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

又一家新晋AI独角兽出现了。

今年2月，AI医疗公司OpenEvidence拿下了红杉资本的7500 万美元融资。这次融资后，OpenEvidence的10亿美元，成为了新的AI独角兽。

虽然说干着AI医疗的活，但OpenEvidence的经营策略更像一家消费互联网公司。

与大多数AI医疗公司走to B道路不同，OpenEvidence却把目光放到了C端医生群体，向所有医生免费开放，通过广告产生收入。

不仅商业模式像，OpenEvidence的用户增长也很“互联网”。

据公司创始人Daniel Nadler透露，现在1/4 的美国用户医生已经在用OpenEvidence。而一年之前，这一数字几乎为零。这种迅速的市场渗透速度在医疗领域极为罕见。

也难怪，红杉合伙人Pat Grady会评价说， OpenEvidence更像是一家披着AI医疗外壳的互联网公司。

/ 01 /

披着AI医疗外壳的互联网公司

OpenEvidence的界面与ChatGPT很像，不过是专注于医疗领域的聊天机器人。

简单来说，OpenEvidence能够帮助医生在漫长的「长尾」医疗信息里，精准找到他们需要的知识，从而显著提升医生处理罕见和复杂病例的能力。

不过与大多数垂直AI产品不同，OpenEvidence更像是一家消费互联网公司。

从服务对象看，OpenEvidence没有选择医院，而是把目光放在了医生上。原因很简单，传统医疗产品的路径需要通过医院或其他机构的层层审批，落地周期过于漫长。

在传统医疗落地路径下，AI医疗公司负责人需要花三个月找到大型医疗集团的高层开个会，然后再花三个月找医院的「AI委员会」开会。这个过程中还不排除会遇到医院AI政策和AI监管政策的变化，落地前景存在很大的不确定。

在公司创始人Nadler看来，医生不仅是一个职业，同时也是消费者。如果产品足够优秀，能够满足他们的需求，医生自然也会用，甚至还会形成自然传播。这一点就像早期的特斯拉一样。

其实，Daniel Nadler的想法并非没有道理。在AI医疗领域，越来越多产品开始把服务对象放到医生上，以避免了医疗机构冗长的购买审批流程。

比如，AI医疗笔记产品FreedAI就面向的是独立执业临床医生。产品发布不到2年的时间，每天有1万个付费医生使用，达到了1000万美金ARR（年度经常性收入）。

在商业模式上，OpenEvidence也更像一家消费互联网公司。

与大部分AI产品走订阅模式不同，OpenEvidence选择了免费提供服务，向所有医生免费开放，通过广告产生收入，产品迅速实现了自发传播。

OpenEvidence的成长轨迹，也正如Nadler预想得一样。Nadler披露说：

“如果算上所有活跃用户，每月有 30-40 万人接触我们的系统，其中 20 多万医生会登录并提问。换句话说，美国大约10%-25%的医生，已经在某种程度上使用OpenEvidence了。”

也就是说，已经有1/4的美国用户医生在使用OpenEvidence的工具。而一年之前，这一数字几乎为零。这种迅速的市场渗透速度在医疗领域极为罕见。

红杉资本合伙人Pat Grady认为，这种自然传播模式在医疗行业极为罕见，通常只在互联网产品中才能见到。

那么，OpenEvidence为什么能够实现如此快速的增长？

/ 02 /

用AI帮助医生找资料

OpenEvidence的成功之处在于，抓住了医生的一个痛点：医学知识更新速度远超医生处理能力。

在美国，医生的工作压力很大。现在美国人口已达3.4亿，且不断增长，但老龄化趋势加剧，而美国在职医生只有100万，医生人手捉襟见肘。

除了临床工作，他们还要花费大量时间仔细查阅期刊，以确保他们能够掌握最新的治疗信息。

但想要跟踪最新医学知识并不容易。原因是，医学知识的更新速度太快了。

现在基本上每分钟就有两篇新的医学论文发表，一天24小时不间断，一周七天都是如此。根据OpenEvidence测算，真正对医生有用的，往往是顶尖的期刊，比如影响因子最高的前三分之一的期刊。按这个数量计算，医学知识每五年就会翻一倍。

这意味着，医生毕业后不久所学知识就会迅速过时。

当面临复杂的病情，例如病人同时患有银屑病和多发性硬化症时，传统医学信息检索工具（如PubMed和Google）难以直接有效地回答这些特定患者的特定用药安全性问题，因为这些关键信息通常隐藏在医学论文的正文深处。

这时候，OpenEvidence的价值就来了。之所以OpenEvidence能实现这一点，与其高度强调信息的准确性和透明度不无关系。

为了彻底解决幻觉的问题，OpenEvidence对训练数据卡得很严格，所有训练数据都必须是经过同行评审的医学研究。

正因为如此，与大模型海量收集互联网数据不同，OpenEvidence走了另一条相反的路：

完全放弃了互联网上的健康博文或社交媒体内容，完全基于严格的同行评议医学文献进行训练。

除了FDA和CDC公开的医学文献，OpenEvidence还与《新英格兰医学杂志》等顶尖医学期刊建立了合作关系。（《新英格兰医学杂志》由马萨诸塞州医学会（Massachusetts Medical Society）所出版的评审性质的综合性医学期刊，1812年由约翰•柯川博士创办，至今已连续出版超过200年。）

除了严格限制数据来源外，OpenEvidence在架构上没有选择只靠一个大模型的做法，而是采用了多个模型组成的「集成架构」，每个模型负责不同的任务，比如检索、排序等。

Nadler的思路是，与其追求庞大的通用模型，不如训练更小、更专业化的模型，在特定领域里做到极致。

解决完了信息准确性，OpenEvidence在信息透明度上也花了很多功夫。

比如，医生在使用OpenEvidence时，医生能直接查看答案的来源。也就是说，OpenEvidence不是简单地「压缩」期刊的内容然后输出，而是直接把流量送回期刊网站。

这样一来，就形成了一个良性循环：医生找到了可靠的内容，医学期刊获得了流量，也愿意让我们收录他们的内容。

在Nadler的设想里，AI医疗最大的想象在于，真正实现个性化医疗。AI都会把病人的所有具体情况与全球所有相关医学知识进行匹配，形成一个超个性化的治疗方案。

到那时候，可能120岁、130岁都不再是人类寿命的上限了。

/ 03 /

总结

OpenEvidence的脱颖而出，再次证明了两件事情：

一是垂直场景数据的价值。正如Norwest Venture Partners合伙人Scott Beechuk所说，AI公司最深的护城河将由大型专有数据集创造。那些拥有独特的数据集，能训练或微调出自己的模型，并能够在特定垂直渠道中脱颖而出。

二是AI的价值并不体现在多厉害的测评数据，而在于能否抓住用户需求。当下，医生们并不期待大模型能够创造癌症治愈的奇迹，他们更现实的期望是，AI能否帮助自动化解决某个环节的小问题，而这些真实需求只有在长期深入行业、充分理解临床工作流程后才能真正理解。

文章来自于“乌鸦智能说”，作者“智能乌鸦”。