摘要

京东健康把医疗大模型列为“核心战略”，押注的是AI能否低成本扩充一个供给受限、服务成本极高的行业。 Nico给出的业务底盘是每天约49万人次寻医问药；京东健康上半年约350亿元营收、35亿元利润，但AI本身“还没有跑通完全的商业模式”，当前更重要的任务是“回答医疗服务的未来以及公司的未来”。
京医千寻2.0的壁垒不只是医学知识，而是合成医患对话、医学影像与可核验的循证推理被放进同一套系统。 它支持CT、MRI、X光，并能锚定病灶解释判断；训练数据则由京东健康自身问诊、互联网数据、合成数据、数据中心及十几家专科医院的长周期队列分层构成。“医疗模型很多时候不能完全基于现有的数据”，Agent模拟因此成为必然路径。
截至2025年9月，Nico认为AI对“看病难、看病贵”的改变已经沿信息、服务与研发三条路径发生。 Chatbot先削弱竞价排名导致的信息错配，再做轻症、重症、急症分流，并把常见病辅助服务延伸至“七乘二十四小时”；更长期的降价逻辑则来自医生持续学习、新疗法和新药研发，包括中国创新药BD出海与license增加背后的研发提速。
医疗垂模与基模的关键差异，是前者必须像医生一样用少量关键问题快速判断，并对小病灶、脏器位置和左右对称做专门优化。 通用模型面对“我发烧了”往往为排除所有可能而事无巨细地追问，Nico认为这“不符合医学伦理或者医学实践”；公开跑分也不是最终裁判，因为“医疗最根本的圣杯还是诊断准确和处置方案有效”。
AI医院1.0争夺的不是一个孤立Chatbot，而是“未来健康第一入口”及其后端服务闭环。 京东健康可连接互联网医院、医生、药品供应链、30分钟送药、护士上门、体检中心和实体医院；模型负责判断需求、费用与患者意愿，后端能力被拆成可调用的原子服务。未来竞争可能从聊天体验转向“Chatbot能力＋后端服务有效性”。
医疗AI的扩张速度最终取决于信任工程，而不只是模型参数。 京医千寻的launch要经过自有全科医生、合作医学院和一百多名专家三层人工验证；模型、训练代码及部分数据被开放，以便研究机构复现和评测。医院态度也已从“你不能犯错”转向“我可以允许你犯错，但是我们要怎么协同可控”。
判断一家垂直大模型公司，Nico给出的三项筛选是知识与数据壁垒、恰到好处的市场规模，以及明确的商业落地路径。 机会必须近期可实现，却不能大到立刻吸引通用模型巨头；还要说清收入来自API、产品还是销售驱动，并配备能完成商业化的合伙人。对医疗AI而言，最有价值的两类结果是窄域内“三个九、四个九”的替代，以及连接消费者与实体服务。

精读

1. 医疗AI的核心命题是扩大供给，而不是多造一个问答工具

Nico给出的经营背景很直接：京东健康上半年约有350亿元营收、35亿元利润，但AI“还没有跑通完全的商业模式”，目前承担的是面向未来寻找答案，而不是立刻贡献独立利润。
医疗的结构性矛盾是“供给受限、服务成本极高”，而个人对健康和寿命的需求近乎无限。AI若能复制一部分医生级服务，才可能真正改变行业成本曲线。
他的终极愿景带有明确条件：如果低成本供给能让普通人获得过去只有少数人享有的专家级服务，“那我们每个人都可能多活三到五岁”，这才是医疗AI创造的社会价值。

2. 京东健康的AI路线经历了合规、服务延伸与生命陪伴三代目标

第一阶段来自真实业务压力：每天约49万人次寻医问药，没有AI分诊就难以精准匹配医患，没有质控就无法保证线上服务合规。“先把一个业务装在合规的笼子里”，同时把成本压低。
第二阶段通过数字疗法乃至部分脑机接口探索，把数据从一次问诊向两端延长：既理解发病前的生活状态，也跟踪治疗后的康复，而不是把医疗简化成一次视频或电话。
大模型带来的新想象来自“高度的类人的水平”和指令遵循能力：先生成接近医生水准的低成本服务，再逐步成为长期健康伴侣，“就像亲人一样”持续了解一个人的状态。

