在中國，醫(yī)療 AI 主要有三種類型：醫(yī)療影像、醫(yī)學(xué)基因編譯以及智慧診療。
對于智慧診療類型，許多公司都有較強的互聯(lián)網(wǎng)醫(yī)療基因，比如京東健康、阿里健康、平安好醫(yī)生等。過去多年來，這類公司主要依靠互聯(lián)網(wǎng)賣藥模式盈利。
在疫情期間，互聯(lián)網(wǎng)賣藥營收全面大增。但如今這個市場已成紅海，同質(zhì)化競爭嚴(yán)重，由疫情特殊時期帶來的營收機會也早已消失，相關(guān)公司在這方面的收入都進入了瓶頸期。
那么，智慧診療公司今后將如何構(gòu)建新的競爭優(yōu)勢？
這回，競爭要素終于聚焦到了 AI 上。
近年來國家也密集出臺政策推動智慧診療的發(fā)展，比如2024年11月，國家醫(yī)保局將AI輔助診斷技術(shù)納入醫(yī)療服務(wù)價格項目立項指南。
為深入了解智慧診療公司如何在 AI 上建立新的優(yōu)勢，知危編輯部和京東健康智能算法部負責(zé)人、京東健康探索研究院首席科學(xué)家王國鑫進行了對話。
京東健康自 2014 年開始運營，以線上醫(yī)藥零售業(yè)務(wù)為基礎(chǔ)，并擴展到在線診療，近年基于 AI 技術(shù)開發(fā)了一系列 AI 診療助手產(chǎn)品。
在王國鑫看來，用 AI 去解決醫(yī)療的業(yè)務(wù)問題，是一個很自然的選擇，“ 醫(yī)療和別的行業(yè)相比并沒有更加特殊，只要是人工智能跟行業(yè)結(jié)合，都會有巨大的想象力，以及面臨現(xiàn)實中逐步演進的漫長過程。”
但 ChatGPT 的出現(xiàn)確實帶來了全新的機會，“ ChatGPT 不僅是優(yōu)秀的技術(shù)，也是優(yōu)秀的產(chǎn)品，根本在于改變了人和機器的交互模式，實現(xiàn)了從鼠標(biāo)到觸摸屏再到自然語言、圖像、聲音的飛躍?！?/p>
而 DeepSeek 的發(fā)布對中國醫(yī)療 AI 也有很大的推動作用，“ DeepSeek 的意義在于，中國人的 AI 技術(shù)終于達到了國際認可的接近全球最領(lǐng)先的水平。而且 AI 還沒有面臨智能墻的限制，還能繼續(xù)提升。DeepSeek 這樣的國產(chǎn)優(yōu)秀團隊，極大地刺激了各行各業(yè)對于中國技術(shù)團隊的認知，以及國家對于 AI 領(lǐng)域的技術(shù)戰(zhàn)略的投入，當(dāng)然，醫(yī)療行業(yè)也不例外。”
從互聯(lián)網(wǎng)賣藥到智慧診療，這樣的模式變遷是一種質(zhì)的變化，因為這意味著醫(yī)療 AI 企業(yè)要實際與醫(yī)院一起參與到患者的診療過程中，因此要做出好的醫(yī)療 AI 產(chǎn)品，必須對醫(yī)療行業(yè)本身有非常深刻的理解。
王國鑫向知危介紹道，“ 醫(yī)療、法律、金融是人類專家參與最多，交互最頻繁、信息密度最大的三個重要行業(yè)。一些行業(yè)更強調(diào) AI 的半自動化或全自動化，比如交通、物流、電廠、制造業(yè)、農(nóng)業(yè)等，但 AI 醫(yī)療需要人類和機器的共同配合。”
“ 這也是醫(yī)療、法律、金融這三個行業(yè)率先應(yīng)用大模型或者大模型更適用的原因。具體而言，判斷一個行業(yè)是否適用大模型，以及應(yīng)用大模型具有高價值，就看是不是有高知識密度，專家型人才聚集，以及高服務(wù)成本?！?/p>
