Koji
欢迎收听十字路口，我们关注新一代AI技术浪潮带来的行业新变化和创业新机会。十字路口是乔布斯对苹果公司的一个比喻，形容它站在科技与人文的十字路口，伟大的产品往往诞生在这里。AI正在给各行各业带来改变，我们寻找、访谈和凝聚新一代AI创业者和AI时代的积极行动者，和他们一起探索、拥抱新变化、新的可能性。
我是十足路口的科技联合创办了街旁、新事项和糖岛，发起了AI Hacker House这个新一代AI创业者的社群空间。我相信科技，尤其是AI，是我们这一代人最大的价值创造机遇。欢迎大家找我聊天，碰撞想法，链接下一个可能性。
Ronghui
我是十字路口的融慧，在美元VC工作过，也做过五年的硅谷驻站记者，关注科技发展和商业故事，也欢迎大家找我聊天和我交流。
Koji
大家好，欢迎来到这期《十字路口》。这期我们邀请京东健康首席科学家王国鑫老师，来聊一聊医疗大模型。
医疗大模型是一个挺典型、也挺特别的案例。我们想通过它聊一聊，是不是所有垂直场景的 AI 创业都会遇到类似的问题：数据从哪里来，怎么验证，商业落地怎么实现。这也是我们第一次在节目里邀请一家公司的 C-level 首席科学家，我就直接叫 Nico 好了。请 Nico 跟大家打个招呼。
王国鑫
大家好，很高兴有机会参加《十字路口》这个节目，也谢谢二位。
那我们进入快问快答。年龄？
王国鑫
40。
你现在是在京东健康探索研究院的第几年？
王国鑫
第3年。
在这之前是做什么的？
王国鑫
主要是做搜索和多模态技术。
你的 MBTI 和星座？
王国鑫
我是 ENFJ，双子座。
一句话介绍一下你们现在在做的产品。
王国鑫
我们在做的产品就是京医千寻医疗大模型，以及在它之上的医疗服务 Agent。
方便介绍一下现在的收入和利润吗？
王国鑫
这是送命题。其实现在 AI 整体来说还没有完全跑通商业模式。
京东健康上半年大概有350亿元营收，利润大概是35亿元人民币。但是这块业务对我们来说，主要承担的是回答医疗服务的未来以及公司未来的这么一个答案。
Koji
其实你也说了，它现在扮演的是一个向未来沟通的角色。那它在公司战略规划里面，起到什么样的作用？
王国鑫
基本是核心战略。医疗说到底是一个供给受限、服务成本极高的行业，而我们每个人对健康的需求是无限的、没有节制的。我相信每个人都想多活一些时间，所以 AI 在这里面最大的作用，就是能不能提升供给水平。
虽然这件事很难，但我相信不仅是京东健康，所有立志于在健康领域有所发展的公司，甚至从国家的角度，都会对这项技术极其重视。
Koji
那我们先来说说刚才提到的产品。你们大概从10年前就开始做这个方向，2018年开始做互联网医院。现在做的事情，可以说是从那个时候延伸出来的吗？在准备做医疗方向的大模型时，你们主要考虑了什么？
王国鑫
作为一家公司，从逻辑上还是要回答一个问题：技术能为我带来什么。
最早京东健康之所以有一部分 AI 能力，来自于这样一个事实：按照最新的财报，我们每天有49万路医疗服务进线，也就是每天有49万人次在我们这里寻医问药。
在这种情况下，如果没有类似 AI 的分诊技术和质控技术，第一，我们无法满足精准的医患匹配；第二，我们没有办法保证线上的医疗服务都合规、合法。
所以我觉得，京东一开始做 AI，最本质的逻辑是先把业务装进合规的笼子里，同时让这个业务的成本尽可能低。这就是它在 AI 第一个时代想做的事情。
AI 第二个时代想做的事情，是我们团队也做过数字疗法，甚至探索过一部分脑机接口。我们一直在想一件事：医疗并不仅仅是在线上和医生视频、打电话，医生就能解决的问题。
我们需要了解您的日常生活状态，了解您检验、检查的状态。用现在行业里的话说，就是要把数据向两头延展：向治病前的生存现状延展，也向治病后的状态延展。在这种情况下，数字疗法技术就是最重要的技术之一。
所以当时我们团队也做过数字疗法。再往后发展，就进入了大模型时代。
大模型时代最大的吸引力，或者说 ChatGPT 当年出来时让大家眼前一亮的地方，我觉得不完全是大家把它当成一个产品，而是它表现出了高度的类人水平。它的类人水平，体现在指令遵循能力上。
从这个角度讲，现在的大模型在医疗服务中承担的，就不仅仅是精准匹配和合规，也不仅仅是服务延展的问题。大家在想的第一个问题是：有没有可能创造出接近医生服务水平的大模型？如果可以，就能极大降低成本。
第二个问题是，如果大模型的水平进一步提升，它是不是可以成为我们生命陪伴的一部分，能够长期和我们在一起，就像亲人一样。小时候，父母关注我们的状态；后来，伴侣关注我们的状态；再后来，子女关注我们的状态。我们想象的就是这样一种长期陪伴。
我觉得，这就是这一代大模型和前几代 AI 最根本的不同。它尝试解决这个行业最根本的痛点，也就是供给能力，而且是一种低成本的方式。
这里可以说一个小插曲。生活中有一部分人，因为社会地位或者财富，能够享受专家级服务。但是我们大多数人，其实不太可能享受到这样的福利，因为社会天然存在分层。这个问题在欧美比国内严重很多。
反过来讲，我觉得 AI 给各个行业带来的价值，不仅是医疗，都是同一件事：能不能低成本地扩大供给。如果能够低成本扩大供给，我们每个人就都有机会获得相对均等的服务水平。这样的话，我们每个人都可能多活3到5岁。
我相信，这是所有做医疗 AI 的人最终能够为社会、为国家创造的价值。
Ronghui
我自己一直很喜欢一个说法：大模型可能会让很多人的工作效率拉开巨大差距，但它一定可以提供一个价值，就是让所有人的情绪得到平权。
过去很多人或多或少会有一些心理问题，但根本得不到很好的照料和回应，因为心理医生本来就是严重稀缺的供给。现在，大模型可以看见所有人，接住所有人的情绪，甚至提供一些抚慰。
我想刚才 Nico 讲的，京东健康做医疗大模型，可能是把这种能力从精神健康领域进一步泛化到整个健康领域，为几乎所有人带去他们在未来医疗上需要的建议或指导。至少这是我们的愿景，我也得努力。
不过医疗是一个垂直领域的模型，需要非常多专业数据。我觉得医疗有一个特别之处：它的优势是，这些数据理论上应该非常标准化；但它困难的地方在于，数据采集和使用过程中造成的影响也非常大。
王国鑫
我觉得这个问题可以回应一下荣慧。医疗有几个特点，我们叫作“痛并快乐着”。
一方面，因为过去很多年国家一直在推进信息化，同时对医院有很强的考核，所以我们的医院相对于其他行业，数字化水平是高的。这是一个不可改变的事实。
