：面向所有服務(wù)醫(yī)務(wù)工作者的機(jī)構(gòu)，免費(fèi)提供全球幻覺(jué)最低循證增強(qiáng)醫(yī)療大模型 M3 Plus 的 API，把服務(wù)醫(yī)生的AI能力直接交到生態(tài)伙伴手里。

當(dāng)可靠性與經(jīng)濟(jì)性同時(shí)被突破，AI 才第一次具備在醫(yī)療體系中持續(xù)運(yùn)行、規(guī)?；渴鸬目赡苄?。也只有在這一刻，醫(yī)療 AI 的天花板，才真正開(kāi)始被打開(kāi)。

從市場(chǎng)規(guī)模看，這是一塊足夠大的“長(zhǎng)期戰(zhàn)場(chǎng)”。根據(jù)公開(kāi)數(shù)據(jù)，中國(guó)醫(yī)療衛(wèi)生總費(fèi)用已超過(guò) 8 萬(wàn)億元人民幣，占 GDP 的比重接近 8%，直接和間接從業(yè)人員規(guī)模達(dá) 千萬(wàn)人以上。無(wú)論從支出體量還是社會(huì)影響力來(lái)看，醫(yī)療都是典型的“國(guó)民級(jí)行業(yè)”。

與以往醫(yī)療信息化項(xiàng)目不同，本輪 AI 在醫(yī)療行業(yè)的落地，呈現(xiàn)出明顯的非線性加速特征。根據(jù)Menlo Ventures 的報(bào)告，醫(yī)療系統(tǒng)的傳統(tǒng) IT 采購(gòu)周期，已從 8.0 個(gè)月縮短至 6.6 個(gè)月；門診服務(wù)提供商的采購(gòu)周期，也從 6.0 個(gè)月降至 4.7 個(gè)月。

AI滲透加速的原因也很好理解，醫(yī)療行業(yè)本身存在大量剛性需求，使 AI 更容易擊中“非可選項(xiàng)”。

舉個(gè)例子，就拿醫(yī)生需求來(lái)說(shuō)，醫(yī)學(xué)知識(shí)的爆炸式增長(zhǎng)，讓臨床信息處理本身變得不可持續(xù)。

現(xiàn)在，醫(yī)學(xué)知識(shí)平均每 5 年更新一次，文獻(xiàn)以每?jī)煞昼娨黄乃俣仍黾印Ｔ谶@樣的背景下，醫(yī)生需要在極短時(shí)間內(nèi)完成大量信息篩選與判斷，而傳統(tǒng)檢索工具已難以勝任。

也正是在這一現(xiàn)實(shí)背景下，百川的布局顯現(xiàn)出更深層的意義。

/ 04 /

總結(jié)

過(guò)去幾年，大模型領(lǐng)域反復(fù)上演著同一種敘事：Demo 足夠驚艷，但真正落地卻異常艱難。能力的提升，并沒(méi)有自然轉(zhuǎn)化為可持續(xù)的應(yīng)用。

百川所體現(xiàn)出的，是一種在行業(yè)中并不常見(jiàn)的清醒判斷。在醫(yī)療這個(gè)萬(wàn)億級(jí)的國(guó)民行業(yè)里，技術(shù)是否“最強(qiáng)”并不是首要問(wèn)題，“用得起”和“信得過(guò)”同樣重要，甚至更重要。

通過(guò) Gated Eagle-3 投機(jī)解碼和面向醫(yī)學(xué) MoE 的量化重構(gòu)，百川解決的并不只是算力成本的問(wèn)題，而是 AI 是否具備進(jìn)入真實(shí)醫(yī)療流程的“入場(chǎng)條件”。

在醫(yī)學(xué)知識(shí)以分鐘級(jí)速度膨脹的當(dāng)下，醫(yī)生個(gè)體的認(rèn)知與處理能力已接近極限。如何在不增加醫(yī)生負(fù)擔(dān)、不引入額外風(fēng)險(xiǎn)的前提下，擴(kuò)展醫(yī)學(xué)決策的能力邊界，正在成為整個(gè)體系必須回答的問(wèn)題。一個(gè)不知疲倦、成本可控、且具備嚴(yán)格循證約束的 AI，更像是一種基礎(chǔ)能力的延伸，而非簡(jiǎn)單的工具替代。

從這個(gè)角度看，百川所構(gòu)建的，并不只是一個(gè)模型或一套 API，而是在嘗試為智能醫(yī)療建立一層可被長(zhǎng)期依賴的技術(shù)底座。

在這場(chǎng)關(guān)乎生命與健康的變革中，百川正試圖證明：最好的科技，不是為了取代醫(yī)生，而是為了讓醫(yī)生回歸治愈的本質(zhì)，讓醫(yī)療回歸服務(wù)的初心。