醫(yī)療行業(yè)的高服務(wù)成本體現(xiàn)在必須有龐大機構(gòu)作為支付方，“ 我們國家對大部分國民提供了醫(yī)保兜底，今天如果一個患者需要看專家，絕大部分醫(yī)院都能提供半小時以內(nèi)到位的醫(yī)療服務(wù)，這在另一個國家是不可能的。”
而且，相比法律、金融，醫(yī)療行業(yè)還有其特殊性和復(fù)雜性，“ 醫(yī)療行業(yè)幾乎是人類所有職業(yè)中，細分程度最高，規(guī)則最復(fù)雜，出錯后果最嚴(yán)重的行業(yè)。所以醫(yī)療 AI 商業(yè)化中最大的困難，就在于它解決的是人類生命健康上的問題，這也是幾乎所有復(fù)雜性的來源。”
但醫(yī)療行業(yè)存在一個不可能三角，即可及性、成本和質(zhì)量不能同時擁有，“ 比如我們的醫(yī)療總體上是普惠化的，但如果今天想看一個超級牛的專家，一般來說就需要支付很高的成本，這個成本支付的是占用專家的時間，這個時間如此寶貴源于培養(yǎng)高水平專家需要付出的巨大成本。”
因此，結(jié)合醫(yī)療本身的行業(yè)特點和中國醫(yī)療現(xiàn)狀，構(gòu)成了獨特的發(fā)展驅(qū)動力，“ 像我們這么大的國家，無論是醫(yī)療成本問題、衛(wèi)生經(jīng)濟學(xué)問題、地區(qū)差異問題，都導(dǎo)致對通過使用類人服務(wù)來提升整個醫(yī)療行業(yè)、醫(yī)院、患者的體驗，和降低成本上，有巨大的動力?！?/p>
具體到 AI 層面，就是利用 AI 技術(shù)吸收全國頂級醫(yī)院、頂級醫(yī)生的醫(yī)療知識和技術(shù)，降低服務(wù)成本，從而普及到各級醫(yī)院中去，以惠及全國所有患者。
要實現(xiàn)這種普惠化，并考慮到數(shù)據(jù)安全性，私有化部署大模型是一種可行的路徑。據(jù)了解，目前國內(nèi)已有近百家醫(yī)院完成 DeepSeek 本地化部署，主要為知名大型三甲醫(yī)院，比如復(fù)旦大學(xué)附屬華山醫(yī)院、深圳大學(xué)附屬華南醫(yī)院等，本地化部署主要是為了支持臨床決策、病歷質(zhì)控、影像分析、科研輔助、醫(yī)院管理等場景應(yīng)用。
但這種方式本身并不夠普惠，私有化部署成本比云服務(wù)高得多，滿血版 DeepSeek 一體機價格基本都是百萬級別，不是普通醫(yī)院負擔(dān)得起的，這還不算實際運行中產(chǎn)生的運維和人力成本。
王國鑫解釋道，“ 是不是所有醫(yī)院都具備訓(xùn)練醫(yī)療模型的能力，能夠支付招聘優(yōu)秀工程師的成本，并具備足夠優(yōu)質(zhì)的訓(xùn)練數(shù)據(jù)，是存在疑問的。實際上，在中國，大部分專病療法相關(guān) AI 課題都需要多中心的聯(lián)合訓(xùn)練。多中心就是大量的優(yōu)秀的醫(yī)院聯(lián)合在一起研發(fā)。所以我很懷疑是否所有單個醫(yī)院都有足夠的能力去做這件事。所以醫(yī)療大模型的研發(fā)，需要像我們這樣的垂域領(lǐng)域企業(yè)同步支持多家醫(yī)院，來推動大型課題研發(fā)，以解決數(shù)據(jù)共通性的問題?！?/p>