今天，病例要严格按照规范记录，所有影像都有云影像数据，也有质控。国内医疗体系花了巨大的力气，跑过了信息化时代。这对所有做医疗行业模型的人来说，都是幸运。
如果今天让我平地起高楼，而我们仍然使用纸质报告，像小时候一样用纸质报告、手工挂号，那谁也做不成。所以这是一个幸运。
但它也有很多难度。我觉得主要体现在几个方面。
第一，医学数据很多时候不可能被完整记录。这里面可能有工作的需求、医院流程的需求，甚至数据本身就没有必要被完整记录。医院的第一责任是救死扶伤，它只要解决患者的问题就可以了。
现在记录的数据，很多也是经过提炼的数据，而且质量水平不一定都能满足需求。这是第一点。
第二，模型的学习和人类的学习存在差异。人类很多时候会在抽象空间里学习。比如培养医生，一般是跟着主任看几个病例，甚至看几千个病例，人会具备归纳能力。
在这个过程中，人往往通过符号学习和归纳学习，提升自己的认知水平。但模型很多时候不是这样。今天模型的训练方法，仍然以原始数据训练为主，这就要求有大规模的推理数据或者大规模的原始数据，但这件事在医疗中并不存在。
我们经常看到，患者有一个症状，医生经过思考和判断后，在病历中写下判断，但他的思考过程并没有被记录下来。人类通过大量归纳以及口口相传，实际上习得了这部分能力。
这也是为什么最近大家经常谈到 self-learning。模型什么时候能够学会“学习”，可能是下一个 AGI 阶段重要的组成部分。我觉得这是第二点：数据本身存在这样的问题。
第三，医疗数据有敏感性和复杂性。
比如我今天生病，可能会跑好几个医院。首先，数据天然就在物理上分散了。其次，数据确权也有问题：数据经过转化后，究竟属于医院、医生，还是属于患者本人？这就是敏感性问题。
再者，它有专业壁垒。同样的道理，最近检验、检查互认才开始大规模推广。以前检验、检查不互认，为什么？即便是同一个 CT，也可能因为设备或仪器的原因，导致结果不完全能够被共认。
这倒不一定是因为医院想挣这个钱，很有可能是为了降低医疗风险。所以从这个角度讲，医疗数据的复杂性、敏感性和专业壁垒都很高。
这也是为什么，医疗模型是垂直领域里最难的一类模型，但同时也是最有存在价值的一类垂直模型。
我们今天面临的困难，是所有做这个行业的人共同面临的。所以在同一条赛道上，很难用单点技术优势去改变这件事。
Ronghui
说到垂直模型，我想追问一下：在您看来，除了医疗垂类模型，还有哪些行业有出现垂直模型的必要？
现在有一个论调，认为基座模型会越来越强，之后可能满足很多泛化需求。但看上去，医疗领域仍然需要大模型。您觉得还有哪些领域需要这样的垂直大模型？背后能不能抽象出一些特征，说明什么样的垂直领域需要这样的模型？
王国鑫
我们先回答您最后一个问题，也就是抽象的问题。
我自己在公司内部要申请预算、向管理层申请预算，所以必须回答为什么有必要做这件事。我肯定要抽象出一个逻辑来。
我觉得有几个点。第一个点，是这个行业的数据能不能以相对低的成本获取，或者以低成本模拟出来。这是一个行业是否有必要做垂直模型的第一个判断。
第二点，是这个行业今天的商业模式是否足够清晰。这个问题很有意思：如果商业模式很显见，可能也不一定真的有垂直模型的机会。
这是我从数据要求和商业化两个角度，用二维空间来划分的。
比如说，数据很显性，而且低成本可以模拟，换句话说，这个行业本身的知识门槛不高。行业知识门槛不高，或者过去掌握的经验很容易被新技术替代，这件事就比较费劲。
比如教育模型，或者说“我是一个更好的数学老师”“我是一个更好的英语老师”。今天我们普遍认为，学习语言这件事，AI 的教育能力可能高于人。原因是它的知识显性、可模拟，同时它还能克服大家的心理状态，比如克服对陌生人讲外语时的紧张。
还有一种情况，知识不一定外显，可能需要花很大力气治理，但商业模式足够清晰。这摆在我们面前的，就是代码。
大家可以看，代码模型往往是独立的模型。甚至我们认为，Claude 可能就是一个专门为代码优化的模型。可以说，这家公司的全部商业模式，都压在一个垂直模型上。
从某种意义上讲，我们今天看到的所谓 coder model，其实就是一个垂直模型。它为什么也是通用模型公司的菜？因为它的商业价值太明显，通用公司无法拒绝。
今天哪一家通用公司不写代码？换句话说，我们这帮人被替代的成本太高了，所以所有公司都有一个愿望：怎么能把 Nico 的团队不要了，全部让机器人来干。当然这是玩笑话。
但它的商业模式极其外显。所以我们讲所谓垂直模型，有两点：
第一，它的数据是否拥有独占性、独特性和紧迫性。
第二，它的商业模式是否足够清晰，价值是否足够高，高到大家不能放弃它。
Koji
这让我想到上一期播客的嘉宾，是 3D 大模型公司 VAST 的创始人。他也提到，训练数据是他们非常核心的竞争力。当问到数据从哪里来时，他说，如果这个都说了，最底层的商业机密就被透露了。
我们再说回医疗大模型。今天大家仍然会遇到看病难、看病贵这些熟悉的问题。我们一开始也提到，你们的愿景是让 AI 去改变这些问题。
截至我们录制播客的时间，也就是2025年9月，您看到 AI 已经带来了哪些改变？哪些改变可能会在未来3到5年慢慢发生？
王国鑫
我觉得 AI 首先改变的是信息获取的平权，这是一件不得了的事情。
以前大家有病的时候，第一反应都是通过搜索引擎获得信息。搜索引擎固有的商业模式是竞价排名，所以在这个过程中，商业模式本身促进的很多时候是信息错配，而不是信息的合理适配。
今天大模型解决了一个问题：大家衡量大模型，都会看它是否更遵循物理世界的实际结果。虽然大家都在思考商业模式，但很少有人思考，商业模式是不是在解决信息匹配问题。
现在，信息匹配变成了信息正确性的生成。所有团队最终追求的，都是尽可能生成正确的信息，最优秀的团队也都在追求这个目标。
所以大家不要低估，从原有的搜索引擎模式转变成问答或者 Chatbot 模式，背后意味着普通人获得信息的准确性在快速提高。
从医疗角度讲，所谓看病难、看病贵，前提是要有健康认知。首先，大家要尽可能减少疾病的发生。这个重点很多时候被我们忽视了。
比如40岁以上人群胃肠镜的渗透率、体检的渗透率，以及检验、检查质量的把握。这些都可以通过 AI 的帮助和辅助，进一步教育患者，或者教育整个社会。
Ronghui
您的意思是，大家在和 AI 对话的过程中，可能会听到更多来自 AI 的健康建议，因此更愿意去做体检、提前做胃肠镜？