3. 医疗数据“痛并快乐着”：数字化程度高，却不是可直接训练的完整真相

幸运的一面是，中国医院经过多年信息化和强考核，病历、云影像及质控规范已高度数字化；如果仍停留在纸质报告和手工挂号，“谁也搞不成”医疗大模型。
难点在于现有记录服务于救死扶伤和医院流程，并不负责完整保存患者状态。病历往往是医生提炼后的结论，质量也未必能满足模型训练需求。
更关键的缺口是思考过程：医生看到症状后在脑中判断，只把结果写进病历。人能通过病例、符号归纳和口口相传学习，模型却仍依赖大量原始或推理数据，因此“什么时候能学会‘学习’”可能是下一阶段AGI的重要部分。

4. 数据分散、确权模糊与设备差异共同构成医疗模型的硬墙

一个患者可能跑多家医院，数据天然物理分散；这些记录究竟属于患者、医生还是医院，转化使用时又产生确权与隐私问题。
即使同为CT，不同设备和仪器也可能造成结果差异。过去检验检查难以互认，并不一定是医院为了收费，而可能是为了控制医疗风险。
Nico因此把医疗称为垂类中“真的是最难”，同时也是最有存在价值的一类；这些限制对全行业成立，很难靠某个单点技术优势消除。

5. 垂直模型是否成立，要同时看数据独占性和商业诱惑力

Nico为了向管理层申请预算，形成了一个二维框架：数据是否低成本可得或可模拟，以及商业模式是否足够清晰。真正的垂模还要拥有独特、稀缺且不易被通模吸收的数据。
教育是反例之一：语言和基础知识相对外显、可模拟，AI还可消除与陌生人练外语的心理压力，因此通用模型很容易覆盖大量需求，行业知识门槛未必足够深。
代码则是另一端：数据需要治理，但商业价值清晰到通用模型公司无法拒绝。Nico甚至把Claude等coder model视作垂模——“相当于这家公司的所有商业模式压在了一个垂模上”。

6. AI首先改变的是健康信息获取，而这已经动摇搜索模式

Nico的机制判断是，搜索引擎依赖竞价排名，商业模式本身可能促进信息错配；大模型团队至少在目标上追求基于事实生成高质量答案，而不是售卖某条信息的匹配位置。
这种变化的第一层医疗价值是健康教育：提高体检、筛查及检查质量意识，减少错误信息带来的延误。胃肠镜只是他举的例子，并非主张所有人无条件接受同一种检查。
他的激进表达是，Chatbot可能在中国“把搜索引擎这个形态，在一定程度上说扫到垃圾箱里了”。当产品直接给出knowledge和answer，用户就会追问：“我为什么要看information？”

7. 看病难靠分流与辅助诊疗缓解，看病贵则要靠科研和新疗法

当下最实际的任务是区分轻症、重症和急症：轻症获得标准方案，重症与急症快速连接医疗资源。若AI平时持续收集健康数据，匹配成本和用户心理门槛还会进一步下降。
Nico谨慎区分了效果边界：这“不见得是解决看病难”，但确实降低看病的复杂程度；下一步才是让高可信辅助诊疗由人工check、review，把普通疾病服务延伸至“七乘二十四小时”。
医生是终身学习职业，医学论文数量多到医生无法全部读完。面向医生的AI若能持续筛选知识、提升医生能力，才可能抬高整体卫生服务水平——“医生不行是根本性的”。
看病贵更多对应急症和重症，尤其是重症及其治疗成本。Nico把AI视为制药及新疗法研发的核心组件，并以中国创新药行情、BD出海水平提高、license增多为例，认为背后必然包含研发速度与能力的提升。