但要實現(xiàn)多中心聯(lián)合訓(xùn)練，最核心的難題是醫(yī)療數(shù)據(jù)共享，技術(shù)層面的難題比如數(shù)據(jù)標(biāo)準(zhǔn)、數(shù)據(jù)質(zhì)量等都還是其次，根本還是在于權(quán)利上，“ 這里面涉及到數(shù)據(jù)確權(quán)的問題，目前醫(yī)療數(shù)據(jù)的特點是權(quán)利不清晰，我們并不知道它屬于患者、醫(yī)院或科室，甚至廠商。比如說一個患者今天做 X 光檢查，影像是不是屬于廠商并沒有確定的答案。有政策面的問題，也有敏感性的問題，人們對于關(guān)乎切身利益的東西都是極其關(guān)注的。所以任何醫(yī)療數(shù)據(jù)的共享，都是重要的法律和倫理問題。”
那么，如何推動這個問題的解決呢？
王國鑫表示：“ 從政策方面看，過去幾年國家一直在研究數(shù)據(jù)要素流通。我們的優(yōu)勢是能集中力量干大事，所以數(shù)據(jù)要素流通的研究其實是全國性的。北京如今也有很多先行試點，推動醫(yī)院進行脫敏數(shù)據(jù)的資產(chǎn)化，只不過目前案例還比較少。從過去幾年我們工作的實際情況來看，總體還是走課題加科研轉(zhuǎn)化?！?/p>
“ 比如說我們可以跟醫(yī)院進行聯(lián)合課題的申報，在一個單獨課題的情況下，可以進行脫敏科研數(shù)據(jù)的一定程度的共享，當(dāng)然這不涉及到數(shù)據(jù)的轉(zhuǎn)移，更多是以更合規(guī)數(shù)據(jù)處理的方式來進行，比如說就在院內(nèi)完成模型的訓(xùn)練。理論上，醫(yī)院不可能把醫(yī)療數(shù)據(jù)轉(zhuǎn)移給任何一家公司。”
“ 所以，對于第三方而言，醫(yī)療數(shù)據(jù)的使用只能是點對點的。坦誠地說，這其實阻礙了純技術(shù)的發(fā)展。但醫(yī)療領(lǐng)域的特殊性就在于，我們不能完全用一個純技術(shù)發(fā)展的視角來看待人類倫理的問題?！?/p>
因此，王國鑫認為，要解決醫(yī)療數(shù)據(jù)資源難題，一方面需要推動醫(yī)療數(shù)據(jù)的資產(chǎn)化，另一方面醫(yī)療 AI 公司必須要做好未來廣泛依賴合成數(shù)據(jù)的準(zhǔn)備，以及更好地挖掘醫(yī)療現(xiàn)有開放數(shù)據(jù)的準(zhǔn)備，“ 比如，其實有很多疾病案例數(shù)據(jù)是存在于醫(yī)療論文之中的，它們可開放獲取，而且不涉及到敏感信息。我們可以基于這些數(shù)據(jù)進一步模擬醫(yī)生或者患者的情況，從而產(chǎn)生更高價值的數(shù)據(jù)。”
在近期發(fā)表的論文 “ Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support ” 中，王國鑫的團隊就提出了這樣的方法。（ 注：Citrus 指京東健康的醫(yī)療大模型京醫(yī)千詢 ）
https://arxiv.org/pdf/2502.18274
論文中提到，醫(yī)學(xué)專業(yè)知識是通過臨床實踐培養(yǎng)獲取的，臨床實踐需要高度復(fù)雜的醫(yī)學(xué)推理技能，涵蓋患者咨詢、診斷、鑒別診斷和治療等。
因此，用于智慧診療的醫(yī)學(xué)語言模型要想成功地輔助臨床決策，不僅要處理海量醫(yī)療數(shù)據(jù)，還要模擬專業(yè)醫(yī)療人員復(fù)雜的認知過程。
臨床實踐中的醫(yī)學(xué)推理涉及兩種推理方法：“ 模式識別法 ” 和 “ 假設(shè)-演繹法 ”。前者基于臨床觀察和經(jīng)驗總結(jié)來發(fā)現(xiàn)模式，更加直觀，后者根據(jù)已知的醫(yī)學(xué)理論，基于癥狀組合來確定疾病。