王国鑫
对。我觉得第一步是让这些服务可得。第二步，是解决当下的问题。
现在我们实际上在解决一个分诊问题，也就是区分用户的状态。我可以识别你是轻症、重症还是急症。对于轻症，我们给出标准解决方案；对于重症和急症，我们可以快速连接到医疗服务资源。
原有的 AI 和信息系统都做不到这一点。过去要么是到线下挂号，要么是到互联网医院找医生。
现在的做法不一样了。如果有一个 AI，平时持续搜集你的数据，在关键时候又能针对你的病情变化，把你导向具体的资源，它解决的就是匹配成本问题。
所以它不一定直接解决看病难，但它降低了看病的复杂程度和心理门槛。
第三点，是 AI 辅助诊疗究竟能达到什么水平。这是所有做 AI 大模型的人最终的战场。
如果辅助诊疗能够达到高可信水平，人工只需要 check、review 结果，那么至少在普通疾病上，服务能力就可以延伸到7×24小时，对人的要求也会逐步降低。这在一定程度上就解决了看病难。
最后说看病贵。看病贵更多涉及急症和重症，尤其是重症。AI 对它最大的帮助，不一定在医疗服务层面，而是在疗法研发层面。
今天 AI 在科研能力上的帮助，还没有被充分挖掘。行业每天会发表多少医学论文，我忘了具体数字。包括我自己所在的 AI 行业，坦诚地说，我也看不完这个行业的论文，只能看最高水平的论文。
对医生来说，医学是一个终身学习的行业。所以我们在解决看病贵时，一个重要呼吁是，应该有能够持续提升医生能力的服务型 AI。医生的能力提升，最终才能提升整体卫生水平。医生的能力如果不行，其他事情从根本上就不行。
第二，AI 是制药和新疗法研发中必要的核心组件。它不像 ChatGPT 这样是一个 To C 产品，大家感知更强。
今年大家看到创新药的行情，背后的逻辑是中国企业 BD 出海的水平提高了，license out 变多了。这一定是因为中国企业掌握了更强的研发能力，提升了新药研发速度。
所以这件事在背后实际上也是解决看病贵的一个根本逻辑。
总结来看，第一是提升健康意识，降低拿到错误信息的概率，让 AI 提供正确的信息。
第二是解决轻症以及不同病情级别的诊断问题，进一步提升辅助诊断水平，让大家的心理门槛和服务门槛都降低。
最后，无论是医生培训，还是新疗法、新药研发，AI 都是决定性要素。
从长周期看，看病难、看病贵最重要的改变，大概就是这三件事。
Ronghui
刚才您提到的愿景很美好，但我觉得这里面还有一个问题：解决医生整体资源比较少的问题之外，对更多人来说，使用 AI 也需要被教育，仍然有很高的门槛。
王国鑫
这件事我可能有一点不同观点。我讲一个小案例。
有一次我坐航班，航班晚点了，我正好闲着没事。旁边有个大爷拿出手机拍机舱，我比较敏感，就想看他在干什么。不太应该，但我还是看了一下他的屏幕。
他当时正在问一个 Chatbot：“这是什么飞机？机型怎么样？哪个位置最舒服？”等等。
所以我觉得，尤其是在中国，AI 产品的渗透率已经有点超出人们的实际预期了。只是现在 AI 产品不像移动互联网时代那样，在 C 端表现得那么突出，但在信息服务上，它已经有了非常令人惊讶的表现。
从实际行业数据也能看到，十几岁孩子的渗透率，以及四五十岁以上人群的渗透率，AI 都表现得很好。这也是人群渗透率双高的表现。
至少我们可以说，AI Chatbot 某种程度上可能会把搜索引擎这种形态扫进垃圾箱。至少在中国，我们可以比较大胆地这样探索。这也是为什么去年 Google 曾经有一段时间股价承压，因为当 AI 直接给你 information、knowledge 和 answer 的时候，你为什么还要看 information？
所以站在这个角度，我对 AI 产品的渗透率保持高度乐观。
我的观点是，不论是我们三个人，还是在座的所有听众，大家都想象一下：能不能回到3年前、没有 AI 的时间？我们今天的生活还能不能回到那个时候？
我相信答案是否定的。
Koji
我昨天看到一个问题：给你多少钱，你愿意过上没有 AI 的生活？前提是旁边的人都有 AI，只有你没有。你愿意拿多少钱？
王国鑫
我当时认真想了一下，觉得这对我来说非常困难。比如给我1亿元，我同不同意？我都认真想了一会儿，还是觉得非常困难。
因为这种生产力背后的巨大认知代差，有时候不是单点的金钱能够衡量的。
我自己正好经历过从互联网到移动互联网的时代。那时最大的特点就是不可阻挡。很多事情原本在 PC 上已经做得很好，但移动互联网的发展依然不可阻挡。
AI 今天作为一种生产力，也有很多弊端，所以它在 C 端的特点还没有那么大的进化。但坦诚地说，产品渗透率已经足够优秀，否则今天不会所有产品都做出一个默认动作：把搜索框变大。
Koji
我也同样很乐观。说回垂直模型，你们的京医千寻从2023年发布1.0，到最近的2.0，可以给听众大概介绍一下这个模型吗？它主要的进化体现在哪些地方？
王国鑫
我觉得主要体现在3个地方。
第一，我们的研究模式发生了比较大的变化。1.0 时，我们普遍使用真实知识数据，比如论文、学科文章、教科书，以及大量真实病例。这些构成了我们的数据底层。
到了2.0，我们花了很大力气做合成数据。这次京医千寻2不仅是一个模型，我们还把医患对话合成 Agent 免费向行业开放。它虽然不是开源的，但大家可以通过接口使用。
这件事对行业的贡献是，行业可以通过这个接口尽可能模拟真实的医患对话。
Ronghui
它是直接获取你们的模拟数据，还是用户自己进去就可以开启模拟？
王国鑫
用户可以进去开启模拟。用户可以扮演医生，询问任何问题，进行模拟问诊；它可以模拟诊间真实的患者和医生对话。所有数据背后都是我们训练的模型在支撑。
这代表了一个新的认知：医疗模型很多时候不能完全基于现有数据，因为现有数据实在太难获得。所以，模拟数据、合成数据，或者 Agent 模拟，是一条必然路径。
2.0 的第一个变化，就是大量采用合成数据。我们评估这些合成数据应该达到较高水平，这也得益于京东健康每天有49万路问诊。我们有能力，也有基础做这件事。
第二个变化是模态。
这次最大的改进之一，是在单一模型里支持影像数据，包括 CT、MRI 和 X 光。
这来自真实实践：如果把自己锁定在文本模态，模型就会离真实世界很远。哪怕咳嗽超过1周，医生都建议做筛查，更复杂的疾病就更不用说了。影像是今天医疗生活中最重要的诊断工具之一。
所以和1.0相比，2.0在模态层面有了巨大提升。它不仅能理解医学语言，也能精准理解影像资料。