8. “用户不会用AI”的反驳，是一位在飞机上识别机型的大爷

主持人的质疑是：医生资源虽稀缺，但普通人使用AI同样需要教育。Nico不同意这个门槛会长期阻止渗透，并用一次航班延误时的观察回应。
邻座大爷拍摄机舱后询问Chatbot：“这是什么飞机、机型怎么样、哪个位置最舒服？”这个非技术用户的自然行为，让Nico意识到中国AI产品渗透率“有点超过人们的实际预期”。
行业数据也显示十几岁与四五十岁以上人群均有较好渗透。主持人提出“给一个亿、但只有自己不能用AI”的问题后，Nico认真考虑过自己是否愿意接受，仍觉得非常困难；他把这种不愿回退解释为不可用单点金钱衡量的“认知代差”。

9. 京医千寻2.0用三项升级换来了新版本号

1.0主要依赖论文、教科书、学科文章和真实病例；2.0则投入大量合成数据，并向行业免费开放医患对话模拟Agent，使用者可以让它扮演患者或医生，生成诊间交流。
这一路线不是放弃真实数据，而是承认现实约束：“医疗模型很多时候不能完全基于现有的数据。”京东健康每天约49万人次问诊，为判断和生成高水平模拟对话提供了业务基础。
第二项升级是原生医学多模态：单一模型支持CT、MRI和X光。Nico的理由很朴素——哪怕咳嗽超过一周，医生都建议做筛查，只做文本就“跟真实的世界离得很远”。
第三项是循证推理：A、B、C每一步分别对应何种证据，并按顶级期刊论文、国家指南等划分等级；模型还能在影像上锚定具体病灶，解释为何据此作出判断。

10. 这里的“推理”不是哲学思考，而是可验证的高算力格式学习

Nico明确不喜欢“推理”一词的歧义：当前模型并非像人一样联想和思考，更接近“格式学习”，用更多算力和token提高答案准确率。
医疗要求连中间过程也接受核验，因此京医千寻2.0接入循证库，不只展示一串看似合理的推理步骤，而要说明每个步骤从何种证据而来、证据等级多高。
多模态推理进一步把文本结论落到影像实体：模型可以指出肺部某个区域或病灶，“基于这个病灶的状态”完成后续判断，使解释与诊断对象对应。

11. 模型发布依然绕不过昂贵的三层人工验证

京东健康先用自建评测集进行研发比较，模型launch一般还要经过三层人工验证：自有全科医生团队、合作医学院的third party评估，以及来自更广泛科室的一百多名专家质控委员会。
评价不只看答案是否好读，还覆盖忠实性、专业准确性、流畅度和一致性等五项核心指标。Nico坦言：“这个成本很高。”
OpenAI发布HealthBench时，他对CEO的解释是：“代表着OpenAI验证医疗模型也得用人。”该项目同样动用了六十多名医生，其中包括中国医生，这说明高风险模型尚不能把验证完全自动化。
面对海量合成数据，方案是持续迭代的漏斗：机器尽量模拟下层医生，把简单样本留在上层、严重和高概率出错的样本漏给专家。不是每条都由人看过，而是在“大模型是个贝叶斯、是个概率”的前提下提高正确概率。

12. 医疗垂模的优势不是回答更多，而是像医生一样少问关键问题

主持人以自己习惯先问ChatGPT为例，追问约80人的医疗模型团队究竟多创造了什么。Nico的答案是“拟专家能力”：医生需要通过短对话和专病核心问题快速形成判断。
通用模型从教科书学到一个症状的全部可能，为排除风险可能事无巨细地追问；专业模型则必须围绕重点问题，根据全部信息快速判断，而不是罗列“三个、四个、五个问题”。
“我今天发烧了”就是建议的对比样本。Nico认为，通模面对这种极通用症状时的穷举式问诊，在卫生经济学上并不合理，最好再让真人医生review两类模型的提问路径。
多模态差距更直接：医疗模型专门优化positioning、脏器位置、左右对称和小病灶识别；基模缺乏同等数据与商业动力，面对专业影像时效率会明显下降。