模式識別能力通常接觸大規(guī)模、高質(zhì)量的醫(yī)學(xué)數(shù)據(jù)集學(xué)習(xí)得到，假設(shè)-演繹推理能力則需要通過合成的思維鏈數(shù)據(jù)訓(xùn)練得到，思維鏈數(shù)據(jù)通過模擬專家的推理過程獲得。
模型生成推理思維鏈的過程如下，對一個推理起點和多個診斷終點，其能夠生成大量的備選思維鏈，并結(jié)合外部知識保證診斷能力：
-模型列出現(xiàn)有臨床信息，作為推理的起點。
-基于現(xiàn)有信息，提出可能的診斷，作為推理的終點。
-進行正向推理，建立從起點到終點的邏輯路徑。
-使用另一個模型評估推理的有效性。
-重復(fù)步驟 3-4，模型將嘗試建立更多不同的邏輯路徑。最后對可能的診斷進行排序，確定是否可以做出診斷。
-如果做出診斷，則輸出結(jié)果并結(jié)束推理。
-如果無法做出診斷，則返回步驟 1，并嘗試請求外部知識以收集更多信息。
該方法在多個開源基礎(chǔ)模型中，在各種醫(yī)學(xué)基準(zhǔn)測試中實現(xiàn)了顯著的性能提升。Citrus 模型（ 京醫(yī)千詢 ）及其訓(xùn)練數(shù)據(jù)都已經(jīng)開源。
王國鑫再次強調(diào)，“ 所有做醫(yī)療 AI 或者做行業(yè)AI 的團隊，都需要有這樣的覺悟，就是在未來漫長的幾年里，需要有不同的模型團隊來廣泛地合成類真實數(shù)據(jù)，從而進一步降低對患者數(shù)據(jù)、醫(yī)院數(shù)據(jù)或行業(yè)數(shù)據(jù)的使用。這是一個很重要的方向，我們也在持續(xù)探索?！?/p>
在獲取合成數(shù)據(jù)的好處時，也要面臨相應(yīng)的風(fēng)險，比如它可能讓生成的多樣性不夠，甚至讓模型退化或訓(xùn)練直接崩潰。
Nature 曾經(jīng)發(fā)表一篇封面論文《 AI models collapse when trained on recursively generated data 》，表明隨著大模型循環(huán)用自己生成的數(shù)據(jù)訓(xùn)練自身，到最后模型會完全偏離原來的數(shù)據(jù)分布，要么生成內(nèi)容范圍很狹窄，要么干脆在胡言亂語。
圖源：Nature volume 631, pages755–759 (2024)
王國鑫認為，合成數(shù)據(jù)導(dǎo)致模型退化這是有可能的，但合成數(shù)據(jù)這條路仍然必須走下去。
“ 我們當(dāng)然希望數(shù)據(jù)的多樣性很強，真實性又很高，但在醫(yī)療領(lǐng)域這不現(xiàn)實。舉一個醫(yī)療影像的例子，如果只在北京做醫(yī)療影像，那就幾乎沒有南方患者的影像數(shù)據(jù)。人和動物都有很強的地域性特征，包括身體狀況、疾病甚至影像表現(xiàn)等。”
但正如之前提到的，得到多中心的具有廣泛代表意義的數(shù)據(jù)是醫(yī)療 AI 領(lǐng)域中最難、最痛苦的部分。
“ 合成數(shù)據(jù)確實存在造成模型退化的可能，因為需要從一個強模型或者通過強化學(xué)習(xí)的方式不斷去合成新數(shù)據(jù)。那么這批數(shù)據(jù)的應(yīng)用或者監(jiān)控，就變得比較困難。其實基于強化學(xué)習(xí)的范式，不斷地推動數(shù)據(jù)合成，應(yīng)該是能夠把模型的水平再抬高一定水平的，然后再配合一部分真實數(shù)據(jù)進行校準(zhǔn)。”