第三个变化是推理。
其实我以前也说过，我不太喜欢“推理”这个词，因为它在中文里有二义性。我们提到推理时，容易联想到人类在哲学层面的推理，可以联想、思考。
但模型的推理，坦诚讲，更像是一种格式学习：通过更多算力提升最终答案的准确度。它不是哲学层面的推理，也不是人的推理，至少我是这么认知的。这可能和 AGI 的推理有所不同。
医疗行业有一个特点：推理过程本身也要被验证。所以我们把模型和循证库进行了对接。
举例来说，我的推理过程是 A、B、C。那 A 是通过哪个证据得到的，B 是通过哪个证据得到的，C 是通过哪个证据得到的？我们还把证据分了等级，比如最高水平期刊发表的论文，或者国家颁布的指南，证据等级最高。
模型要基于这些证据等级，做出相应的诊断和判断。所以这次的推理，我们叫作循证推理，而不仅仅是消耗更多 token、不断让模型思考。
这是3个大的变化，也是我们认为京医千寻2值得拥有一个新版本号的原因。
另外，它还有一个很酷的 Demo：它的思考过程，也就是刚才说的推理过程，实际上是多模态的。
我们不只是在文本层面说“因为 A、B、C”，还可以拿出影像片子，甚至锚定到某个病灶，说基于这个病灶的状态，我做出这样的推理；基于您肺部的状态，我做出这样的推理。
所以它的推理过程不仅是文本的，也是一个多模态、交互式的推理过程。
Ronghui
刚才您提到，第一个大升级是用了非常多的合成数据。我理解，这些合成数据主要是医患之间的问诊对话。您也提到，会用很多办法验证这些对话的真实性，才能拿去训练。
但我很好奇，怎么验证医患对话所谓的真实性？
王国鑫
这个问题正好可以把医疗数据的问题一起回答。
数据的准确性、模型的准确性，以及别人经常挑战的“你的模型怎么验证”，在我们内部有一套流程。
研发过程中，我们会做很多评测数据集，自己比较数据集的优劣。但模型任何一次 launch，不只是对外开源，也包括上线一个模型，我们一般都会经过3步人工验证。坦诚地讲，这个成本很高。
第一步叫 in-house 验证。京东健康本身有一个很大的全科医生团队，这些医生都是京东健康的雇员。他们会按照科室分布进行评价。
我们主要通过几个核心指标衡量，包括忠实性、准确性、专业准确性、流畅度、一致性等。
第二步是 third party。我们和几所大型医学院有合作，因为涉及商业合作，不方便透露具体名称。他们会组成 third-party 组织，在我们完成一次大的 launch 后，先拿到模型，进行二次评估。
第三步，是更大规模的专家团队评估，大概有100多位专家。这不只是 third party，也不只是 in-house，而是由我们的质控委员会组织，来自不同医生群体共同评估。
这项工作很重，所以我一下子想起 OpenAI 发布过一篇文章，叫 HealthBench。当时 CEO 还问我，这篇文章代表什么含义。
我说，它代表 OpenAI 验证医疗模型也要用人。HealthBench 大概有60多名医生参与，其中也有中国医生。他们手写了这样一套测试集，当然也使用了很多技术方法。
所以我们内部就是3层验证模式。
Ronghui
合成数据的量应该非常大。在只有100多人的专业数据校验团队的情况下，怎么核验这么多数据？
王国鑫
这个流程可以把它想成一个漏斗。
第一，漏斗不是一天灌满的。在持续迭代的过程中，我可以知道模型的问题，以及合成数据容易出现 Bug 的地方。这样一来，我自然就把合成数据分级了。
第二，漏斗每一层上方都是技术手段。我们的目标，是让机器尽可能模拟下面医生的评估，也就是让机器评估尽可能接近人工评估水平。
研发同学解决的问题，是尽可能少让数据漏到下面；技术团队解决的问题，则是尽可能把严重的问题漏到下面。
所以这是一个持续迭代的漏斗。您如果问是不是每条数据都看过，确实不是。
但从某种意义上说，大模型是一个概率模型，是一个贝叶斯系统。我们能做的，是尽可能提升正确的概率，把严重、容易出错的问题往下漏，把简单、直接的问题往上浮。当然，这里面有很多技术手段。
Koji
说到模型水平，我自己有一个很大的好奇。
如果我身体不舒服，第一反应还是会去问 ChatGPT。我感觉它多多少少也能给出我认为还挺准确的答复。
所以我也很想知道，你们是一个80人的团队，大家投入了那么多时间精力训练医疗大模型。具体来说，哪些地方可以做得比基础模型更好？
比如我问你们和问 ChatGPT，能不能得到更准确、更全面的回应？
王国鑫
这个例子其实很多。我可以从两个角度讲，一个单模态，一个多模态。
先说单模态。真正的医疗大模型，需要具备我们内部所说的“拟人能力”。不过这个词有二义性，我们觉得更重要的是“拟专家能力”或者“拟医生能力”。
很多时候，我们看到 GPT 或 Grok，因为自己是患者，所以可以不厌其烦地回答问题。但从医生视角看，医生要的是通过简短对话和核心问题，快速做出判断。
所以模型不是事无巨细地问答，而是围绕某个专病的核心讨论和核心问题展开问诊。这就是通用模型和专用模型在行业知识上的区别。
通用模型基于你的症状，可能从教科书里学到这个症状对应很多问题。为了排除所有概率，它会把所有问题都问一遍，最后给你一个相对全面的答案。
但真正的医疗模型，虽然“诊断”这个词比较敏感，涉及合规问题，但它应该像医生一样，围绕重点问题进行询问，然后基于全部信息快速判断，而不是事无巨细地告诉你可能有3个、4个、5个问题。
这不是说通用模型不能做，而是它不符合医学伦理和医学实践。
第二个问题，从多模态角度看更有意思。
大家今天经常拍照片，或者搜一篇论文让模型翻译，这些都使用了多模态能力。但如果让 GPT 或其他模型去看影像，它的效率会大打折扣。
我们的模型是专门为影像设计的。比如对专业词汇（叫 positioning 或 placing）、器官的位置、左右对称性，以及小病灶的敏感度都比较高。
通用大模型不会专门针对这类多模态数据进行优化，因为这对它来说不是一个足够大的商业机会，同时还存在数据墙。
所以在多模态效果上，我们自己的评测显示，差异还是比较明显的。
Ronghui
多模态我比较容易理解。单模态，比如文字问题，如果我说“今天感冒了”，可能基础模型和垂直模型的回答差不多。
那复杂度、专业度提高到什么程度时，两者的回答会不一样？有没有比较具体的问题？
王国鑫
您可以试着问一个最简单的问题：“我今天发烧了。”
