Shiv Rao

这家公司的5年荒漠期（2018年成立，Transformer论文发布3个月后起步，直到2023年才真正走热）最终浓缩成一条生存法则：坚持核心判断，其他一切都可以转向。 Shiv Rao 愿意调整产品、市场进入方式和商业模式，“但我不愿意放弃这个判断”——临床对话是驱动医疗服务的“最具人性的信号”。在市场打开之前，“你只需要别死掉”（you just need to not die）——等天空打开时，你还站在那里。

每个垂直AI创始人都会面对的生死问题是：“如果你在和它们对抗，你已经输了。” 如果基础模型带来的顺风不是你能利用的，你就完了。公司的防线在于深度：一个受监管、规模达5.3万亿美元、占美国GDP 18-19%的行业；产品的核心是基于不同类型医生、不同场景和不同语言用户每天的编辑进行后训练：“2023年人们以为那是最后一公里。其实那才是大头。模型本身没那么重要。”

公司产品内约40%的模型输出来自自研模型——下个月可能就会升到60%，因为蒸馏后的开源模型正在替代前沿模型调用。 原则很简单：二元判断、需要即时敲响警钟的任务交给自研模型，速度更快、更便宜，部署后无需持续操心；那些永远无法做到完美、市场奖励的是持续变得“不那么不完美”的任务，则要“乘上前沿模型的浪潮”。

医疗行业的GTM陷阱在于，它不是一个5.3万亿美元的单一市场；那些照搬“从下游市场起步”建议的创始人，永远无法选择正确时点向上游发起“YOLO一击”。 美国约80万名执业医生集中在大型医疗服务网络中。公司在2023年迎来窗口：医生倦怠率达到40-50%，一项JAMA研究显示30%的护士希望在12个月内离开护理行业，而LLM恰好出现——“天空打开时，我们直接冲了进去。”如今，据报道，没有“一座桥”（a bridge）的医院，医生甚至不愿加入。

病历从来不是产品——病历是一张账单。 临床医生“并不是因为提供了医疗服务而获得报酬，而是因为记录了他们提供的医疗服务而获得报酬”，所以公司沿着没人想做的工作链条推进：病历→医嘱→计费，同时打通CMIO、CIO和CFO。结果是，Microsoft/Nuance（一次超过200亿美元的收购）以及可能的Nabler，“我们现在已经很少看到这两家公司了”——这不是靠捆绑防守，而是靠创造品类；如今Emory的医生把“a bridge”当作动词使用。

OpenAI和Anthropic招聘前线部署工程师、并与PE机构合作，在Rao看来是垂直AI明确的看多信号：“如果这还不算一个信号，说明未来垂直AI存在绝佳机会，那我不知道什么才算。” 真正的护城河来自混乱——“这不是SOC 2，而是HITRUST”；行为健康数据有不同处理方式，企业数据清理也需要真正的工程体系才能规模化。

如果让Rao在“提前6个月获得前沿模型访问权”和“提前6个月获得最优秀的人才池”之间二选一，他会选择人才，“毫无疑问”——优秀的人才能构建自己的基础能力，前沿模型套利“并不是全部，也不是决定一切的东西”。 至于Goldman估计5年后代理会带来24倍的token消耗，他认为方向上没错：那些永远做不到足够好的工作是“无底洞”，而Jevons效应意味着“医疗需求的海啸”即将到来，但系统没有能力承接。

Jensen是公司的投资人，曾在午夜回复Rao一封只有两行的邮件后直接打电话给他；Rao从“创始人模式”中学到的不是事无巨细地管理，而是“一段段执行任务周期”（tours of duty）——“你的工作，就是爱上眼前的工作是什么样子。” 这意味着不断CRISPR出一套新的DNA，让自己爱上住在飞机上的生活。Rao毫不掩饰自己是战时CEO：“谁是和平时期CEO？”他设想让450人的组织围绕“超级IC”进一步扁平化，并按照Josh Wolfe所说的“肩上有包袱的人，才能把筹码变成口袋里的钱”来招人。

🔗 原始收听与视频来源： 从5年荒漠期走到产品市场契合与53亿美元估值：Abridge创始人Shiv Rao

Abridge 的核心判断是，未来10年，医疗服务的第一信号仍将是对话，而不是自主执业的临床系统。 对话位于病历记录、医嘱、计费、临床试验乃至决策支持的上游，因此，文书自动化可以成为切入更广泛工作流的楔子。Rao 的目标，是消除那些“夜里压垮他们灵魂”的工作，同时让临床医生始终留在环路中。

公司有意进入大型医疗系统，因为质量门槛既构成防御，也带来集中的分发渠道。 Rao 估计，Abridge 已在110多个系统上线，包括 Kaiser 和 Sutter；他表示，近几年与 Microsoft 进行的3至4周正面对比中，Abridge 从未落败。在 University of Kansas Health System、Emory 和 Yale 的成功，随后通过 CIO 和 CMIO 网络扩散，形成企业级病毒式传播；但失败的下行风险极大，因为“一旦失手，就不会再有下一次机会”。

医生倦怠制造了紧迫性，而 ChatGPT 则把多年市场教育转化成了需求。 据称，5名医生中有2名可能在未来2至3年离开医疗行业，12个月内可能有27%的护士离职；Rao 估计，替换一名临床医生的成本接近100万美元。Abridge 在2021–22年间通过演示“吃玻璃”，但 Rao 后来意识到，公司其实一直在“预售”：2023年初 ChatGPT 出现后，医疗系统高管纷纷回电，要求开展试点。

技术护城河不在通用转录，而在医疗领域专属的识别、编排和面向不同受众的输出。 Rao 认为，即使语音识别错误率只有3–5%，在医生用各自方式念出新型肿瘤药物名称时，也可能造成重大影响。Abridge 必须处理多语言、多语种混杂的对话，并在数秒内生成英文临床记录、患者摘要、结构化字段，以及足以让医生为“所提供的医疗服务获得全部计费认可”的文档。

规模化把临床医生的修改转化成一套后训练飞轮。 Abridge 每隔几天就处理数百万段对话，通过“上下文推理引擎”把对话与医疗记录、保险系统和临床教材结合起来。由于草稿仍不完美，医生的修改会反馈到偏好调优、DPO、奖励建模和强化学习中；按 Rao 的说法，目标很坦诚，就是变得“没那么不完美”，而不是宣称已经完美。

早期实测效果异常强劲，但采用的楔子取决于临床医生仍在环路中。 Rao 引用的数据称，6周内认知负担下降约60%，最初几个月倦怠有时下降50%。他的框架偏好低风险、高频率的工作流：这些场景可以在医生核验草稿的同时证明生产率和 ROI；相比之下，高风险的自主医疗可能要慢得多才能被医疗系统吸收。

下一块阵地是诊疗现场的智能，但 Rao 仍预计，重症患者会希望由一名使用这些工具的真人医生来诊治。 Abridge 可以提示临床试验资格，或将患者与最近的10,000个相似病例进行比较，从而提示更可能是淀粉样变而非结节病，并建议做心脏 MRI 而不是 CT。然而，Rao 自己使用 GPT 和 Claude 时，答案有时会立即正确，但同样频繁地也会变成一场“辩证式体验”，需要3或4轮交流才能抵达正确方案。

🔗 原始收听与视频来源： 医疗领域，真实来源是对话：与 Abridge CEO Shiv Rao 对谈