相比痛苦地尋找真實數(shù)據(jù)，這個方法的效率高得多。
“ 強化學(xué)習(xí)跟監(jiān)督學(xué)習(xí)相比最大的特點，就是它具有一定的數(shù)據(jù)探索能力。只是強化學(xué)習(xí)需要很好的環(huán)境設(shè)置，從而讓它的探索方向更能被評估。比如 DeepSeek-R1-Zero 就是完全基于強化學(xué)習(xí)的，它讓模型通過自由的探索找到正確的發(fā)展路徑。未來在很多端到端的智能體研究都會走這個方向。這其實很像 AlphaGo 的發(fā)展過程，AlphaGo 后期的版本 AlphaZero 是不需要棋譜的，而是靠兩個 AlphaGo 的智能體不斷的下國際象棋、圍棋和日本將棋，從而從零提升模型能力的。當(dāng)然，強化學(xué)習(xí)本身的難點也不少，探索很容易，但是訓(xùn)練方法、獎勵模型設(shè)計、超參數(shù)都是比較難調(diào)試的，訓(xùn)練也不太穩(wěn)定?！?/p>
王國鑫補充道，除了真實數(shù)據(jù)、數(shù)據(jù)合成，其它數(shù)據(jù)獲取方法還包括真實數(shù)據(jù)的改寫等。
醫(yī)療數(shù)據(jù)除了難獲取，其領(lǐng)域知識上的特點即細分性和動態(tài)性，也帶來了另一個層面的難題。
王國鑫表示，“ 醫(yī)療行業(yè)的細分程度非常高。即便是從患者的角度來看，目前去任何醫(yī)院，對患者來說最大的難題就是掛什么科室的號。常用的疾病編碼少說得有一兩千個，而且不同的?？漆t(yī)院、不同的專家所擅長的疾病差異很大。每一個疾病或每一個?？票澈?，都有一個巨大的學(xué)術(shù)機構(gòu)來支撐，有很多優(yōu)秀的專家甚至院士對其進行研究?！?/p>
“ 并且，醫(yī)療也是一個快速發(fā)展中的行業(yè)，人類今天對于很多疾病其實還沒有形成正確的認識，比如最受關(guān)注的腫瘤疾病。所以，醫(yī)療AI不僅僅是對過去知識的學(xué)習(xí)，而是持續(xù)學(xué)習(xí)、持續(xù)應(yīng)用的。縱觀整個生物學(xué)、基因?qū)W、生化組學(xué)、制藥學(xué)的發(fā)展，其實它們的發(fā)展速度并不比 AI、計算機技術(shù)慢，尤其在美國這樣的高成本醫(yī)療的社會。AI 甚至還增大了醫(yī)療的發(fā)展速度，比如最近獲得諾貝爾生理學(xué)獎的就是 AlphaFold。”
“ 甚至，作為醫(yī)生其職業(yè)生涯是很漫長的，需要持續(xù)學(xué)習(xí)。在這個過程中，大模型也需要深度參與進來，這屬于 AI 醫(yī)療教育的問題?！?/p>
“ 最后，包括數(shù)學(xué)推理、代碼推理等推理模型都有一個特點，就是它有正確答案。我可以通過問題-正確答案配對的方式不斷地校正模型，但坦誠地講，醫(yī)療領(lǐng)域的一大特點就是開放性，很多問題不見得真的有正確答案?；颊咄瑯拥陌Y狀可能指向多種不同的疾病?！?/p>
綜上，知識密度高，專家型人才聚集，隱私屬性強，細分程度高，知識更新快，以及開放性或不確定性，這幾個特點闡釋了醫(yī)療大模型落地時面臨的主要困難，“ 這導(dǎo)致在落地醫(yī)療大模型時，我們希望AI能夠做到既通用又專用，但這是非常困難的。”
“ 所以，醫(yī)療大模型不能僅僅是在某些通用基準(zhǔn)上刷了榜單，拿到好成績就行了。更重要的是能夠逐步地掌握回答?？茖２∩踔林卮髮？茖２栴}的能力。同時，醫(yī)療大模型還要能跟上知識的快速更新。”