您可以比较一下我们的 Agent 和通用模型。最好再让真人医生从专业角度 review 一下结果，就会发现不同模型对医学规范和专家习惯的遵守程度差异非常大。
如果您说“我发烧了”，普通通用模型可能会事无巨细地问很多问题，因为在它的学习中，发烧是一个极其通用的症状。
但实际上，从卫生经济学角度，医生不会这样做。
Ronghui
我们下来可以分别在基础模型和你们的模型里提问，把链接附在播客的 show notes 里，感兴趣的朋友可以对比一下。
我还是比较好奇，OpenAI 他们也会针对医疗方向做一些跑分。我看你们也公布了 MedBench 上的成绩。对普通用户来说，大家最直观的可能就是看谁的分数高。
怎么让普通用户更直观地感受到模型的准确性？
王国鑫
我觉得您刚才说的是服务体验的问题。
所有大模型一旦 To C，就会遇到体验拐点的问题，而不单纯是跑分问题。坦诚地讲，跑分更多是技术拉动：我们要达到那个水位，需要做什么。
很多时候，跑分和实际产品体验之间并没有百分之百的关联。这也是今天大模型评测的核心困难：大家都不错、都不差，但在真实使用中，差异可能还是存在。
这里面有模型本身的问题，也有产品设计、交互设计的问题。这就涉及模型和 AI 产品该如何设计，可能不是我们今天的主题。
什么是好的体验？在我们的认知中，像专家一样的服务能力和服务体验，就是一种好的体验。我们尽可能模拟专家，这是我们对服务体验的理解。
但医学最重要的，不完全是体验问题，而是诊断准确、处置方案有效。所以在我们这里，专业性的要求在一定程度上压过，甚至是压过了服务能力和服务体验。
当然这么说可能有点绝对。我们内部也会训练模型的共情能力，希望它不要那么没有情商，能够说一些合适的话，天冷了会嘘寒问暖，并根据上下文进行关怀。
但这部分能力某种程度上可以剥离在医疗模型之外，它属于通用能力。说漂亮话是一种通用能力，而医疗最根本的圣杯，仍然是诊断准确和处置方案有效。
这两件事永远绕不过去。站在我的角度，只要这两件事做到，接下来再用更好的产品服务消费者就可以了。
至于跑分，我们内部可以跑，也可以不跑。我经常被问要不要跑分，但我自己觉得，跑分结果和 in-house 专家评估有时候对不上。
站在我的角度，我还是更相信真正专家的评价指标。跑分也是由另一群专家定义评价维度，只是不同专家群体定义的维度可能不一样。
Koji
而且它的评价维度是固定的。
Ronghui
说回用户体验和交互体验。昨天在 JDD 大会上，我看到京医千寻有一个很大的展区，就去和产品经理交流，也问了他同样的问题：我的医学问题，问 ChatGPT 和问你们有什么区别？
他给了我一个很有趣的答案。他说，在京东健康 App 里会建立患者档案。你使用京东健康 App 的过程中，过去的疾病史和慢病史我们都知道。
因此不同的人问同样的问题，会根据个人健康情况和慢病情况，给出不一样的答复。
Koji
对，而且我理解还可以建立家庭档案，比如问孩子的问题，或者问父母的问题。
我觉得这个看上去很小，但我相信基础模型不太可能做。否则它就要做得太细分了。
但把它放在一个健康垂直产品里，就有它的价值。
王国鑫
我认同您的观点。
Ronghui
刚才您提到，情商可能不是医学大模型的两个圣杯之一，相对次要一些。
但王小川在另一次访谈中谈到百川要造医生，背后的意思是，医生要学会和病人以及病人家属沟通。沟通本身的重要程度也非常高。
所以想请教一下，Nico，你们针对“造医生”，或者帮助 AI 更好地像专家一样安慰用户、安慰患者和家属，让他们更理性地接受诊疗方案，在这些方面做了哪些工作？
王国鑫
在内部，您可以从评测线的角度看能力，这样最清晰。
我们的评测线分为体验线和专业线。刚才讲的诊疗准确、问诊准确、方案准确，都会归在专业线。
沟通技巧、安慰、沟通能力，则归在体验线。
我想表达的是，沟通技巧和专业本身并不冲突，模型能力可以正交。
从研发角度讲其实很简单：我可以用一部分数据和算法提升专业能力，再用另一部分数据和算法提升共情能力，把它们训练在一个模型里，再通过提示词激发。您会发现，模型很多时候能够做到这件事。
这也是今天大模型参数量达到一定规模之后的一个明显特点：它具有泛化应用单点知识的能力。不像以前的模型，需要把一条完整数据全部背下来，再照着做。
所以我们今天讲“造医生”，沟通确实极其重要，我认同。但模型真正的高水平要求，首先还是专业性。专业性怎么强调都不过分，因为医学是一个高信任行业，试错成本实在太高。
我们可以这样理解：买一辆车时，后面的体验问题有点像车机系统，前面的专业性有点像自动驾驶。
这两个产品对团队的要求，在逻辑性和稳定性上是不一样的。站在我的角度，应该这样看这件事。
另外一个问题是，什么叫拟人？我们刚才说的是拟专家。坦诚地讲，今天模型回答知识时已经有模有样，但要让它成为一个高水平的倾诉对象，还是很难。
换句话说，做内科医生的难度，远低于做心理医生。进一步提升模型的共情能力，或者探索模型的共情能力，是非常必要的。
这里面有几个难点，不仅是技术难点。首先，如何评判一个人的共情能力，或者如何衡量一个模型的共情能力，本身就很不容易。
业内有句话：当一个指标能够被测量时，这个指标就可以被优化。
现在我们看到很多 TTS 类模型，可以模仿我的声音。我相信模仿声音很简单，但如果做一个 Ronghui 的数字人，可能 Koji姐前两三分钟会觉得很像，再过一段时间就会觉得不像。
真正“像”的感觉，完全拟人的感觉，或者高水平沟通这件事，很可能需要投入很大力气，进一步提升技术来支撑。
所以站在我的角度，这也是一个资源分配问题。今天专业性的问题不能 compromise，不能让它受到影响，但同时我也会尽可能提升服务水平。
我承认，服务水平在技术上还有现实难点。
Ronghui
你们有在做心理健康类的大模型吗？
王国鑫
我们考虑过做心理健康大模型，也和国内头部心理健康医院有过合作。
这是一个北京科委支持的项目，简单说，它是一个心理健康数字人，前面的数字人和背后的模型都是我们研发的，主要解决患者焦虑和抑郁这两种心理状态。
临床实验还没有做完，但目前来看，临床表现比较积极。
第二，从模型角度看，我们并没有过分强调它是一个心理健康模型。今天我们仍然重点解决常见病和重病，心理健康方面投入相对少一些。
Ronghui
前面我们提到过几次数据获取。昨天的活动上也提到，你们和很多医院有合作。训练数据主要是通过什么方式获得的？
王国鑫
这个问题我可以讲，不像 VAST 3D 那样不能说。