13. 跑分拉动研发，却无法代替专家判断和个体化产品体验

Nico把To C后的关键称为“体验拐点”：跑分告诉技术团队要达到什么水位，但模型、产品设计和交互设计会共同决定实际体验，因此榜单与真实使用“没有百分之百的关联性”。
京东健康更相信专家式服务以及两个不可绕开的结果——诊断准确、处置方案有效。流畅、共情和“说点漂亮话”可以训练，却不能压过专业指标。
据JDD现场产品经理介绍，京东健康App会建立患者档案，将过去疾病史和慢病史纳入上下文；主持人进一步认为，健康垂直产品还可以建立家庭档案，同样提问会因个人及家庭健康情况不同而给出不同回答。
对公开跑分，Nico的态度是“可以跑也可以不跑”；当外部成绩与in-house专家评估对不上，他仍更信真实医生，认为不同专家群体定义的评价维度可能不同；主持人补充说，榜单评价维度是固定的。

14. 共情能力可以正交训练，但心理医生比内科医生更难造

主持人引用“百川要造医生”的讨论，强调医生还要安慰患者及家属、帮助其理性接受方案。Nico认同沟通“极其重要”，但把内部评测清楚分为专业线和体验线，两者可以分别训练后合并。
他的汽车类比是：沟通体验像车机系统，专业诊疗像自动驾驶；二者都重要，但稳定性和逻辑要求不同。“专业性的问题是不能compromise的”，资源配置首先要守住安全底线。
Nico反而认为“做心理医生的难度远高于做内科医生”。声音容易模仿，真正像一个人却可能两三分钟后就露出破绽；共情也缺少可靠指标，而“当一个指标能被测量的时候，这个指标就可以被优化”。
京东健康曾与国内头部心理健康医院合作焦虑、抑郁数字人，前端形象与后端模型均由团队研发。临床实验尚未完成，目前表现“比较积极”，但资源仍更多投入常见病和重病。

15. 数据体系按常见病、疑难病与合规边界分层搭建

第一层是数据中心合作：医疗数据先在外部完成强脱敏和强匿名化，再进入研发流程，以降低内部处理隐私数据的风险；团队还与一个国家级数据中心签约，重点合作大型多模态模型。
第二层把互联网数据、京东健康自身数据和合成数据作为基础基线，再用大型数据中心提供的private data争取覆盖更多省级数据单元。Nico假设，这足以覆盖绝大部分常见病。
第三层是十几家顶级专科医院的长周期队列，重点补充疑难和重症。合作通常采用科研支持、共同研发及第三方脱敏；核心假设是，已有大模型只需少量专科数据，就能习得相应医生能力。

16. 医院态度已经从零容错转向讨论人机协同边界

Nico连续三年跑医院，感受到支持从部分院士扩展到院长和科室主任。国家级医疗中心既有学科建设责任，也有延伸专家经验和患者服务范围的动力，AI成为固化能力的工具。
一位年轻主任对不同模型的评测深度曾让Nico感到惊讶。他的判断是，下一代优秀医生必然广泛使用AI提高生产效率，但医生群体内部对AI仍存在巨大分化。
去年底至2025年，行业讨论从“你不能犯错”转为：“我可以允许你犯错，但是我们要怎么协同可控？”行业中出现了共同寻找场景的声音，也把压力转回模型的泛化能力。
需求集中在三处：诊前与诊后的长期患者服务、科研和人员培养，以及在不能继续简单加人的情况下提高效率。“医生分身”只是把长期服务与效率工具用数字人形式合并。

17. AI医院1.0要把多个专业Agent聚合成健康第一入口

京东健康已经研发心理、内科、药师、营养师等不同Agent；AI医院1.0的朴素逻辑，是不让它们散落在各处，而是形成一个用户“一有不舒服就会去找”的统一入口。
“AI医院”既是产品名，也是京东健康争夺未来健康入口心智的表达。它一端支持一线城市从看病转向健康管理，另一端让医疗缺口更大的地区获得筛查、分诊和资源连接。
Nico把AI视为更偏B端的生产力：大型医院继续辐射地方，社区医生借AI完成全科筛查、问诊和转诊，大医院则把服务延伸至康复；人口老龄化和地域差距可能推动这种网络形成。
落地并非重讲一个新故事，而是在互联网医院已有的异地匹配和“七乘二十四小时”服务上叠加AI。“AI的互联网医疗”，就是原有互联网医疗能力的进一步升级。