對于模型本身而言，由于醫(yī)療必須是專家決策，或者說所有決策必須有專家認可，那么醫(yī)療大模型就需要有比較強的可解釋性，“ 我不認為純黑盒的醫(yī)療大模型在醫(yī)療領(lǐng)域有任何應(yīng)用價值，這也是和很多行業(yè)所不同的地方。”
“ 對于醫(yī)療領(lǐng)域，很長的一段時間內(nèi)，通用大模型是比不上垂域大模型的。當(dāng)然通用大模型所沉淀的訓(xùn)練方法以及優(yōu)秀經(jīng)驗，垂域大模型也需要快速吸收。通用大模型探索的是 AGI，而醫(yī)療大模型探索的是如何讓具體醫(yī)療場景符合醫(yī)療規(guī)范的問題。”
“ 其實，隨著模型越做越深，向?qū)２“l(fā)展的時候，也能自然地推動和擁有這類核心數(shù)據(jù)的醫(yī)院進行科研合作?！?/p>
但直接適應(yīng)醫(yī)療的碎片化特點去獨立地逐個落地 AI，則是不夠經(jīng)濟的做法，也不適合這一代的AI?！?數(shù)據(jù)稀缺、信息個體化是個長期存在的問題，需要解決如何像人類醫(yī)生那樣快速地進行小數(shù)據(jù)學(xué)習(xí)（ 比如 In-context Learning ），并實現(xiàn)強推理能力。比如 Figure AI 機器人公司，據(jù)稱其 Helix 模型的第一個場景在寶馬公司訓(xùn)練了 12 個月，但第二個場景只用 30 天就做出來了。對于醫(yī)療 AI，也希望能實現(xiàn)類似的路徑，利用沉淀的經(jīng)驗或者說預(yù)訓(xùn)練、遷移學(xué)習(xí)去越來越快地攻破越來越多的醫(yī)療細分領(lǐng)域。”
“ 所以，合成數(shù)據(jù)、知識更新、預(yù)訓(xùn)練，這三條路對于醫(yī)療大模型是必然的，通用數(shù)據(jù)領(lǐng)域中存在的很多花里胡哨的技巧，在行業(yè) AI 面前都沒什么用?！?/p>
通過克服上述各個難題，并攻破所有醫(yī)療細分領(lǐng)域，就能實現(xiàn)醫(yī)療大模型的 ChatGPT 時刻嗎？醫(yī)療大模型最終能夠取代人類醫(yī)生嗎？
王國鑫表示，“ ChatGPT 沒有取代人類，它是一個交互式的模型。醫(yī)療大模型的 ChatGPT 時刻也不是其在某種程度上替代了醫(yī)生。而是在很剛性的醫(yī)療場景下， AI 和醫(yī)生共同服務(wù)患者，形成標(biāo)準(zhǔn)化的服務(wù)，甚至能夠?qū)懙街改侠铩?span style="font-weight: 700;">所以醫(yī)療大模型落地的方向應(yīng)該是，一方面對患者的健康管理有更廣泛普適的服務(wù)模式，比如隨時隨地的醫(yī)療健康咨詢或個人健康助手。
“ 這個需求實際上并不只是醫(yī)療問題，而是源于人們內(nèi)心對健康的焦慮。你可以看到，互聯(lián)網(wǎng)上充斥著多種不同的醫(yī)療 ‘ 權(quán)威 ’，就源于這種焦慮，但大眾很難判斷這些信息的真實性。雖然大模型也有幻覺，但一個普適的醫(yī)療大模型一定是沒有商業(yè)化利益且能提供最安全的醫(yī)療服務(wù)?！?/p>
“ 最后，在所有醫(yī)院的實踐環(huán)節(jié)中，都需要持續(xù)地去探索哪些環(huán)節(jié)可以利用 AI 帶來效率提升，以及對最終的醫(yī)療服務(wù)是否帶來增益。如果在這個過程中，患者受益，醫(yī)生、醫(yī)院的成本也降低，那么就應(yīng)該把它進一步的推向指南，甚至推向醫(yī)療管理的要求。對于這多方面的要求的滿足即流程效率提升、服務(wù)增益、成本降低等，電子病歷就是很好的例子?！?/p>