我们的数据主要来自几个方面。
第一，我们和数据中心合作比较多。因为数据涉及确权，通过和数据中心合作，可以在一定程度上解决数据合规问题。
医疗数据首先一定要强脱敏、强匿名化。我认为这件事放在外部比较好，不要放在内部。所有给到我的数据，本身就应该是高度匿名化、合规的。
所以，和数据中心合作是第一道保障。最近我们也签了一个大的合作，和一个国家级数据中心合作，主要围绕大规模多模态模型展开。
第二，我们的研发思路是这样的：为什么要只和单点医院合作？
我们的基线，是互联网数据、京东健康自身数据，以及合成数据。通过和大型数据中心合作，构成一个 private data 基线。它是 private data，不是别人的数据，而是我和合作方共同形成的数据。
我相信通过数据中心，可以拿到尽可能多的省级数据单元和大量数据。在这种情况下，我可能可以覆盖绝大部分常见病，这是我的判断。
第三，和单点的顶级专科合作，因为他们手里有长周期队列。长周期队列一定偏疑难、偏复杂，所以我们会和他们单点合作。
现在我们合作的医院大概有十几家。
我的假设是，在一个通过医疗数据中心合作训练的大模型上，只要使用不多的数据，就能得到这个专科医生的能力。这是我们的假设，也是整个路径的开端。
在合规方面，上述数据主要通过单点科研合作获得，也是通过数据中心脱敏、三方脱敏的方式。一般走的是科研支持协议，也就是共同研发的科研支持协议。
我相信，绝大部分医疗领域的公司未来都会走这条路。
Koji
前面提到你们和一些医院合作。现在医院对你们做医疗大模型的态度和评价是什么？他们有没有担忧和顾虑，还是非常积极支持？
有没有某个医生，或者某家医院，给过你们让您印象深刻的反馈？
王国鑫
其实相反，我觉得他们挺支持。Koji姐，我可以这么讲：过去3年我一直在跑医院，而医院的支持力度越来越大。
最早可能是部分院士从国家角度推动，后来到院长，现在我们看到很多大科室主任也出现了这个趋势。
我们合作的医院，本质上都有几个核心任务。
第一个是学科建设。它们已经是国家级医疗中心，需要承担发展学科的责任。AI 把能力固化下来，进一步支撑学科建设，是必然的。刚才说的医生培养，也是一件必然的事，所以医院一定会参与。
第二，医院希望服务患者，延伸自己的服务能力，把自己的经验进一步延伸。这种愿望也好、历史责任也好，都非常强烈，所以医院很愿意合作。
第三，医院已经实实在在把 AI 应用到生产和生活中。今天的医生，特别是一些年轻主任，对 AI 的认知实际上比我们高。
我们不说具体名字。我曾经认识一位院士的学生，是一位非常年轻的主任。他们对 AI 能力的评测、对不同模型的评测，以及对不同模型的认知，在一定程度上让我感到惊讶。
我们看到的趋势是，未来成长起来的优秀医生，一定是广泛应用 AI 工具、提升生产效率的医生。
但反过来说，医生和医院群体内部也有巨大分化。不同人的观点完全不一样。
我的直观体会是，特别是从去年年底到今年，整个行业对 AI 的认知已经发生了变化。以前大家说的是“你不能犯错”，现在变成了“我可以允许你犯错，但我们要怎么协同、怎么控制？哪一部分替代，哪一部分不替代？场景如何进一步落地？”
甚至越来越多的声音是：我们一起找场景，一起想办法。
这让我们非常兴奋，同时也带来很多压力。因为一进入临床场景，场景极其多变，这对模型本身的泛化能力提出了更高要求。
Ronghui
你刚才提到，医院希望一起做哪些事情，或者希望哪些事情能更快得到 AI 的帮助？他们的反馈主要集中在哪些领域？
王国鑫
我觉得主要集中在几个领域。
第一个是患者服务。医生很多时候看完病就结束了，但患者的用药跟踪和诊前服务，其实非常需要类似服务机器人的产品。
它可以通过 AI，低成本地和患者长期相处，进一步提升患者被治愈的概率和康复水平。
医生做诊断只是一个决策，真正的健康很多时候掌握在患者自己手里。所以只要涉及医疗长期服务，或者医院有医疗服务转型需求，它对 AI 的诉求就会非常大。
第二是科室级别的研究和人员培养。我们刚才说过，科室研究水平和人员培养，AI 是必需的。
以后医学院校和医院都会思考，如何通过 AI 尽可能降低人的学习成本和犯错概率。
只要医院有科室研究要求，尤其是研究型医院，就会提出这样的需求：能不能一起共建科研平台，自动挖掘 AI 课题？能不能把我的队列交给你们，让你们发现患者中的机会，找到新的疗法？
这是第二件事。
第三是效率。医院的效率承压，不能再单纯通过增加人手来解决问题，尤其是成本端压力很大。所以它需要诊前助手、诊前助理这样的产品。
现在有一种产品叫“医生分身”。某种程度上，医生分身就是把患者服务和效率结合起来，用数字人的方式呈现。
但我觉得它的底层能力主要就是这3个场景。
Koji
这次你们还发布了另外一个产品，AI 医院1.0。能不能给大家介绍一下？对普通用户来说，使用 AI 医院1.0 可以获得哪些帮助和价值？
王国鑫
我觉得这是一个特别朴素的观点。
“AI 医院”可能只是产品的一个名字，但它背后的逻辑很简单：医疗服务专业属性很强。
过去我们研发了很多 Agent，比如心理医生、内科医生、不同科室的医生，以及药师和营养师。
当你有这么多 Agent 时，就会思考：是让这些 Agent 分散在各处，让用户根据需求去找；还是把它们放在一个产品里，变成一个入口型产品，用户只要有一点不舒服就去找它？
我们希望是后者，因为这样才能形成用户心智。
接下来就要想，这个产品应该叫什么名字。既然有这么多专业 Agent，是不是就像一个人工智能医院？所以我们用了“AI 医院”这个名字。
它的逻辑很清晰。某种意义上，它代表了京东健康探索未来健康入口、争夺未来健康入口的一种心智。
我觉得可以直接说，它就是未来健康的入口，甚至可以用更强烈的词，叫第一入口。
Ronghui
我有一个模糊的感觉，这个产品可能有两个方向。
一个是健康管理。对于一线城市，大家对医疗的认知，可能正在从“看病”转向“健康管理”。
比如前面讲到的案例，通过更好的医疗服务，为自己建立完整的健康档案，从看病变成减少生病的可能，转变为管理自己的健康。
另一方面，对更广大的用户来说，在非一线城市，医疗需求缺口更大的地方，它可能成为一个入口，让更多人获得相对更优质的医疗资源。
王国鑫
我完全认同您的观点。
AI 和移动互联网有一个本质区别。特别是中国的移动互联网，改变的是我们和信息交互的方式。当然它也有连接，比如美团是物理世界的连接，滴滴也是物理世界的连接，但总体上还是改变了我们和信息交互的方式。