18. 开源在医疗里不是营销动作，而是建立合作信任的基础设施

Nico认为医疗“是一个信任驱动的”行业，甚至不只是合作驱动。让医院和研究机构看到、试用并检验模型，是建立技术品牌和生态关系的必需步骤。
京医千寻不只开放模型结果，还开放训练代码和部分训练数据，目标是让参与者能够复现工作，而非只能调用一个黑箱结果。
实际反馈主要来自大学、医院和研究机构，小尺寸模型也被合作方主动评测。Nico认为，后续专科合作能够持续推进，开源建立的“无价”信任发挥了重要作用。

19. 商业化要同时满足可靠替代与服务连接

Nico判断AI商业价值时先看两件事：能否在一个窄域实现“百分之百或者三个九、四个九”的替代；以及能否成为连接消费者与服务的新纽带。医疗两类机会都存在。
京东健康的差异化资源不是纯流量，而是实体服务：互联网医院、到家服务、药品供应链、30分钟送药、体检中心和自有医院。AI必须把这些能力组织成面向个人的解决方案。
后端服务被拆成原子能力，例如护士上门完成一次检查。模型先判断医学需要、费用和患者意愿，再调用供应链；这种设计试图避免商业服务反向污染前端医学信息。
大型通用Chatbot已有可观的健康问询流量，但Nico暂时更愿把它们视为合作伙伴；集团内部发布的Joy AI App也可能形成协同。最终竞争将是Chatbot体验、专业能力与后端有效服务的总和。

20. 海外案例不能照搬，支付方决定医疗AI长成什么样

Nico提醒，医疗AI跨国迁移性弱，关键变量是payer和医疗体制。中国更强调效率与公平，美国医生收入和付费意愿更高，同一种产品会形成完全不同的商业模式。
OpenEvidence这类产品可以在美国依靠医生订阅费实现商业化；京东健康此次开放循证库，却选择免费供行业使用。Nico把这种差异概括为“橘生淮北和淮南”。
Hims展示了另一种路径：前端用AI化互联网产品获客、评估状态并持续给出建议，后端依靠特色药品供应链提供让用户变美、变得更好的解决方案。
中国市场还包括医生工具、患者服务、医院AI信息化及面向医保和卫健管理的To G服务。医院采购周期长、既有信息化渗透率高，因此Nico认为更符合本土土壤的机会仍可能落在患者服务。

21. 结尾的两套检查表，都强调提前投入而非事后补救

给个人的建议是以约35岁为例，每年先划出一笔个人和家庭健康预算，再研究如何购买预算内最好的检查与医疗服务；Nico随后强调，原则并不是从35岁才开始，金额不必巨大，“有意识地通过经济的手段去调整自己的认知”才是关键。
这不是人人都做胃肠镜：应结合家族史、高发地区和个人状态选择项目。无论年龄，长期监控血压、血糖都可能有价值；同样是糖尿病，早发现、早控制与晚发现、晚控制的结局差异很大。
医疗经验可迁移至教育、法律和金融，因为它们都是对复杂情境建模：个性化学习路径、法律多信息流多步推理、金融组合推荐，本质是“同源异构”的高专业数据与融合推理问题。
给垂模投资人的检查表有三项：是否真有知识深度和数据壁垒；市场能否近期兑现、又不至于大到立刻招来巨头；以及API、产品或销售驱动的付费路线是否清楚，团队里是否有能完成商业落地的合伙人。

Plasma 的100亿美元上线、ASTER交易思路、DAT内幕整顿与 Jonah 的 META 论点 Firebird Management 的 Steve Gorelik：Molina Healthcare（$MOH）看多论点