“ 換個角度來說，醫(yī)療大模型的 ChatGPT 時刻無非就是在醫(yī)療服務(wù)的這幾個方面有旗艦型產(chǎn)品出現(xiàn)。”
最后，王國鑫向知危介紹了京東健康如何踐行上述理念。
京東健康從 2017 年開始，就開始做互聯(lián)網(wǎng)醫(yī)療，如今每天有 49 萬人在京東健康完成線上問診，“ 要達成這一成就，沒有 AI 就實現(xiàn)不了，在這個過程中我們也積累了大量數(shù)據(jù)?！?/p>
就在近日，京東健康還將醫(yī)療大模型 “ 京醫(yī)千詢 ” 升級為 2.0 版本，重點提升了 AI 輔助重大專科專病診療的能力。傳統(tǒng) AI 依賴靜態(tài)數(shù)據(jù)，而 “ 京醫(yī)千詢 ” 2.0 強調(diào)臨床診斷的動態(tài)推理，避免過度羅列所有可能性，利用患者數(shù)據(jù)結(jié)合循證數(shù)據(jù)庫和臨床案例庫，直接給出有效的答案，提高了臨床實用性。目前，“ 京醫(yī)千詢 ” 2.0 已經(jīng)能針對惡性腫瘤、心腦血管等疾病為臨床醫(yī)生提供個性化診療建議。
“ 只靠 AI 也無法解決問題，我們還必須要依靠供應(yīng)鏈，比如說我們合作的醫(yī)院、藥店、服務(wù)機構(gòu)，用京東的話講叫實物供應(yīng)鏈和服務(wù)供應(yīng)鏈。否則它和其它互聯(lián)網(wǎng)產(chǎn)品沒有什么區(qū)別。”
“ 所以，我們認為京東健康是在互聯(lián)網(wǎng)醫(yī)療領(lǐng)域或者健康領(lǐng)域掌握的實體機構(gòu)和細分領(lǐng)域最多的一個公司。醫(yī)療 AI 的商業(yè)化才剛剛開始。與其講護城河，不如講跑得快不快。護城河是防守思維，AI 競爭拼的是進攻思維。比如到現(xiàn)在很難講 OpenAI 的護城河是什么，Claude、Google 甚至 DeepSeek 離 OpenAI 并不遙遠，所以在 AI 這個領(lǐng)域到最后拼的是持久力和快速迭代的能力。在醫(yī)療行業(yè)競爭拼的則是戰(zhàn)略定位、資源投入和對行業(yè)的理解?！?/p>
對任何做行業(yè)大模型的公司，行業(yè)理解都是永遠不可忽視的，“ 對于做醫(yī)療 AI 的公司，有些偏向技術(shù)，有些偏向行業(yè)。對于前者，在國內(nèi)是很珍貴的力量，目前還是太少了。只是重技術(shù)的可能更希望快速商業(yè)化，這在醫(yī)療行業(yè)是很困難的。但不管是哪種傾向，哪怕是競爭關(guān)系，我們也希望能夠共同去推進醫(yī)療 AI 的發(fā)展。”
外部環(huán)境的變化，讓王國鑫看到醫(yī)療 AI 正重啟快速發(fā)展的腳步，“ 目前最大的變化，其實是在于醫(yī)院、醫(yī)生、專家對人工智能的認識上。相較于之前的保守態(tài)度，如今這個群體對于 AI 的引入持更加開放的態(tài)度，對于我們是一個很大的鼓舞，畢竟我們和醫(yī)療行業(yè)是需要共同研發(fā)和推進醫(yī)療 AI 的。當(dāng)然，這個變化必然是由國家自上而下的政策導(dǎo)向和推進才能實現(xiàn)。”
“ 用實在的話來說，每一個人，包括我，也都希望到老的那一天，可以得到更加體面、有尊嚴(yán)的醫(yī)療服務(wù)?！?/span>