AI 从根子上更像是一种 B 端生产力。虽然在国内谈 B 端有点不性感，但它的影响力确实以 B 端生产力为主。
所以我十分认同您的观点。未来可能是这样：
大的医院，或者国内的大医院，通过医联体，甚至兼并的方式，辐射地方。
越细粒度的地方，到社区级别，会有大量 AI 辅助当地医生，实现全科级别的筛查、分诊和问诊，再通过重症转诊的方式完成医疗服务。
大的医院也不只是负责诊断，不是做完手术就结束了，它还会延伸康复服务。
在这个过程中，AI 能承担低成本的信息服务能力，进一步连接当地有效的医疗资源。
如果一定要推演中国未来，我认为随着地域差距扩大、人口老龄化加剧，大概率会形成这样一种方式。当然支付模式也会改变，但这不是今天的话题。
Koji
你们计划怎么让它落地？怎么让更多真正需要它的人使用？或者不只是你们的产品，而是让更多人通过 AI 获得他们需要的信息？
王国鑫
这个问题可以这样看。
京东互联网医院本身就在尝试做这件事。互联网医疗的底层逻辑，还是异地医疗资源匹配，或者7×24小时医疗资源匹配。
所以 AI 并不是一个全新的故事，而是在原有医疗服务和能力基础上进一步叠加 AI 能力。
某种意义上说，互联网医疗就是 AI 互联网医疗：在原有互联网医疗形态上进一步提升 AI 能力，大概就是这么一件事。
Koji
京医千寻这个模型是开源的，对吧？能不能讲一讲具体开源了哪些部分，以及为什么要开源？
王国鑫
我先回答为什么要开源。
医疗行业是信任驱动的，我甚至不觉得它是合作驱动的。站在信任角度，需要不断通过开源拉动生态合作伙伴参与进来，这是必需的。
所以我们一直对开源持开放态度。通过开源，可以让别人知道我们的技术品牌，试用我们的模型，了解模型结果，进一步反哺技术提升和生态能力。
第二，我们开源得相对充分。除了模型本身，我们还开源了训练代码和一部分训练数据。
我们的目的是希望参与者能够复现我们的工作，而不只是开源一个结果，让大家得到一个简单的结果。
Koji
开源的目标是建立信任。开源之后，你觉得这个目标实现得怎么样？有没有收到开源社区或合作伙伴的反馈？
王国鑫
我们收到的反馈主要来自研究机构，包括大学和医院的研究机构。
因为模型开源的尺度有大有小，一些小尺度模型在医院合作机构里也有很多主动评测。
我印象最深的是，今年我们能够不断推进和各个医院的专科合作，模型开源在里面发挥了很重要的作用。它让别人看到，我们确实是一个在做事的团队。
这种信任合作是无价的过程。主要反馈还是来自医院和研究机构。
Ronghui
你前面提到，希望产品能够占领用户心智。
如果越来越多用户使用 ChatGPT 或其他 Chatbot 询问医疗问题，这确实会影响你们争夺入口，也可能对整个公司的商业模式产生冲击。
你们是否期待，从模型到 AI 医院，能够和公司其他真正挣钱的业务产生联动？
王国鑫
我在谈 AI 商业模式时，觉得真正有价值的有几点。
第一，百分之百，或者三个九、四个九的替代，这件事很重要。哪怕是在一个很窄的领域，你确实能够替代，这就是很重要的价值。
第二是连接。今天的 AI 是不是连接消费者和服务的更好纽带？在医疗领域，前者和后者都有机会。
如果回到刚才 Ronghui 的问题：医疗模型和京东健康模式叠加时，就要回到整个集团的 slogan。
我们本身是一家供应链驱动的公司。核心逻辑是用最低成本，在市场上提供最优质的产品或服务。AI 在这里面有巨大的连接空间。
所以对我们来说，入口型产品一定值得争夺。当然这不完全代表公司，只是我个人的判断：京东健康一定要争夺、一定要推进。
我们虽然是一家互联网公司，但有实体医疗机构，有到家服务能力，有药品供应链。很多城市可以实现30分钟上门服务和送药。
我们有自己的体检中心，也有自己的医院，是一家实体公司。
在这个过程中，AI 一定要连接好后面的服务能力，为患者提供一套解决方案。这套方案最好既适合患者，也适合我们自己，并且能够个性化定制。
所以问题不再是“要不要做”，而是“怎么做，怎么把它做出来”。
您刚才提到的观点特别对。未来医疗服务的竞争，一定会从单点 Chatbot 或单点入口的争夺，变成 Chatbot 的体验、能力，再叠加后端服务能力，看二者能不能整体给用户带来满意度。
因为说到底，医疗最终靠有效性生存。
在后端服务这一块，你们现在有没有做一些要求，避免后端服务影响前面 Chatbot 提供的信息？
王国鑫
不会。我们把后端服务更多地原子化。
举一个不那么抽象的例子：我可以让护士上门给患者做一次检验、检查。
整个后端服务已经被我们完全拆解成原子化能力。对模型来说，它要解决的是：基于当前判断和与患者沟通的结果，要不要做这件事，做这件事需要患者付费多少，以及患者的意愿度。
模型解决的是信息这一侧。当患者有意愿、有需求，我们就调用后端供应链解决问题。
所以我刚才讲，后端供应链能力的夯实，是因为供应链不只是商品，也包括服务。这可能是京东健康建立用户心智的基础。
如果连这个都没有，我们就是一家完全飘在天上的公司。
不同竞争对手手里的核心资源和核心心智不一样。京东的核心心智就在于服务能力：成本是不是最低，效率是不是最高。
如果答案是肯定的，那我们就可以利用这种服务能力，做入口型产品。这是我自己在思考的问题。
当然，今天所有做 AI 的人都在思考入口型产品的机会，虽然这件事很难。
Koji
其他基座模型公司，有没有可能基于用户在 Chatbot 里发起的医疗相关问询，进一步做一些产品或服务延伸？
王国鑫
实际上，基座模型公司都很关注健康赛道。
不同公司不必具体点名，特别是一些切得比较深的 Chatbot，现在有相当可观的流量占比来自健康相关内容。这和搜索引擎当年的用户心智很一致。
现在很多人把大的 Chatbot 当搜索引擎使用。所以我觉得，他们肯定会把健康视为特别想做、极其想做的赛道。
但还是要回到我们一开始说的问题：这个行业到底有没有门槛，商业化成熟度够不够高。
所以对我们来说，大型通用 Chatbot 更多是合作伙伴，而不是竞争对手。
第二，京东自己昨天在 JDD 上也推出了通用 Chatbot，叫 Joy AI App。我当然也希望这个 App 能够快速在市场上占据一席之地，从而让集团内部形成产业协同。
Ronghui
Nico，你能不能讲一讲，在更广的范围内，比如美国、欧洲和中国相比，你看到 AI 加医疗领域有哪些创新，或者有哪些针对不同问题、从不同角度做得比较好的产品？
比如美国的 OpenEvidence，不论融资还是收入，好像都取得了不错的成绩。
王国鑫
医疗 AI 这个东西，海外和国内的案例不一定像其他行业那样具有很强的迁移性。关键因素是支付逻辑的差异，以及医疗体制的区别。
国内更注重效率和公平。坦诚地说，如果我们是美国人，可能会更艰难很多。
OpenEvidence 这类产品在美国能够成为商业化产品，一个核心原因是医生收入高、医生自我诉求高，所以它可以通过订阅费支撑。
在国内，类似生态当然也可以做。我们这次也把循证库开放了，但我们的模式是免费，没有订阅费，大家都可以使用。
所以这就是“橘生淮北则为枳，橘生淮南则为橘”的问题。主要是医疗模式不同，导致支付逻辑不同，最终形成不一样的商业模式。
但有些产品仍然值得深入研究。
美国现在有 AI 驱动的互联网医疗，加上特定化、专业化的医疗服务和用药服务公司。比如 Hims & Hers，它本质上是一家帮助人变美、变得更好看的公司。
它背后的底层能力，是药品供应链，特别是自身特色的药品供应链。但前端获客和前端服务，都是 AI 化的互联网产品，不断评估用户状态，给出新的健康建议。
医疗的逻辑仍然是：第一，可以服务医生，从而获得市场占有率。这种模式在美国比较通，在中国可能要打一个问号。
第二是服务患者。服务患者时，很多时候要回到解决方案本身。医疗解决方案可能是器械、药品，甚至是某种生活方式改变。
在这个前提下，AI 可以为医院解决用户服务问题，也可以为药企、器械厂商，甚至数字疗法厂商解决用户服务问题。
第三是大家熟悉的医院端服务模式。
目前国内信息化渗透率已经比较高，医院采购也是一个长周期的事情。我们有智慧医疗部门，也有京东卓医产品，试图解决一个问题：把整个医疗服务信息化，以及患者服务，全部用 AI 改造一遍。
这是第三个赛道。
最后一个赛道是 To G，也就是面向政府，解决医保端和卫健委管理端的问题。这在美国相对少一些。
从商业机会角度看，在中国最后可能还是要回到患者服务赛道，相对更符合中国的土壤。
Koji
你刚才说，这3年一直在跑医院，大量沉浸式地思考 AI 加医疗怎么帮助大家变得更健康。
如果回到朋友聊天的状态，今天我们见面了，我问你：“你研究了这么多 AI，也研究了这么多医疗健康。现在给我们一个建议，怎样在 AI 的帮助下过得更好、更健康？”
有没有一些小的、可行性比较高的建议，是听众今天听完就可以拿去用的？
王国鑫
长期健康主要受两个因素影响：一个是个人自身的慢病、免疫力，或者慢性病变的表现；另一个是重症。
随着年龄增长，我觉得要在健康检查、检验和提前预防上多投资，这件事一定不会错。
我们以35岁举例。35岁以后，我觉得每年都要拿出一部分固定的钱，投入到个人和家庭的健康保护上。
这笔钱不一定很多，但每年都要拿出预算，有意识地通过经济手段调整自己的认知，这件事非常重要。
从统计学角度看，这笔钱中期实际上是在帮你省钱。因为越早发现，很多疾病，包括我们今天听到的很多重症，在早期发现时都有治愈的可能。
所以每年要积极拿出一部分预算，在预算范围内寻找最好的医疗服务。这对人一定有巨大帮助。
先把钱拿出来，会推动你去做这件事。
Ronghui
我觉得这个建议很有意思。不管怎么样，先把钱拿出来，再想办法把它花掉。这样会倒逼自己研究，这笔钱要怎么花，才能对健康有帮助。
这比直接说大家都要体检、都要做胃肠镜更有意思。钱先给出来，再想办法必须花掉；如果花不掉，年底就给自己一个巨大的惩罚。
王国鑫
当然不是每个人都适合做胃肠镜，我只是以胃肠镜举例。
比如如果来自胃癌高发地区，或者有家族史，就可以做；如果不是，其实也没有必要。
我的逻辑是，这可能是一个好方法。健康其实挺反人性的。我们一开始说，健康需求是无限的，但反过来，好像只有失去健康时，人们才意识到它的需求，所以这件事很痛苦。
Koji
刚才有人问，35岁以下的人怎么办？
王国鑫
道理是一样的。我只是戏谑地说35岁，原则并不是从35岁才开始。
尤其要关注自己的家族史和身体状态。有些事情可以持续做，比如长期监测血压、血糖。听上去可能很普通，但长期监测这些指标非常有帮助。
同样是糖尿病，早发现、早控制，和晚发现、晚控制，最终结果差异很大。
所以还是要相信一句话：很多疾病只要早期发现，在今天的科技水平下就有解法；但一旦超过某些状态，可能就没有解法了，只能缓解。
Ronghui
最后两个问题。
我们今天聊了很多医疗大模型，但很多听众并不从事医疗大模型行业，可能在做各种垂直模型。想请教 Nico，在你看来，医疗垂直模型的一些经验，怎么迁移到金融、法律等其他垂直模型？
王国鑫
这些行业的技术其实比较相通。所谓行业经验，我们可以叫作“同源异构”：都是对一个更复杂的情境进行建模和优化。
比如教育中的个性化学习路径，法律中的多信息流、多步推理，金融中的投资组合推荐，以及基于海量金融数据的推理分析。
从这个角度看，技术非常相通。这也是为什么今天做 AI 的人，好像可以找到任何工作的原因。
本质上，只要这个行业的数据异质性比较强，模型又需要融合推理进行优化，我觉得医疗上的经验就很容易迁移到教育、金融和法律这几个行业。
Koji
如果今天你是一个投资人，要判断一家垂直大模型公司能不能做好，你会怎么判断？有哪些指标是你特别在意的？
王国鑫
第一，是这个行业的知识深度，也就是数据壁垒和知识深度到底存不存在。
很多垂直模型，我觉得不一定百分之百存在，所以这是一个“0和1”的问题。
第二，看商业机会。商业机会不能太大，因为一旦大到让大公司注意，你也就没机会了。
它最好是在近期有可能实现，但听上去又没有那么宏大。
第三，看公司对未来商业落地的预期。它接下来是希望通过 API 付费、产品付费，还是销售驱动的付费？
这要看它的合伙人里有没有商业合伙人，也要看它的商业思考。主要就是看这3项。
今天谢谢 Nico 做客《十字路口》，和我们分享了很多做医疗大模型的经验。
这个领域非常有价值，同时也是大家期待很高、非常敏感的领域。我们也期待看到 AI 让越来越多的人享受到技术进步带来的医疗成果。
谢谢 Nico 今天和我们聊这么多。
王国鑫
谢谢二位。再见。
如果你认为有朋友也会喜欢本期十字路口的内容，请转发微信推荐给他们。最后，欢迎你加入十字路口的会员群，我们鼓励大家在群里聊天互动、交朋友，寻找未来的同路人。